基于核主成分分析BP＿Ada Boost算法的数控铣床故障诊断

刀具是数控铣床加工过程的关键零部件,其长期处于高速加工状态极其容易出现故障。针对数控铣床加工过程中刀具的磨损状态数据少、诊断效率低、维护成本高、缺乏有效的诊断方法的问题,提出了利用小波包分析与核主成分分析提取特征,然后利用BP_AdaBoost算法对刀具磨损状态进行诊断的方法。通过在数控铣床的加工工件与其夹具间安装测力仪及安装加速度传感器,来采集立铣刀振动信号与切削力信号;然后对振动信号与切削力信号进行小波包分析处理,将处理好的信号进行核主成分分析(KPCA),降维以后作为立铣刀磨损状态的特征向量;最后利用得到的特征向量训练和验证BP_AdaBoost分类模型。实验结果表明BP_AdaBoost算法比SVM算法能更有效实现对数控铣床的刀具磨损状态的评估。

黑潮OLR距平指数与华南西部主汛期降水的关系

OLR距平场与华南西部主汛期降水的相关分析场显示,在黑潮区域有强烈的高相关信号反映.黑潮区OLR距平指数与华南主汛期降水的遥相关分析显示,前期黑潮区OLR距平指数的异常,可以成为预测主汛期降水有一定指示意义的前兆信号.并在此基础上建立主成分降维分析方法,对1989～2000年主汛期降水作预测及回代检验,检验结果准确率达75%,说明用黑潮区OLR距平指数作为预报因子可以取得良好的预报成绩.

基于KPCA-K-means-GRU的短期风电功率预测研究

风能间歇性和波动性的特点给电网的平稳运行造成了很大的挑战,导致电网企业限制风电并网,造成弃风行为。因此,实时有效地预测风力发电情况对风电开发和电网的平稳运行至关重要。在分析当前多种预测方法后,提出了基于核主成分分析-K均值聚类-门控循环单元(KPCA-K-means-GRU)的短期风电功率预测模型。多维数据能够较好地还原实际物理状态,但过高维度的数据会带来维数灾难。因此,利用非线性的KPCA在保留高维数据信息的同时降低数据维度。随后借鉴负荷预测相似日思路,将降维后的数据通过K-means进行无监督聚类以建立不同的预测模型来提高预测精度。最后分别训练不同类别数据的GRU神经网络参数,进行分类预测以获得更合适的网络模型。

基于GA-BP的古代玻璃类别预测与风化程度测定模型研究

为研究不同类别的古代玻璃的内在化学成分与自身风化程度的关系,建立了古代玻璃类别预测及风化程度测定模型。首先,利用GA-BP神经网络,以高收敛速度及97.8%的高拟合优度准确预测样品玻璃的真实类别,同时克服传统BP神经网络容易陷入局部最小值的问题。其次,根据样品类别的不同,分别对其采用主成分分析降维和熵权法,得到样品玻璃的未风化程度指数,其中高钾玻璃的15号样品和铅钡玻璃的37号样品受损较严重。实验结果显示:该模型可以很好地测算古代玻璃的相关参数,可被广泛应用于考古行业的玻璃文物参数分析与测算工作。

融合PCA和ESN的交通流周期预测模型

针对传统交通流多步预测精度低的问题,提出了一种交通流周期预测模型。该模型结合交通流的周期性特征重构时间序列,并引入主成分分析降维思想,利用回声状态网络模型进行交通流时间序列预测,同时采用自适应扰动粒子群算法优化模型中的重要参数。将该模型应用到实际交通流时间序列中进行有效性验证,其预测结果的平均绝对百分比误差为9.8%,比传统回声状态网络多步预测模型降低了12.7%。实验结果表明,该模型可有效地避免预测结果延迟问题并大幅提高多步预测的精度。

基于指数权重局部聚合向量特征的轮毂型号识别

在轮毂型号识别过程中,为了能在大量轮型库中快速识别正确的轮型,提出了基于指数权重局部聚合向量(VLAD)特征的轮型识别方法。VLAD特征是针对BOW特征的改进版,用待分类特征和聚类中心的累积残差代替特征的累加数目,采用四近邻软分配的查找方式,相对于一对一的分配规则具有更好的鲁棒性。最后把得到的VLAD向量进行主成分分析降维,并在降维VLAD的基础上将指数权重和VLAD向量的各数据相乘以削减个别不稳定值,最后通过特征向量的对比来找到最相似图片,识别过程具有非接触、灵活、准确的优点,实验表明在提高图片识别率的同时也具有较好的鲁棒性。

基于关键点逐层重建的人脸图像超分辨率方法

本文提出一种通过基于关键点逐层重建的人脸图像超分辨率方法。该方法考虑到五官和眉毛局部部位的细节对超分重建的重要意义,本文提出对人脸关键点附近局部区域分别训练超分映射函数,并采用逐层迭代重建实现人脸超分的方法,减小直接重建目标图像的难度。针对超分映射函数,本文采取了线性和非线性两种学习方法,其中线性方法采用主成分分析(PCA),非线性方法采用自编码网络(Auto Encoder)。在超分重建阶段,先采用双线性插值作为初始化,进而利用学习得到的超分映射函数计算局部人脸图像超分,叠加到全局人脸图像,实现整体超分。基于关键点的人脸超分辨率图像质量较其他超分方法在五官的细节上有更好的效果,本文提出的方法在实验数据集上展现了良好的超分结果,验证了低分辨率证件照情况下的人脸识别的有效性。

基于改进的加速鲁棒特征算法的工件定位方法

为了解决传统的图像处理算法识别现场获得的工件图像速度慢且匹配效果较差等问题,通过对工件图像的识别方法进行研究,提出了一种改进的加速鲁棒特征(SURF)算法可以实现工件准确、实时的定位。该算法基于加速分割测试特征检测器(FAST)对SURF算法的特征提取方式进行改进,首先利用FAST提取特征点,然后通过SURF算法生成特征点描述子,使用主成分分析算法(PCA)对描述子进行降维。随后以欧式距离作为相似性度量进行粗匹配,再采用随机抽样一致算法(RANSAC)剔除误匹配点。最后结合双目视觉技术得到工件空间位置坐标。实验结果表明:本文提出的算法在运行时间上相比传统SURF算法减少80%,同时提高了匹配的精度。达到了准确、实时的工件定位目的。

Gabor小波幅值和相位特征人脸识别方法比较

对采用Gabor幅值、Gabor相位以及Gabor幅值加相位结合这三种方法,在同等条件基础上对所提取的特征进行分块,用PCA降维,采用最近邻分类规则进行识别并比较结果。在ORL、Yale、Indian、YaleBE、PIE和FERET六个数据库进行比较研究的结果表明,Gabor小波相位特征对光照有较高的鲁棒性,在光照变化明显的Yale和YaleBE数据库识别效果最好,而Gabor小波幅值加相位特征具有表情和时间变化的鲁棒性,在FERET的fb、dup1、dup2测试集上获得了较高的识别率。

未知状况下光伏发电系统运行状态评估方法

针对在先验知识较少的状况下对大规模光伏发电系统的运行状态评估极为困难的问题,建造了新一代太阳能电站。首先对其在不同的工作环境下产生的多维监测数据进行主成分分析(PCA)降维;然后使用层次聚类分析,评估光伏电站运行状态。实验表明:该方法有效解决了在先验知识缺乏情况下对光伏电站的运行状态评估,具有重要的理论和应用价值。

一种改进的交通标志图像识别算法

交通标志识别(TSR)系统是智能交通系统的重要研究方向。道路交通环境复杂、交通标志数据库规模庞大等因素导致在设计TSR系统可行性方案时必须考虑计算复杂度和识别率。提出了一种高效且快速的基于改进主成分分析(PCA)法和极限学习机(ELM)的TSR算法,被称为PCA-HOG。该算法首先提取交通标志数据库中每个交通标志的梯度方向直方图(HOG)特征,利用改进PCA算法对提取出的HOG特征进行降维处理,之后利用降维后的HOG特征进行ELM模型训练,利用经过训练的ELM模型识别测试图片。实验结果表明,基于PCAHOG和ELM模型的交通标志识别算法获得的计算复杂度低,图像识别率可达97.69%。

基于CNN多层特征加权融合的闭环检测算法

针对深度学习用于闭环检测中存在空间细节特征丢失的问题,提出基于卷积神经网络(CNN)多层特征加权融合(CNN-F)的闭环检测算法.首先,采用预训练的CNN模型作为特征提取器,从网络中提取输入图像的浅层几何特征和深层语义特征;然后,调整特征图数据进行加权融合,将融合的特征图进行主成分分析(PCA)降维处理后,计算相似性得分用于闭环检测;最后,将算法在数据集New College和City Centre上进行测试.实验结果表明:CNN-F可以有效改善图像特征描述效果,相比于直接使用CNN的闭环检测算法,该算法有更好的准确性和鲁棒性.