基于无信息变量和偏最小二乘投影分析的高光谱散射图像最优波段选择

提出了一种无信息变量消除和偏最小二乘投影分析相结合的苹果高光谱散射图像最优波段选择方法.经该算法提取后的波段降为全谱的26%,将选择后的波段作为输入变量建立了苹果硬度的偏最小二乘预测模型.预测均方根误差由6.00N降为5.73N,相关系数也有所提高,并与遗传算法作了比较.结果表明,该算法能有效消除原光谱矩阵中冗余的信息,且不存在遗传算法中的参量选择随机性等缺点.该算法为高光谱散射图像最优波段选择提供了一个理想的方法.

基于自适应CEEMD的非平稳信号分析方法

由于标准的互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理模态混叠问题时缺乏自适应性,其本质是分解信号获得的本征模态函数(intrinsic mode function,简称IMF)之间产生了一定的信息耦合现象,使IMF分量不能正确地反映信号的真实成分。因此,提出了在使用CEEMD分解信号的过程中嵌入网格搜索算法(grid search algorithm,简称GSA),以最小二乘互信息(least squares mutual information,简称LSMI)为网格搜索算法的适应度函数,构造一个自适应CEEMD方法。该算法通过自适应地搜索最佳的白噪声幅值,修正信号分解过程中产生的少量的耦合频率成分,确保每个IMF分量之间信息的正交性,以进一步抑制模态混叠问题。最后,通过仿真实验验证了该方法的有效性,并将该方法用于提取滚动轴承微故障的特征频率。实验结果表明,该算法在滚动轴承的微故障特征提取应用中具有更少的迭代数、IMF分量以及相对更小的计算量。

基于InfoLSGAN和AC算法的滚动轴承剩余寿命预测

为解决小样本和噪声干扰下滚动轴承剩余寿命(RUL)预测准确率低的问题,提出一种基于信息最小二乘生成对抗网络(information least squares generative adversarial network,InfoLSGAN)和行动者-评论家(actor-critic,AC)算法的滚动轴承剩余寿命预测方法。将堆叠降噪自动编码器、信息生成对抗网络和最小二乘生成对抗网络相结合,构建InfoLSGAN,自动地从噪声数据中提取可解释的鲁棒特征,解决梯度消失问题;采用基于AC的训练算法训练InfoLSGAN,减少训练时间,加快收敛速度;根据训练后的InfoLSGAN,利用softmax分类器预测测试样本中滚动轴承的剩余寿命。通过滚动轴承加速疲劳寿命试验验证该方法的有效性。试验结果证明,当信噪比等于0时,该方法对滚动轴承测试样本的寿命预测准确率至少提高了10%。在小样本情况下,滚动轴承剩余寿命预测的平均准确率达95.84%。

基于无人机多光谱遥感的冬小麦叶面积指数反演

以获取的冬小麦无人机多光谱影像为数据源,充分利用多光谱传感器的红边通道对传统植被指数进行改进,通过灰色关联度分析后基于多个植被指数建模的方法对冬小麦的叶面积指数(leaf area index,LAI)进行反演精度对比。结果显示:使用基于多植被指数的随机森林(RF)比赤池信息量准则-偏最小二乘法(AIC-PLS)反演精度高。得到的LAI反演值和真实值之间的R^2=0.822,RMSE=1.218。研究证明通过随机森林预测具有更好的拟合效果,对冬小麦的LAI反演有较好的适用性。