基于小样本分类的光谱图像关联特征降维挖掘

光谱图像包含较多的空间样本信息,混合像元问题严重,同物异谱间影响明显,相邻波段的强相关性也导致图像高维特征易出现冗余,直接影响图像关联特征挖掘效果。为此,提出基于小样本分类的光谱图像关联特征挖掘方法。采用蒙特卡罗算法对光谱图像降维,并结合稀疏与低秩矩阵分解方法完成光谱图像去噪;基于此,建立光谱图像灰度共生矩阵,提取光谱图像角二阶矩、相关性、对比度、熵、相异性以及逆差矩光谱关联特征;通过支持向量机对获取的关联特征完成光谱图像的小样本分类,完成光谱图像的关联特征挖掘。实验结果表明,研究方法的光谱图像特征挖掘错误率低于2%,同类特征可显著聚类成团,且图像去噪效果明显。

煤与瓦斯突出信号挖掘方法研究

针对传统关联聚类算法因难以捕捉异常信号非线性随机变化而造成采煤作业中特征信号检测不准确的问题,提出一种基于特征关联挖掘算法的煤与瓦斯突出信号挖掘方法。该方法利用小波变换提取煤矿井下作业区状态信号特征,为煤与瓦斯突出信号挖掘提供依据;计算煤矿井下作业区状态信号特征之间的关联度,实现煤与瓦斯突出特征信号挖掘。实验结果表明,该方法可提高煤与瓦斯突出信号挖掘的准确性。

基于MLP神经网络的海上固井泵故障诊断方法

海上固井泵受到高温高盐环境因素影响,导致故障发生率较高,为了提高海上固井泵的故障检测诊断能力,提出基于MLP神经网络的海上固井泵故障诊断方法。构建海上固井泵的故障传感信息采集模型,采用相关性参数分析方法,进行海上固井泵故障数据特征融合和自适应参数解析,构建海上固井泵故障远程协作诊断的特征分析和数据分析模型,结合海上固井泵故障参数的多元耦合分析结果,通过关联规则挖掘的方法分析海上固井泵的故障特征量,采用MLP神经网络学习方法,实现海上固井泵振动传感信息融合及滤波成分分析,结合关联特征挖掘和模糊信息聚类,建立海上固井泵的故障类别参数融合和信息聚类模型,通过对海上固井泵的振动传感异常特征分析,采用MLP神经网络实现对海上固井泵的故障类型化参数跟踪识别,根据信息聚类结果,实现故障分类检测和诊断。仿真结果表明,采用该方法进行海上固井泵故障诊断的准确率较高,达到了0.97,时间开销平均为3.73 s,提高了海上固井泵的工况稳定性。