无人自主系统能力边界参数自适应判别方法

为有效应对仿真测试面临的维度灾难问题,降低传统全参数空间遍历中所需的仿真次数,需要获取针对性的仿真数据以准确反映实验数据建模特征,以较少的仿真次数获得信息量丰富且代表原始数据特征的样本。提出一种面向无人自主系统能力边界参数自适应判别的数字化仿真测试模型,采用多权重结构的佳点集进行初始构建,结合自适应核函数边界点判别算法,通过高斯过程回归对模型进行迭代优化,自适应地判别无人自主系统的能力边界。实验结果表明:该方法能够降低建模所需数据量,提高自适应参数边界判别的效率,为提升智能无人系统试验的效率提供了高效途径。

基于边界辅助判别的滚动轴承故障特征增强及诊断方法

滚动轴承作为机械设备重要部件,对保障设备安全稳定运行具有重要意义。针对实际诊断中的滚动轴承故障数据不平衡问题,提出了一种基于边界辅助判别的辅助分类生成对抗网络模型(BD-ACGAN)。首先,设计了一种可用于提取故障样本边界细节特征的边界辅助判别器,以引导生成器生成更真实的样本,并采用该生成样本解决了数据不平衡的问题;其次,采用了自适应权重损失模块,动态调整了损失权重,使该模型更加关注重要的特征信息,从而提高了该模型的生成质量和特征表达能力;利用生成样本和真实样本数据对BD-ACGAN模型进行了增强训练,提高了该模型的泛化能力和诊断能力;最后,进行了消融实验及对照实验,对BD-ACGAN模型的特征增强能力和诊断效果进行了验证,分别采用美国凯斯西储大学和西安交通大学滚动轴承数据集对模型进行了实验验证。研究结果表明:该BD-ACGAN模型能够有效利用故障样本的边界特征解决数据不平衡问题,并且故障诊断精确度为98.79%,优于其他对照模型,为滚动轴承故障诊断提供了一种新的方法。

基于边界判别投影的数据降维

为了提取具有较好判别性能的低维特征,提出了一种新的有监督的线性降维算法——边界判别投影,即,最小化同类样本间的最大距离,最大化异类样本间的最小距离,同时保持数据流形的几何形状.与经典的基于边界定义的算法相比,边界判别投影可以较好地保持数据流形的几何结构和判别结构等全局特性,可避免小样本问题,具有较低的计算复杂度,可应用于超高维的大数据降维.人脸数据集上的实验结果表明,边界判别分析是一种有效的降维算法,可应用于大数据上的特征提取.

基于改进边界判别噪声检测的脉冲噪声滤波方法

边界判别噪声检测(BDND)算法对不平衡椒盐噪声和随机值噪声检测效果不佳。针对该问题,提出一种基于改进BDND的脉冲噪声滤波方法。修改BDND分群不等式,将边界值b2置于高灰度群中,利用BDND第一阶段检测图像的所有像素点,生成噪声的直方图向量,通过比较相邻噪声数值的比值与给定阈值的关系,重新定义上下边界值,对中心像素做进一步检测。实验结果表明,该方法的检测性能明显优于BDND,漏检率和误检率大幅降低,并且能够在消除噪声的同时更好地保护图像的细节信息。

局部差异正则化的边界判别投影

高维是大数据的一个重要特点,数据降维是处理高维数据的有效手段.数据降维算法的设计,关键在于保持原始高维数据集中蕴含的判别信息和几何结构,使得生成的低维特征表示既能刻画原始高维数据的分布形状,又能以更低的计算成本服务于后续的分类任务.边界判别投影算法是一种有监督的线性降维算法,通过最大化不同类别样本点之间的最小距离和最小化同类样本点之间的最大距离,来获取最优判别投影方向.为了保持样本点的几何结构,提高边界判别投影算法的泛化能力,在边界判别投影模型中融入了样本点的局部差异性信息.通过最大化投影之后样本点之间的局部差异来保持数据集的多样性,即在数据降维过程中,局部邻域内相距较远的样本点在投影之后应该保持较远的距离,从而防止在投影过程中原始数据集中蕴含的相似关系和拓扑结构发生扭曲.在图嵌入框架下,数据集的相似信息、判别信息和局部差异信息可以采用正则化的迹差准则进行数据建模.在优化求解时,为了降低散度矩阵特征分解的时间复杂度,通过对数据矩阵进行QR分解来加速计算.人脸图像数据集上的分类实验验证了局部差异正则化的边界判别投影算法在判别特征提取方面的有效性.

基于边界判别多流形分析的故障数据集降维方法

针对现有多流形学习方法未考虑流形间边界信息而导致降维后数据不易于分类的问题,提出一种新的边界判别多流形分析(margin discriminant multi-manifold analysis,MDMA)方法。该方法同时考虑数据的类内相似性、类间差异性、同类流形结构和异类流形结构,并且为避免降维过程中出现小样本问题,在构造目标函数时将这4点归结为指数化迹商优化结构。通过两个转子系统试验数据集进行验证。结果表明,与其他几种典型降维方法对比,该方法能更有效地提取出蕴含在数据中的判别信息,在故障辨识中表现出更好的分类性能。

球边界偏移判别结合空间分布聚类的故障诊断

针对目前支持向量机和支持向量数据描述多分类方法,无法有效处理新类别样本的难题,提出一种自适应的故障诊断方法。首先,在支持向量数据描述多分类器中,增加一种新的球边界偏移判别条件,使诊断模型具有识别新的未知样本的能力;其次,根据未知样本的空间分布情况,进行样本的聚类学习,建立新的故障类别描述域,完成诊断模型的自更新。以混凝土泵车柱塞泵为研究对象进行仿真实验,结果表明:与传统多分类方法相比,该方法有更好的识别精度,特别是测试样本包含未知类别故障时,识别精度仍大于95%,显示了更好的适应能力。

边界判别投影在人脸识别上的应用

针对最大边界准则和边界Fisher分析在人脸特征提取过程中的不足,提出一种边界判别投影降维算法,利用类样本均值与其同类边界样本定义类内离散度,利用类样本均值与其异类边界样本定义类间离散度。同时结合最大边界准则解决类内离散度矩阵奇异的问题。与经典的最大边界准则和边界Fisher分析算法相比,可以同时考虑样本的全局结构和局部结构,避免小样本问题。在人脸数据集上的实验表明,边界判别投影是一种有效的特征提取算法,提高了人脸识别准确率。

复合地形场景下的米波雷达超分辨测高方法

文中重点研究一种典型“平坦+斜坡”复合地形场景下超分辨测高问题。根据阵列反射径回波遮蔽情况,将回波场景分成无遮蔽、全遮蔽和部分遮蔽等三种情况。传统的基于最大似然超分辨测高方法,无法适用于阵列反射径回波部分被遮蔽的场景。文中设计了一种自适应最大似然测高方法。首先,通过上下阵子阵分割,并行构建回波模型,采用模型匹配度预估反射点遮蔽边界大致位置;然后,基于阵列通道数据幅度差异,判别反射点遮蔽边界准备位置;最后,构建新的回波模型估计目标高度。仿真结果表明,该方法能够有效实现复合地形场景下米波雷达超分辨测高。

一种自适应邻域选择半监督判别分析算法

为克服边界Fisher判别分析(MFA)只利用少量有标记样本和构建邻域不能充分反映流形学习对邻域要求的缺点,提出一种基于局部线性结构的自适应邻域选择半监督判别分析的算法。采用自适应算法扩大或者缩小近邻系数k来构建邻域以保持局部线性结构。MFA通过少量有类别标签样本进行降维的同时UDP对大量无标签样本进行学习,以半监督的方法对高维人脸数据进行维数约减。最后,在ORL和YALE人脸数据库通过实验结果验证了该算法的有效性。

现代控制理论在假肢技术中的应用

采用计算机模式识别分析残疾人的肌电动作信号，以获得大脑指挥手动作的各种肌电信号特征．利用模糊控制技术实现肌电假手的控制电路，并制作出能实际应用的控制电路．

基于核正交半监督鉴别分析的人脸识别算法

针对人脸识别中的非线性特征提取和有标记样本不足问题,提出了在核空间具有正交性半监督鉴别矢量的计算方法。算法利用核函数将人脸数据映射到高维非线性空间,在该空间采用边界Fisher判别分析(Marginal Fisher Analysis,MFA)算法将少量有类别标签样本进行降维,同时采用无监督鉴别投影(Unsupervised Discriminant Projection,UDP)对大量无标签样本进行学习,以半监督的方法构造算法的目标函数,在特征值求解时以正交方式找出最优投影向量,进行人脸识别。通过实验,在ORL和YALE人脸数据库上验证了该算法的有效性。

基于BDND的脊波域井下视频图像改进中值滤波算法

井下视频图像总体上色调偏暗,目标信息对比度不高,且由于井下存在大量粉尘,导致图像中存在高密度的随机噪声,增加了图像判读与分析的困难。为此,首先对井下视频图像进行多尺度脊波分解,对分解得到的低频系数和高频系数分别进行系数重构,得到井下视频图像的背景图像和细节图像;其次,根据背景图像灰度直方图的分布特征,采用高斯分布函数进行规定化处理;然后,在分析中值滤波(Median filtering,MF)特征的基础上,采用边界判别噪声检测方法(Boundary discrimination noise detection,BDND)对其进行改进,提出了一种基于BDND的改进中值滤波算法并用于处理细节图像,该算法根据细节图像局部区域灰度值的分布特征,设定2个自适应阈值t_1和t_2,将经过2次噪声检测后处于[t_1,t_2]区间内的灰度值对应的像素点标记为非噪声点,对其余像素点分别进行中值滤波;最后,对于直方图规定化处理后的背景图像和滤波后的细节图像进行叠加。采用C++语言对所提算法进行编程试验,结果表明,该算法对于不同模糊程度的井下视频图像均有较好的滤波效果,其性能相对于中值滤波、加权中值滤波、开关中值滤波等同类算法而言有了一定程度的提升。

基于脊波变换域BDND的农作物图像改进中值滤波算法

实地获取农作物图像对于农作物长势以及病虫害进行监测具有重要作用,对此,结合脊波变换这一多尺度图像分析方法,在图像脊波变换域引入了边界判别噪声检测方法(Boundary discrimination noise detection,BDND),对经典中值滤波算法进行了改进,提出了一种基于脊波变换域BDND改进的中值滤波算法。该方法首先对图像进行多尺度脊波变换,获得了低频和高频分解图像,考虑到低频图像的视觉特征,采用同态滤波方法进行增强处理;然后对高频图像结合区域灰度值分布特征,设定2个自适应阈值,将经过2次噪声检测后处于该2个阈值间的像素点标记为非噪声点,对其余像素点分别进行中值滤波;最后,对视觉效果改善的低频图像和滤波后的高频图像进行逆脊波变换。分别采用C++语言对中值滤波、脊波域阈值去噪以及本文算法进行编程试验。结果表明,本文算法对于农作物图像的滤波效果稍优于其余2种方法。

基于MDP-ISAP的ENN分类算法及其应用

针对可拓神经网络(ENN)对复杂样本数据分类效果较差的问题,提出一种融合边界判别投影(MDP)和改进半监督近邻传播(ISAP)的新型ENN分类算法。首先,使用边界判别投影对原始数据进行降维,提取关键特征。其次,在低维特征空间进行聚类分析,利用近邻传播聚类筛选出有效训练样本,并通过ISAP聚类寻优获得样本类中心,作为初始类中心,在此基础上构建新的分类器。最后,将其应用于复杂化工过程中高密度聚乙烯(HDPE)的熔融指数预测,取得了较好效果。

带故障样本的弹性双阈值SVDD在线故障诊断算法及其应用

提出一种带故障样本的弹性双阈值SVDD在线故障诊断算法,该算法从故障样本使用、实时样本划分以及训练样本更新三个方面对传统在线SVDD算法进行优化。一是在SVDD训练阶段加入故障样本,提高数据描述能力和诊断精度;二是提出球边界偏移判别准则,形成可变的双层边界将超球空间分成三个区域,同时增大对故障样本的敏感性,降低漏检风险;三是引入滑动窗机制批量检测更新样本,减少计算量,并通过调节落入中间区域的样本比例控制虚警率。对离心压缩机喘振过程信号检测的试验结果表明,该算法能够自适应更新模型和阈值,并在极少虚警和漏检的情况下实现压缩机喘振故障的准确高效诊断。

基于MDP-SVM的过程多类型故障诊断

针对工业过程多类型故障诊断率低的问题,提出一种边界判别投影(MDP)与支持向量机(SVM)相融合(MDP-SVM)的方法。边界判别投影常用于人脸识别领域,其可以将多类数据降维,获得不同类别清晰的边界。与主成分分析(PCA)和局部线性嵌入(LLE)算法相比,考虑了样本的局部结构和全局结构,避免了小样本问题。降维的数据通过SVM分类器进行类别判断,利用粒子群(PSO)算法得到最佳SVM分类器,实现故障诊断。仿真结果表明,相对于传统方法,所提方法故障识别准确率达到95.379%,而且可同时识别出多类故障。