基于无限学生t混合模型聚类的机械故障预警方法

往复式压缩机、柴油机等复杂机械的振动信号往往呈现较强的非平稳特性,导致传统单特征门限报警法的报警准确率较低。针对该问题,提出一种基于无限学生t混合模型(infinite student’s t-mixture model,iSMM)聚类的机械故障预警方法:首先,通过提取机械振动信号特征构建高维特征空间,并采用iSMM对其进行建模,以描述机械设备的状态;其次,利用基于匹配的KL散度近似算法计算机械设备在历史正常状态和观测状态下的模型间距离;最后,将该距离与基于3σ准则自学习出的报警阈值进行比较,实现故障预警。利用往复式压缩机故障案例对所提方法进行验证,结果表明本文方法较单特征门限报警法报警准确率高且时效性好,可有效地对复杂机械进行故障预警。

自适应空间约束融入混合模型的遥感图像分割

为了降低图像噪声的影响并提高遥感图像分割精度,提出了一种自适应空间约束融入混合模型的遥感图像分割算法。考虑到学生t分布具有重尾特性比高斯分布更具有鲁棒性,利用学生t混合模型(Student’s-t Mixture Model, SMM)建模像素光谱测度概率分布。为了避免图像噪声对分割结果的影响,基于马尔可夫随机场利用局部像素类属概率定义组份权重,将像素空间相关性融入SMM,进而构建出空间约束图像分割模型。为了实现自适应平滑系数的模型参数求解,采用梯度下降方法求解分割模型。采用本文算法对添加噪声的遥感图像进行分割实验,结果表明,所提算法可有效降低图像噪声的影响,同时可准确分割高分辨率遥感图像。

基于差分曲率分组混合模型的脑部MRI图像超分辨重建

核磁共振成像(magnetic resonance imaging,MRI)能够提供丰富的病理信息,在脑损伤的诊断和治疗中具有重要意义,受采样时间和现有医疗设备的限制,临床上很难获得高分辨率的MRI图像.为此,提出一种基于差分曲率分组混合模型的超分辨重建方法.首先在梯度特征提取的基础上引入差分曲率算法,进一步检测图像的边缘、斜坡等特征结构,并将特征块分为平滑区域、纹理区域和边缘区域3组;然后基于学生t分布混合模型分别学习3组特征区域的模型参数;最后选取多个似然概率较大的子分布共同重建高分辨率图像块.在癌症成像档案库数据集上的实验结果表明,在×2,×3和×4超分辨任务下,所提方法的平均峰值信噪比分别为41.36 dB,35.01 dB和31.32 dB,平均结构相似度分别为0.9848,0.9415和0.8795;与现有的超分辨重建方法相比,该方法重建的MRI图像纹理细节更丰富、边缘更清晰,并且重建时间更短.

基于贝叶斯学生t分布混合的稳健点集匹配

针对点集匹配中异常值的干扰问题,提出了一种基于贝叶斯学生t分布混合模型(SMM)的稳健仿射点集匹配方法。在贝叶斯框架下,该算法将点集匹配问题模型化为利用SMM进行概率密度估计的问题。通过引入模型参数的近似变分后验分布,目标函数转化为最大化完全数据对数似然的变分下界,利用变分贝叶斯期望最大化(VBEM)算法迭代估计模型参数的变分后验分布。对于学生t分布的自由度参数,通过最大化完全数据的对数似然进行迭代更新,并利用斯特林公式近似计算。通过模拟点集和光学遥感图像的配准实验,验证了该方法的有效性。

基于t分布混合模型改进的路面裂缝图像分割方法

为提高路面裂缝图像分割的准确性与鲁棒性,以学生t分布混合模型(Student\s t-distribution Mixture Model,TMM)代替传统高斯混合模型(Gaussian Mixture Model,GMM),提出一种基于学生t分布混合模型的路面裂缝图像分割方法。所提出方法首先利用K-Means算法来进行初次图像分割。为克服K-Means算法的缺点,以烟花算法(Fireworks Algorithm,FA)运行结果作为K-Means算法初始聚类中心。然后,运行K-Means算法进行初次分割,以此结果作为TMM参数求解的初始值,执行最大期望算法(Expectation-Maximization algorithm,EM),通过交替运行E步和M步,获得模型最终参数值,借助于贝叶斯公式,完成最终图像分割。最后,通过仿真图像和实际图像验证,结果表明该方法分割精度更高、稳定性更好。

基于改进t分布混合模型的路面裂缝图像分割方法研究

公路投入运行后,根据车流量以及车型的不同,随时间的发展会产生各种损害,为及时了解掌握公路健康状态,需对其进行监测。路面裂缝是一个重要的监测指标,根据裂缝的类型,可以判断成因并采取相应的补救措施。使用计算机技术进行裂缝检测具有高效、非接触、精度高等优点,常用的是图像分割技术。为增加图像分割的准确性同时提高其抗噪性,首先,利用学生t分布本身固有的特性以及与柯西分布、高斯分布的关系来改进群智能花粉算法。其次,利用该改进后的花粉算法来优化K-means聚类。最后,根据裂缝图像的特点,在模型采用方面,通过对常用概率模型特征的分析,选用t分布而不是高斯模型来构建有限混合模型,以此为基础,提出更适应于公路裂缝图像的分割方法。该方法在局部寻优以及全局寻优方面都有较好的表现,用来快速求解模型参数初始状态值。参数求解采用常用的EM算法,最终实现图像分割。试验部分构造了软硬件环境以验证本研究所提方法的性能,试验数据图像主要来自于人工仿真合成图像以及道路养护人员拍摄到的实际路面裂缝图像。算法运行结果也表明了本改进方法的正确性,本算法分割结果图像具有更高的精度,同时抗噪性更强,具有一定的应用价值。

多时间尺度下光伏功率波动特性概率分布研究

基于武汉地区分布式光伏电站大量实测数据,运用广义高斯分布和有限学生t混合模型等多种概率模型对不同时间尺度下光伏功率波动特性建模,发现在10～15min时间尺度下广义高斯分布最适用于描述分布式光伏功率变化的概率分布,而在30～60min时间尺度下高斯混合模型拟合效果最好。在此基础上,建立了逐时光伏出力波动与辐射量波动模型,用于定量分析光伏电站能量输出波动,可有效降低光伏功率波动随机性和不确定性对电力系统运行造成的影响,有利于提高光伏并网渗透率。

一种利用花粉算法优化的遥感图像分割方法

为提高遥感图像分割的准确性与抗噪性,以学生t分布混合模型为基础,结合K-means与花粉算法的特点,将K-means算法局部寻优能力强以及花粉算法全局寻优能力强的优点相结合,提出一种基于K-means的学生t分布混合模型,用于遥感图像分割。该方法中,根据学生t分布与高斯分布以及柯西分布比较接近的特点,对花粉算法的执行过程进行改进。将K-means算法与改进后的花粉算法结合以提高聚类效果,从而快速确定混合模型参数初始值。混合模型最终参数的求解主要采用EM算法,以提高算法最终的图像分割效果。仿真图像和实际图像实验结果显示,该研究得到了比对比方法分割精度更高、稳定性更好的分割结果。

基于聚类改进的河流水体遥感图像处理算法

采用合适的图像分割技术及数据模型,是准确解译卫星遥感河流影像的关键环节。针对当前存在的技术问题,从提高遥感河流图像分割的准确性与抗噪性出发,提出了一种基于烟花优化K-Means聚类与学生t分布混合模型(Student′s t-distribution Mixture Model,TMM)的遥感图像分割新算法。该算法首先采用烟花算法(Fireworks Algorithm,FA)来求解K-Means聚类的初始聚类中心,提高了聚类效果,可获得遥感图像的初步分割结果。然后,以初步分割结果作为初始值,建立学生t分布混合模型(TMM),采用EM算法确定参数最终值,并借助Bayesian公式完成图像二次分割。最后进行了算例验证,验证结果显示新方法在分割精度和稳定性方面,都较现有算法表现更优,可更为有效地实现遥感河流影像的解译。