IGMM结合区间统计的机械故障预警方法研究

针对机械工况恶劣、结构复杂,单特征门限报警的故障预警方法对其预警常出现误、漏报警事件的现状,提出一种无限高斯混合模型(IGMM,Infinite Gaussian Mixture Model)结合区间统计的机械故障预警方法。首先,将机械振动信号映射为高维特征空间,对其所在空间进行区间划分。然后,利用IGMM估计出机械健康状态下高维特征空间在各区间频数的分布;利用累计计数方法统计出机械在实时状态下高维特征空间在各区间频数的分布。最后,对以上两个频数分布计算距离并将其与自学习得出的预警阈值作比较,实现故障预警。验证结果表明,提出方法的预警准确率较高且时效性较好。

非参数贝叶斯分类字典学习的MRI重建方法

为提高磁共振图像的重构质量,提出一种基于非参数贝叶斯分类字典学习的重建方法。通过差分变换,在梯度域中利用无限高斯混合模型将图像块自动聚类,对具有相似结构的图像块进行分类训练字典。采用非参数贝叶斯字典学习方法训练字典,克服传统字典学习对参数选择的依赖性。实验结果表明,与目前几种典型的磁共振图像重建方法相比,该方法的峰值信噪比平均提高2.9 dB;在同一噪声水平下,该方法抗噪性能更强,重构质量更优。

面向监控视频的行为模式挖掘

行为模式挖掘技术是监控视频语义分析的重要组成,由于先验知识的缺乏与特征维数约束,难以准确定义参数化挖掘模型的结构复杂度,通过非参数化的无限高斯混合聚类运动特征得到原子行为模式,并估计其持续时间分布,使用局部特征维测试验证了挖掘模型的运动相似性假设。结果表明所得到的行为模式集准确刻画了场景的潜在运动语义,而通过行为中存在的时间多形态分布进一步发现了隐藏运动知识。