基于熵相关系数的关联性自动判别方法——COCA

数据库自管理、自调优中查询计划的自动优化是目前的关注热点。为保证优化器估值精度,用统计学方法,给出了一种基于熵相关系数的对字段关联性的自动判别的新算法———COCA。该算法有下列特点:(1)限制少,没有卡方检验的频数限制,卡方检验只有在列联表中至少有80%的格子频数大于5的情况下才可信;(2)结果多,卡方检验(CORDS)只判断字段之间是否有关联,新方法可计算字段之间双向的关联程度。实验表明,新方法更坚固,产生更多的统计信息,可以支持后面更高效、准确地建立直方图。

变分框架下多尺度熵相关优化的模态分解在故障诊断中的应用

针对变分框架下,一种新的模态分解——变分模态分解(Variational Mode Decomposition,VMD)的最优模态分量选择和关键参数辨识问题,借鉴折半查找的思想,提出应用多尺度熵相关系数和频域相关系数来改进VMD的上述关键环节,并通过轴承故障信号仿真研究其频域分解的数据特点,揭示其滤波本质;轴承故障信号仿真及工程应用的结果表明,相对于经验模态分解(Empirical Mode Decomposition,EMD)和总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),改进后的VMD(IVMD)去噪效果更为明显,是一种有效的自适应频域模态分解方法,可更为准确地提取出微弱特征频率信息,实现轴承故障的正确识别。

计及历史数据熵关联信息挖掘的短期风电功率预测

对风电功率历史数据进行关联信息挖掘,将有助于提高短期风电功率预测的准确度和计算效率。为解决风电功率预测模型的输入、输出变量的相关性冗余问题,尝试采用了一种基于信息熵和互信息的熵相关系数指标,旨在量化评估不同历史日风电样本与待预测日参考样本间的复杂非线性映射关系,并与线性相关系数、秩相关系数、欧氏距离指标进行了对比研究。同时,设计了一种BP神经网络改进模型,通过亲密样本筛选、隐含层结构寻优、网络权重赋初值等环节,克服了传统预测模型的训练数据冗余度大、收敛速度慢问题,提高了预测模型的泛化能力和计算效率。对某风电场实测数据的算例分析表明,所提出的方法在改善短期风电功率预测性能方面具有应用可行性。

高鲁棒的实时扑克字符识别方法研究

为提高智能洗牌机在光照、噪声干扰条件下的扑克点数识别的鲁棒性,提出了一种高鲁棒的字符识别方法。首先,利用维纳滤波复原图像局部和全局交互的二值化方法,保留光照不均匀图像完整的字符笔画与轮廓,去除图像背景噪声。其次,利用字符图像的统计信息,分析了可靠的Gabor滤波器组参数初始化方法,获得了较好的字符笔画特征。最后,对变换的笔画特征设计了改进的分类器,极大地提高了识别精度。采用2种不同图案的扑克,-30°～30°水平倾角的扑克图像进行测试,在日照无附加光源条件下,字符识别正确率达到97.6%,满足日常应用要求;在增强40%、降低40%光照强度加入40%高斯分布噪声的条件下的实验结果表明,该方法有较好的鲁棒性。