不均衡小样本下多特征优化选择的生命体触电故障识别方法

针对现有的剩余电流保护装置无法有效识别触电事故的问题,该文提出了一种不均衡小样本下多特征优化选择的生命体触电故障识别方法。首先通过变分自编码器(VAE)对实验收集到的生命体触电小样本数据进行增殖以实现正负样本均衡;然后在时域上提取能够反映波形动态变化特性的23个特征量,并利用高斯核Fisher判别分析(GKFDA)与最大信息系数(MIC)法从中选择最优表达特征组;最后,提出基于遗忘因子的在线顺序极限学习机(FOS-ELM)算法实现生命体触电行为的鉴别。实验结果表明,所提方法利用不均衡小样本触电数据集就可以训练出一个优秀的分类模型,诊断准确率可达98.75%,诊断时间仅为1.33 ms。其优良的性能结合在线增量式学习分类器设计,使得模型具备新知识学习能力,具有极好的工程应用前景。

基于特征优化的Census立体匹配方法

针对传统Census立体匹配算法在弱纹理和边缘区域匹配精度较差的问题,提出一种基于特征信息优化的代价计算方法,在窗口中融入更多的差异信息以获得更精确的像素视差值。随后采用多方向路径独立的线扫描优化计算聚合代价以进一步提高匹配精度。为获得更好的遮挡区域匹配效果,提出一种基于差异填充的视差优化方法,对遮挡像素进行识别和视差填充。为提高算法的效率,提出一种基于降采样策略的算法运行模式,通过缩小视差搜索范围以减少硬件负荷。最后以五组标准图像为输入进行改进Census算法性能检验,结果显示,平均误匹配率为6.12%,较改进前降低了2.45%,算法效率平均提升17.7%。

基于特征优化和BSO-RBF神经网络的NO_(x)浓度预测模型

针对火力发电厂中燃烧系统运行工况复杂、迟延较大,导致选择性催化还原(SCR)烟气脱硝系统中入口NOx质量浓度难以准确测量的问题,提出了一种基于特征优化和径向基函数(radial basis function,RBF)神经网络的预测模型。将经过特征优化后的变量作为模型的最终输入变量,并使用天牛群优化(beetle swarm optimization,BSO)算法对神经网络超参数进行寻优,建立入口NO_(x)浓度预测模型。结果表明,经过特征优化后的变量放入模型后,其预测结果要优于原始变量:经特征优化及时延处理后的模型其S_(RMSE)减少了44.5%,R^(2)增加了2.3%,经过BSO确定后的神经网络超参数使得模型精度也得到了进一步提升。

基于区域特征优化及边缘增强的多聚焦图像融合

针对多聚焦图像融合中存在的聚焦信息缺失、边缘特征表达不充分的问题,提出了一种基于聚焦区域特征优化及边缘增强的多聚焦图像融合方法。首先,提出了一种四流向的聚焦特征增强网络,在图像编码过程中实现聚焦特征的增强与补全;其次,提出了一种新的基于空间频率(NSF)的聚焦区域提取策略,实现对聚焦区域特征的高效提取;最后,提出了一种边缘特征增强模块,通过计算图像边缘梯度,实现对目标区域的边缘信息增强。在Lytro数据集与MFFW数据集中与8种融合方法进行定性与定量对比。实验结果表明,该融合方法较好地解决了多聚焦融合图像中聚焦特征表达不充分、纹理细节不完整和边缘模糊等问题,视觉效果显著。

基于特征优化和支持向量机的航空发动机气路故障诊断

针对现有数据驱动的航空发动机故障诊断算法易受飞行监控数据中冗余特征及噪声的干扰,不能及时修正监测数据中不平衡样本分布对模型泛化性能影响等问题,通过在支持向量机模型中引入特征增维和采用提取算法,提出基于特征优化和支持向量机的航空发动机气路故障诊断方法,并建立相应模型。将涡桨发动机及CFM56-7B发动机航后数据输入模型,分析与预测实际故障发生时刻,并将预测结果与真实结果进行比较,同时将其结果与采用随机森林等4种故障诊断方法所得结果进行对比验证。结果表明:特征优化算法的应用能显著缩短各类故障诊断方法运行时间20%以上;基于特征优化和支持向量机的故障诊断方法使预测准确率达99.8%;针对非平衡实测数据,特征优化算法和回归预测思想的引入能显著提高算法在不平衡数据集上的性能,与非回归算法相比故障检测率提高到91.67%。

基于颜色空间融合的电子鼻特征优化方法研究

为了提高光电子鼻的气体区分能力,对7种气体样本进行了检测和分类实验。将敏感阵列的响应图像从RGB颜色空间向其他6种典型的颜色空间进行了转换,并通过增L减R(L-R)搜索算法,在欧式距离样本可分性判据的基础上,从新生成的7种颜色空间中优选了18个颜色通道组成融合空间。主成分分析和欧式距离可分性判据对比表明,电子鼻在融合颜色空间的气体响应特征向量的类别可分性要显著优于其他颜色空间。

基于多层次特征优化的图像拼接篡改取证网络

随着数字化的普及,数字图像篡改现象日益普遍,给社会公正和诚信带来了巨大的挑战。针对目前图像拼接篡改取证网络中存在的篡改区域定位精度低的问题,本文提出一种基于多层次特征优化的图像拼接篡改取证网络。采用双流编-解码器结构,使用SoftPool池化方法减少编码器阶段边缘等重要特征的丢失;同时,将深、浅层的特征进行融合,并引入SE注意力机制进行重要特征筛选,使网络各层能够提取更优的篡改特征信息,更准确地定位图像篡改区域。实验结果表明,本文提出的取证网络在检测性能上优于当前主流的图像拼接篡改取证网络,能更准确地定位拼接图像的篡改区域。

基于特征优化和GAN的红外与可见光图像融合算法

针对红外与可见光融合图像存在纹理细节不丰富、对比度较低及目标信息损失等问题,提出了一种基于特征优化和生成对抗网络的图像融合算法。首先,设计一种自适应特征优化模块以增强原始图像纹理细节及对比度;然后,为使融合图像保留更多的多模态信息,将生成对抗网络引入到融合框架中。在生成器模型中,考虑到红外与可见光图像成像机理差异,构建了双支路特征提取网络,并设计多尺度密集连接模块以提取异源图像丰富的特征信息;其次,在融合层构造通道和空间注意力模型以增强局部特征之间联系,减小融合图像中目标信息损失;最后,为使融合结果尽可能保留可见光纹理细节的同时又能够较好突出红外目标,构造了双判别器网络结构。为验证所提算法优势,在TNO数据集上进行实验,并与6种经典融合算法进行主观和客观比较。实验结果表明,所提算法无论在主观还是客观评价上均具有明显优势,生成的融合图像纹理细节更为丰富、边缘及目标更加清晰且具有更好的对比度,客观评价指标信息熵、空间频率、相关熵、视觉保真度和梯度信息分别提高了16.11%、65.46%、7.96%、42.67%和33.24%。

基于特征优化与改进KNN的航空发动机故障诊断

为有效解决航空发动机气路故障诊断难题,建立了基于特征优化与改进KNN的航空发动机气路故障诊断模型。利用特征优化算法对发动机故障特征进行处理,包括特征增维与近邻成分分析算法;将特征优化后的特征输入改进KNN算法,建立基于特征优化与改进KNN算法的故障诊断模型;为验证所建立故障诊断模型的准确性,在四台CFM56-7FB发动机数据上进行实验验证,结果表明:基于特征优化与改进KNN算法的故障诊断模型的准确率可达98%以上,能够达到智能诊断的目的。

基于先进光谱融合技术-特征优化的复印纸无损识别

为实现对犯罪现场复印纸的快速、无损、准确分类识别,该文将先进光谱融合技术应用于犯罪现场复印纸的“来源地-厂家-品牌”三维特征刻画与识别。采用显微共聚焦拉曼光谱和傅里叶变换红外光谱技术采集了4个来源地(山东、河南、陕西、江苏)共200个样本的光谱数据信息。选择并比较了希尔伯特变化和去卷积等预处理方法对模型区分能力的影响,借助主成分分析降维,并基于单一红外光谱数据集、拉曼光谱数据集和3种光谱融合数据集构建贝叶斯判别分类模型。通过对不同模型分类准确率的比较,选取了以全谱数据集为基础的初级融合作为复印纸三维特征分类的最佳模型,分别实现了来源地(96.0%)、厂家(100%)、品牌(92.3%)的准确区分,为其在法庭科学研究领域的应用提供了参考与借鉴。

基于mRMR特征优化算法的油耗预测建模研究

针对油耗预测建模过程中数据输入的冗余问题,提出一种基于最大相关最小冗余算法(Max-Relevance and Min-Redundancy, mRMR)与主成分分析方法相结合的冗余特征优化算法,进一步基于BP神经网络建立一种高速道路车辆油耗预测模型。模型的仿真检验结果表明,使用mRMR算法与主成分分析结合优化建模数据能较好地去除数据冗余性和保留原数据信息。模型能准确实现对高速路段运输车辆的燃油消耗预测,预测精度达94.77%,验证了模型的有效性和准确性。研究成果可为道路能源消耗监控与驾驶员水平评估提供参考依据。

基于多尺度熵特征优化算法的MCI早期诊断及敏感脑区分析

轻度认知障碍(MCI)是阿尔兹海默病诊疗的关键时期,迫切需要早发现,早干预。针对MCI早期诊断问题,特别是早期诊断的敏感脑区定位问题,提出一种基于多尺度熵的脑电信号特征提取优化算法,即多尺度熵特征优化算法。该算法通过构建多重尺度序列,并充分考虑各序列贡献程度,最大程度挖掘细节信息。共采集49名受试者临床脑电信号数据,其中实验组(MCI组)28名,正常对照组21名。对比分析实验组与对照组,MCI组16通道多尺度熵特征优化算法熵值均低于对照组,且前额叶、前颞叶以及中颞叶脑区具有显著性差异(P<0.01)。仅以此特征作为分类器输入特征,分析前额叶、前颞叶以及中颞叶3个脑区,其脑区诊断测试集识别率分别为83.33%、86.67%、73.33%。进一步,分析识别率最高的前颞叶两通道的AUC值分别为0.753与0.733。多尺度熵特征优化算法熵特征能够充分反应脑电信号变化,是可以作为MCI早期诊断的一种特征标记,前颞叶脑区可以为评估MCI患者脑认知功能状态的敏感脑区提供研究支持。

基于关键特征优化的电力系统短期负荷预测方法

短期电力负荷的准确预测是电力系统安全经济运行的重要条件。为了提高电力系统短期负荷预测的准确性,提出一种基于关键特征优化的电力系统短期负荷预测方法。首先,对影响电力系统短期负荷的气象特征、日类型特征和历史负荷特征的构建方法进行优化,为负荷预测模型提供更多先验知识;然后,考虑输入特征和输出预测向量的特点,构建结合卷积神经网络与全连接层的短期电力负荷预测模型;最后,通过算例验证基于关键特征优化的电力系统短期负荷预测方法在实际负荷预测任务中的效果。算例结果表明,对气象特征、日类型特征和历史负荷特征等关键特征的优化,均有利于提升电力系统短期负荷预测的准确性。

基于特征优化和ISSA-LSTM的脱硝系统入口NO_(x)浓度预测模型

针对电厂脱硝系统入口NO_(x)浓度受较多因素的影响波动较大,且CEMS检测仪表有很大迟延难以精准测量的问题,提出了一种基于随机森林算法(RF)和改进麻雀搜索算法(ISSA)优化长短时记忆神经网络(LSTM)的脱硝系统入口NO_(x)浓度预测模型。首先,通过机理和相关性分析确定与SCR入口NO_(x)质量浓度相关的初始辅助变量,并利用RF算法对辅助变量进行特征优化选择,然后通过互信息(MI)对各辅助变量与输出变量之间进行迟延估计并提取时序特征,并通过小波滤波对输入变量进行降噪处理,建立LSTM神经网络预测模型。利用ISSA算法确定LSTM模型的最优组合参数,最后与传统的LSSVM、RBF、BP模型的预测结果进行对比。实验结果证明,特征优化后的ISSA-LSTM神经网络预测模型的决定系数(R^(2))最大,均方根误差(RMSE)和平均绝对百分比误差(MAPE)最小,具备很强的拟合和泛化能力,可以精准预测脱硝系统入口氮氧化物的质量浓度。

基于Sentinel–2影像特征优化的于桥水库水生植被提取

水生植被分布情况、结构和演变趋势对湿地生态环境变具有重要的指示意义和科学研究价值。基于Sentinel-2遥感数据,综合应用光谱信息、水体植被指数、最佳指数法(Optimal Index Factory,OIF)计算的纹理特征,结合随机森林分类法,构建特征优化后的随机森林水生植被提取模型,对于桥水库进行水生植被提取。结果显示:该方法能有效的提取出水生植被,总体精度为93.22%,Kappa系数为0.91。进一步与最大似然和支持向量机(SVM)方法进行对比分析,结果表明本算法的总体精度分别提高了19.96%、8.53%,Kappa系数分别提高了0.25、0.11。基于水生植被全年提取结果,分析了于桥水库的水生植被年内变化,发现于桥水库水生植被在五月份最繁盛,随后逐渐消减,直至十月份基本消亡。实验表明:特征优化后的随机森林分类法在Sentinel-2影像水生植被提取中具有较好的适用性。

基于特征优化和Boosting算法的个人信用预测

随着互联网金融和电子支付业务的高速增长,由此引发的个人信用问题也呈现与日俱增的态势.个人信用预测本质上是不平衡的序列二分类问题,这类问题的数据样本规模大、维度高、数据分布极不平衡.为了高效区分申请者的信用情况,本文提出一种基于特征优化和集成学习的个人信用预测方法 (PL-SmoteBoost).该方法在Boosting集成框架下构建个人信用预测模型,首先利用Pearson相关系数对数据进行初始化分析,剔除冗余数据;通过Lasso选取部分特征来减少数据维度,降低高维风险;通过SMOTE过采样方法对降维数据的少数类进行线性插值,以解决类不平衡问题;最后为了验证算法有效性,以常用的处理二分类问题的算法作为对比方法,采用从Kaggle和微软开放数据库下载的高纬度不平衡数据集对算法进行测试,以AUC作为算法的评价指标,利用统计检验手段对实验结果进行分析.结果表明,相对于其他算法,本文提出的PL-SmoteBoost算法具有显著优势.

基于特征优化与鲸鱼算法的刀具磨损状态识别模型

为了提高对刀具磨损状态识别的精度,提升识别效率,针对铣刀的磨损状态提出一种基于鲸鱼算法(Whale Optimization Algorithm, WOA)与支持向量机(Support Vector Machine, SVM)的刀具磨损状态识别模型。本文首先对采集到的刀具磨损信号进行预处理,并进行多域信号分析,进行特征提取;其次,利用主成分分析(PCA)对特征向量进行优化选择,得到冗余度低的特征向量;然后利用WOA优化SVM的参数,惩罚参数 与核参数;最后利用优化好的WOA-SVM分类器实现刀具磨损状态的识别。通过实验对比分析,相比于SVM、PSO-SVM模型,WOA-SVM模型准确率最高,达到97.89%,且参数优化时间也比PSO-SVM模型缩短了47.35%,从两个方面验证了WOA-SVM模型的优越性。

基于欧氏距离分布熵的特征优化研究

针对训练样本集的分类特征优化选择问题,改进了样本可分度标准:Kullback-Leiber距离,并进行了有效性验证.在此基础上定义了欧氏距离分布熵(Distribution Entropy of Euclidian Distance DEED)这一空间分布信息度量参数,同时给出了它的计算方法.提出了“类间互欧氏距离分布熵”(between-class DEED)与“类内自欧氏距离分布熵”(within-classDEED)的分析方法.进一步将其用于样本可分性分析,验证了两者比值愈大,特征样本集可分度愈好这一结论.

基于模糊函数零点切片特征优化的辐射源个体识别

针对模糊函数核函数优化法的计算问题和核点排序的不稳定性,提出了一种新的辐射源个体识别算法.首先抽取模糊函数零点切片作为中间特征,继而设计了直接判别比准则来指导核点优化.零点切片特征优化法不仅显著提高了识别性能,而且保留了辐射源信号最具鉴别力的个体特征,避免了在模糊函数全平面进行参数优化带来的内存溢出问题.对美国海军实验室雷达数据和实测雷达辐射源数据的实验均验证了所提方法的可行性和有效性.

特征优化和模糊理论在变压器故障诊断中的应用

针对变压器故障特征与故障类型关系模糊造成的三比值法编码缺失、临界值判据缺损以及同时发生的多种故障难以区分问题,提出了基于特征优化和模糊理论的变压器故障诊断方法。将测量空间中的每种故障数据分别通过高斯核函数映射至希尔伯特空间,利用主成分分析法提取主元,以主元张成的特征子空间作为最优故障特征,据此构造该种故障下的故障测度隶属度函数,根据最大隶属度原则判断故障类型。特征子空间既保留了测量空间的故障特征,同时根据核理论维度拓展特点,又能生成更有效度量故障的新特征,从而建立最优故障特征与故障类型的一一对应关系。实例分析表明,该方法的准确率高,能够弥补三比值法的不足。通过比较故障数据对于每种故障的隶属度,能够获知诊断结果的可靠性,当多种故障同时发生时,诊断结果能够为维修人员提供有益参考。