基于特征可视化的非侵入式负荷检测系统研究进展

非侵入式负荷检测系统作为智能电力体系的重要组成部分之一,引起了国内外学者的关注,本文综述了基于特征可视化的非侵入式负荷监测系统的组成、各部分功能及国内外的研究现状,并总结了国内外研究热点和成果,最后提出了当前研究的不足与展望。

四面体网格化的粒子数据特征可视化

天文粒子数据的可视化对科学家研究宇宙的结构和演化的过程有非常大的帮助,特别是借助于时序可视化可以表现复杂的结构特征,是其他方法无法达到的.文中分析了现有的粒子绘制方式,提出了一种优化的四面体网格粒子绘制算法.算法在数据处理阶段,按粒子编号切分成N个数据片,同时计算不同时刻同一粒子运动状态标记量;在组建四面体阶段,根据周期性边界条件和粒子的运动状态,将粒子数据组成四面体网格;保持不同时刻四面体的组成粒子不变,然后对这些四面体进行投影和绘制.文中算法内存占用小并且适合并行化处理.通过实验,将可视化结果与粒子投影的绘制算法对比,证明文中算法在展现宇宙的结构特征上有很大的优势,并且使宇宙的纤维结构更加连贯完整.

基于深度学习与特征可视化方法的草地贪夜蛾及其近缘种成虫识别

草地贪夜蛾是对粮食安全具有巨大威胁的害虫,早发现、早防治对虫情控制具有重要意义。目前,利用深度学习方法进行草地贪夜蛾及其近缘种成虫识别的相关研究存在数据量严重偏小的情况,有可能造成模型未能真正学习到草地贪夜蛾及其近缘种成虫的环形纹、肾形纹等关键视觉特征。针对上述问题,本研究在建立包含草地贪夜蛾在内的7种夜蛾科成虫,10,177幅图像组成的数据库基础上,采用迁移学习方式建立了VGG-16、ResNet-50和DenseNet-121,3种夜蛾成虫识别深度学习模型,并用相同的测试集测试了所有模型。结果表明,构建的模型识别准确率均超过了98%。此外,本研究用特征可视化技术展现了模型习得的特征,并验证了这些特征和专家进行人工识别的关键视觉特征的一致性——ResNet-50和DenseNet-121的平均特征识别率在85%左右,进一步支持了用深度学习进行草地贪夜蛾成虫实时识别的可行性。研究发现,不同模型对夜蛾科成虫视觉特征的学习能力不一样,在评价模型时不能仅看识别率,还需要加入视觉特征识别率指标对模型的学习内容进行评价。本研究通过试验证明可视化分析可以直观认识模型的特征学习情况,可为行业内或其他领域的研究人员提供参考。

基于特征可视化分析深度神经网络的内部表征

基于可视化的方式理解深度神经网络能直观地揭示其工作机理,即提供了黑盒模型做出决策的解释,在医疗诊断、自动驾驶等领域尤其重要。大部分现有工作均基于激活值最大化框架,即选定待观测神经元,通过优化输入值(如隐藏层特征图谱、原始图片),定性地将待观测神经元产生最大激活值时输入值的改变作为一种解释。然而,这种方法缺乏对深度神经网络深入的定量分析。文中提出了结构可视化和基于规则可视化两种可视化的元方法。结构可视化从浅至深依层可视化,发现浅层神经元具有一般性的全局特征,而深层神经元更针对细节特征。基于规则可视化包括交集与差集规则,可以帮助发现共享神经元与抑制神经元的存在,它们分别学习了不同类别的共有特征与抑制不相关的特征。实验针对代表性卷积网络VGG和残差网络ResNet在ImageNet和微软COCO数据集上进行了分析。通过量化分析发现,ResNet和VGG均有很高的稀疏性,通过屏蔽一些低激活值的“噪音”神经元,发现其对深度神经网络分类准确率均没有影响,甚至有一定程度的提高作用。文中通过可视化和量化分析深度神经网络的隐藏层特征,揭示其内部特征表达,从而为高性能深度神经网络的设计提供指导和借鉴。

流场特征可视化技术研究与实现

流场是可视化的一个重要应用领域,面对流场中庞大的数据集,特征可视化成为一个活跃的研究方向。本文总结了流场特征可视化的几种方法,并对计算流体动力学CFD提供的数据集实现了有效的特征结构——3D激波的可视化。

基于深度学习的烟叶等级分类及特征可视化

为探索深度学习技术在烟叶图像上的特征提取效果,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)模型的烟叶等级分类方法,并对模型关注的烟叶特征进行了可视化分析。通过图像预处理得到高分辨率的局部烟叶图像,以弥补全局烟叶图像缩放后导致烟叶细节信息丢失;利用改进的CNN模型VGG-16和ResNet-50分别提取烟叶全局和局部图像特征;构建分类器对烟叶全局和局部图像的特征向量进行分类和结果融合;采用类别激活图(Class Activation Map,CAM)技术绘制模型关注烟叶特征的热力图。结果表明:提出的方法对6个等级的烟叶分级准确率达到84.71%,单张烟叶图像测试时间为17.87 ms;特征热力图显示ResNet-50模型对烟叶病斑、皱褶、主脉和纹理走势等局部特征较为敏感。该方法可为实现烟叶快速、准确分级提供支持。

基于特征图可视化的医学图像分析

现有的医学图像分类算法中普遍存在模型的可解释性问题,将同一卷积神经网络应用到不同的数据集上,分类性能千差万别.针对这一问题,提出了一种基于特征图可视化的医学图像分析方法.在卷积神经网络的特征提取阶段设计4个特征图可视化模型,这些模型将具有与网络相同的输入层以及权重,但输出则是一系列特征图.采用SSIM相似度对信息熵最大的特征图评估,分析4个模型提取到的特征信息.在kaggle官网上提供的BreaKHis、Chest X-Ray、Retinal OCT 3类数据集上进行实验,其中基于VGG16网络的特征图可视化模型提取到的特征相似度分别集中在0.95,0.93,0.85,分类精度分别为75.96%,77.19%,99.40%.此外,在ResNet18网络上也有相同的表现.研究表明:分类性能取决于网络的特征提取能力,在保证相似性的前提下,卷积层之间提取到的特征其相似度越低,该数据集在同一网络上往往表现出更好的分类性能.

基于one-class SVM与融合多可视化特征的可通行区域检测

针对难以获取完备的非可通行区域样本问题,为提高算法在不同场景的适应性,首次把可通行性检测看作单类分类问题,提出了基于one-class SVM的可通行区域检测算法.提出一种改进的融合颜色和纹理的特征提取方法,对各颜色分量进行离散余弦变换(DCT)变换,对DCT系数进行金字塔分解,用每个分解的均值和方差描述特征窗口.利用one-class SVM进行训练生成可通行区域的模式.实验表明,方法对新数据具有很好的识别能力,具有较高的检测精度和较低的误检率.

中国优秀射箭运动员紧张情绪的可视化特征研究

通过应用脑电图(EEG)与脑象图(EEQG)技术,对我国部分优秀射箭运动员进行多次、多状态的跟踪采集与分析。结果发现,运动员惊的动力学特征是脑波运动不断地向外周扩张、离散,重症者可无规则地游荡到视界之外,此归类为逃逸型,逃逸型多见于临场惊慌失措、神不守舍的运动员身上;运动员恐的动力学特征是脑波运动不断向中心退缩集结,有秩序地闭郁在一条狭窄的脑区内,此归类为缩结型,缩结型多见于临场心理压力过大和成就动机过强的运动员身上。研究认为,脑电图与脑象图的应用对优秀射箭运动员的选材具有重要价值。

面向时变体数据的特征可视化方法

目的自然界中的大部分现象本质上都是在空间上随时间的流逝不断发展变化的物理或化学过程,可以表述为含有时间变量的数据场,这些数据场称为时变体数据。随着科学计算技术、计算机仿真技术以及现代观测技术的发展,能够以前所未有的精度对自然现象进行仿真或者观测,但同时也面临时变体数据体积大、时间长以及变量数目多的难题。为了更有效地显示时变体数据并挖掘数据中的关键信息,针对时变体数据的可视化,本文提出一种基于数据特征的方法,用于探索时变体数据中感兴趣区域(即特征)的特点与变化。方法通过将特征提取、特征跟踪、运动检测和提出的3种特征可视化方法(数据帧特征可视化、单个运动过程特征可视化和空间多运动过程特征可视化)置于同一个框架之中,提供一种从时间域和空间域探索多变量时变体数据的一站式解决方案,并突出时变体数据的动力学特性。结果本文方法在4组不同的时变体数据上应用,对数据中特征各变量的变化以及感兴趣的运动进行了特征可视化。结论实验结果显示本文方法能以较小的时间成本有效显示数据中的特征以及用户定义的运动,方法的有效性与实用性得到了验证。

基于最小熵的高维电力数据可视化特征映射方法

针对传统特征映射方法存在映射时间长、高维数据转换率低等问题,提出基于最小熵的高维电力数据可视化特征映射方法。对高维电力数据进行空间模拟,从数据预处理、转换、离散化分析和特征分类方面入手,完成对高维电力数据可视化特征分类。建立电力数据类的散布矩阵,根据矩阵计算高维电力数据的特征相对值和判别值,完成数据特征提取。基于上述特征分类和特征提取结果,利用熵对高维电力数据各类的可分性进行描述,选取出熵最小的数据特征,定义数据的熵并将熵当作数据类别的可分性判据,利用电力数据的总体熵实现高维数据到低维数据的映射。实验结果表明,所提方法的特征数据分类准确度较高,且平均高维数据转换率为78%左右,映射耗时短,远远优于传统方法,验证了所提方法的优越性能。

基于可视化特征的Android恶意软件分类模型

Android恶意软件严重影响用户的使用体验,威胁用户的财产安全、个人隐私。如何快速且准确地实现Android设备上恶意软件的分类成为研究热点。本文分析Android恶意软件的静态特征,通过可视化方法获得恶意软件的特征图像,采用卷积神经网络(CNN)来学习恶意软件的泛化特征。针对卷积神经网络在特征学习中内存资源占用过大的问题,运用MobileNet-V1模型对卷积神经网络进行轻量化改造,实现Android设备上恶意软件的快速分类。通过实验,本文搭建的模型对Android设备上恶意软件分类准确率达到85.9%,分类速度达到21.95 ms/次。相较于传统方法,本文模型在保持较高分类准确率的情况下大幅提升分类速度,减少网络计算复杂度,可以实现对终端设备上恶意软件的快速且准确的分类。

基于可视化特征提取的数字化城市BIM信息调度模型

数字化城市BIM信息量巨大且处于不断变化中,传统调度模型在功能上处于高度耦合状态,降低了数字化城市BIM信息调度效率和访问速度,耗时长。因此,提出一种基于可视化特征提取的数字化城市BIM信息调度模型,将重心特征作为雷达图的可视化特征,通过原点到重心的距离对其进行提取。对覆盖体积、重叠体积与形状进行了综合分析,将三维柯西值作为评价因子,采用全局优化法进行最优节点选择,用于插入新目标。通过三维空间聚簇分组算法,引入k-均值算法,依据提取的可视化特征完成节点分裂操作,完成R树的大范围动态优化,实现了数字化城市BIM信息调度。实验结果表明,所提模型耗时短、能耗低、所占内存较少、BIM信息调度性能高,具有较好的实用性。

数字时代数据可视化的类型及其特征

数字时代,信息爆炸使得我们生活的各个领域都呈现出数据爆发式增长的趋势。人类对分析世界的渴望使得数据可视化成为人们视野中的焦点。从商业到医疗,从政府到教育,处处可见数据可视化的身影。数据可视化的主要目的是借助图形化手段更高效和清晰地交流信息,不同的数据可视化方式功能不同,带给受众的审美感受也不同。

东巴轮廓型字素可视化部件提取算法研究

东巴文是一种十分原始的图画象形文字,提取东巴基本字素的可视化部件对于设计高效的东巴字识别算法,研究东巴字的结构、笔画、偏旁部首等有着非常重要的意义。因此,以部件表示法为理论基础,结合文字的可视化特征及东巴字特征曲线提取及简化算法给出了适用于东巴轮廓型字素的可视化部件提取算法,该算法简单、直观、易于实现,不仅解决了两类东巴基本字素在整体和局部上的一致性表示问题,还可以有效提高文字识别算法的健壮性和精确度。准确性、健壮性和对比性实验表明,该算法准确性高、健壮性好,具有良好的尺度、平移和旋转不变性。

有界区域流场拓扑Voronoi图可视化

特征可视化能揭示流场的拓扑结构,是流场可视化的重要手段之一.传统特征可视化侧重于描述流场中各临界点间的拓扑关系,而较少重视各特征的区域范围.作为特征的重要属性,合理定义描述特征的有效影响范围,对于研究流场特征性质及其变化非常重要.为此,分析了平面流场拓扑特征,定义了流场典型特征的有效区域范围,提出了一种描述流场性质及变化的新方法——拓扑Voronoi图.该方法借鉴了传统Voronoi图区域分割的思想,针对流场矢量性特点引入了流线距离概念.然后在此基础上,与临界点方法相结合,量化给出了流场内各临界点的特征区域范围.设计了有效的拓扑Voronoi图生成算法.实验数据与合成数据测试表明:该方法能有效描述流场特征结构,对分析流场性质变化具有重要的意义.

基于局部空间特征引导的表情识别算法

面部表情识别在计算机视觉任务中受到越来越多的关注,由于真实场景中的表情往往包含着大量由姿态、年龄、图像质量、标注等因素带来的噪声,大大增加了类内变化,给表情的分类任务带来了很大的困难。现有的基于此类问题的研究往往聚焦于数据本身,通过对数据进行筛选或者扩大模型接受的数据类型的形式提高识别能力,没有考虑到卷积网络本身对图像特征关注的局限性。针对该问题,提出了一种基于局部空间特征引导的卷积神经网络,对于特征图的某部分像素点进行强调,引导卷积网络的深层特征图能够关注到多个对分类有效的局部面部区域,同时使用对数据重标记的形式抑制由标签错误导致的噪声问题。经过在多个公开的表情识别数据集中测试,并与多个同类方法对比,所提方法具有较好的识别效果。

基于海洋流场的多级拓扑可视化

拓扑结构分析法在侧重于考虑场的特殊结构时显示出了较大的优越性。但是将该方法应用在复杂而信息丰富的流场中时,可视化的结果可能是成簇的、混乱的,这就需要考虑一种方法来对拓扑图像进行简化。在传统拓扑可视化的基础上,采用多级拓扑的方法对可视化结果图像进行简化。首先使用传统拓扑可视化方法求得临界点,然后基于统计学的原理过滤掉可以被忽略的临界点,并绘制出积分曲线。最后将该方法应用于海洋流场,并和传统的拓扑可视化结果进行比较。实验表明,该方法可以快速的可视化流场的主要特征而不显得混乱,有利于保持复杂流场的全局信息。

供应链可视化:文献综述及未来研究展望

作为现代供应链创新发展的基础,供应链可视化在管理实践中的重要性日益提升,但学术界对于该领域的研究尚缺少系统性的总结。在此背景下,文章对2007—2019年的54篇供应链可视化的国内外文献进行描述分析,并在此基础上对现有文献中涉及的信息和过程视角下的供应链可视化特征、影响企业采纳与应用供应链可视化的主要因素、供应链可视化的主要作用效果等关键问题进行整理,提炼出现有文献背后的核心研究框架。此外,文章也就供应链可视化的未来研究提出了四点展望。这些工作在一定程度上帮助实践者深化了对于供应链可视化的理解,对供应链可视化的未来研究也有一定的参考价值。

基于孪生神经网络的楔形环连接结构预紧状态辨识

楔形环连接结构由于其连接简单可靠、同时兼具节省空间及减重的优势,常被应用于鱼雷、航天飞行器等武器装备。针对楔形环连接结构预紧状态辨识方面存在的机理模型复杂、样本量小且类别不平衡的问题,提出了一种基于孪生神经网络模型的预紧状态辨识方法。为提高模型训练效率和效果,首先利用时频处理技术进行孪生神经网络模型特征增强,基于增强特征建立了3层孪生神经网络分类模型,实现楔形环预紧状态宏观分类。同时,为指导楔形环精密装配,通过特征可视化技术,深入分析了孪生神经网络训练过程特征聚类效果,并基于二维特征建立了预紧状态定量表征模型,引入目标状态聚类中心与接受域参量,用于实现楔形环连接结构预紧状态定量评估。通过试验验证了所提方法的有效性,该方法可为楔形环连接结构定量辨识提供新的技术途径和思路,具有一定工程应用价值。