基于特征敏感度的弹道群目标聚类识别方法

针对弹道单目标识别中,传感器资源利用率低、识别耗时长的缺点,采用群目标理论,提出了基于特征敏感度的弹道群目标聚类识别方法。该方法首先对目标群进行聚类,然后选取目标特征组合对各个分群进行敏感度计算,确立各分群的威胁度。同时,通过比较某个特定阶段各类特征的优劣性,为特征优化组合提供指导意见,优化了目标特征组合,提高了识别效率。最后,仿真实验验证了方法的可行性。

基于局部线性嵌入的特征融合方法在岩石破裂状态分类的应用

为了获取岩石破裂过程有效的声发射信号特征,更好地对岩石破裂状态进行分类,提出一种基于流形学习算法的局部线性嵌入特征融合方法进行数据降维。以红砂岩为研究对象设计室内单轴压缩实验采集信号,然后对原始声发射信号预处理并对信号进行特征提取,以时域、频域下的特征向量重新组合成一组新的多维特征向量,采用主元分析和流形学习局部线性嵌入算法分别进行降维。比较两种算法降维后融合特征的聚类效果二维和三维分布图,使用局部线性嵌入算法降维后,4种状态分布相对更近,呈一条水平线趋势,且各状态交叉混叠数目较少,第一状态没有一个样本错判,且4个状态相比于主元分析降维后的聚类效果更集中。再比较两种算法降维后融合特征的敏感度之和,局部线性嵌入算法融合特征敏感度之和远大于主元分析算法,说明经过局部线性嵌入算法降维后得到的融合特征更多地表征了原始信号包含的局部信息,同时证明了局部线性嵌入算法相比主元分析算法具有更好的聚类效果。最后经局部线性嵌入特征融合下的砂岩破裂状态分类实验验证,融合特征后的识别率相对单一的时域特征识别提高了6%。该方法能显著提高岩石破裂状态分类的识别率,降维性能相对突出。

基于特征融合与DBN的矿用通风机滚动轴承故障诊断

针对现有矿用通风机滚动轴承故障诊断方法仅提取时频分量特征和采用浅层网络结构,导致故障诊断精度不高的问题,提出了一种基于多域特征融合与深度置信网络(DBN)的矿用通风机滚动轴承故障诊断方法。该方法首先对轴承振动信号进行小波包降噪处理,对降噪后的轴承振动信号进行时域特征、频域特征、IMF能量特征提取,得到相对全面的高维特征集;然后通过基于类内、类间标准差的特征筛选方法剔除对分类无效及效果不明显的特征,筛选出高效特征;最后采用核主成分分析(KPCA)对高维筛选特征进行降维融合,消除特征间冗余,将融合特征输入至DBN中完成故障诊断。实验结果表明,相比于基于特征单一和浅层网络的诊断方法,基于多域特征融合与DBN的矿用通风机滚动轴承故障诊断方法平均准确率最高,平均诊断时间最少,对于不同损伤故障数据表现出良好的稳定性和泛化能力。

一种基于自相关函数特征的行为识别方法

为了增强特征敏感度,提高人体日常行为识别准确率,针对行为识别特征进行了研究,提出一种基于自相关函数特征的人体行为识别方法。首先对预先采集的人体行为数据进行预处理,然后从时域和频域提取特征后计算得到自相关函数特征,同时采取互相关函数的步进式方法在自相关函数上进行降噪操作。分别使用C4.5决策树、K最近邻、支持向量机、朴素贝叶斯四种分类器进行分类。实验结果表明,与选取纯粹的时、频域特征集进行识别分类的模型相比,选用了包含自相关函数特征的特征集构造出来的模型对行为的识别准确率有较大提高。

基于热核特征的SAR图像地物识别方法

采用了一种空间敏感度特征包(spatially-sensitive bags of feature,SS-BOF)来实现合成孔径雷达(synthetic aperture radar,SAR)图像的地物识别。首先采用推广的核模糊C-均值方法分割SAR图像,提取SAR图像目标图形;采用Harris角点检测子提取角点,接着对目标图形进行Delaunay三角剖分;采用cotangent weight方法对三角剖分图赋值,进而求得离散化Laplace-Beltrami算子的特征值、特征向量,并计算SS-BOF,进而对地物目标进行识别,其识别方法采用比L1相似准则效果更好的相关系数法;最后与热核迹等热核不变量特征以及Hu不变矩特征进行对比。实验表明:空间敏感度热核特征的识别率高于热核不变量的识别率,并与经典的Hu不变矩特征比较,识别率有所提高。

量子遗传算法优化的SVM滚动轴承故障诊断

针对单一测度模型的特征评价方法存在特征敏感度"欠学习",以及支持向量机(support vector machines,简称SVM)参数优化算法普遍存在收敛速度慢、易陷入局部极值等问题,提出一种量子遗传算法优化的SVM滚动轴承故障诊断方法。首先,采集振动信号中的时域和频域特征构成多域多类别原始故障特征集;其次,构建一个基于相关性、距离及信息等测度的混合特征评价模型,得到特征权重与特征值组合构成的加权故障特征集;最后,将加权故障特征集为输入,将量子熵引入到量子遗传算法当中,对SVM的结构参数进行全局优化,完成滚动轴承故障模式的识别。试验结果表明,该方法能够以更快的速度收敛至全局最优解,在保证聚类性能的基础上提高了滚动轴承的诊断精度。

焊缝缺陷图像智能分类研究

为解决V型焊缝内部缺陷超声相控阵图像智能分类时代表性特征提取困难的问题,提出了一种改进的稀疏自编码器网络模型(RSAE),获取显著响应V型焊缝缺陷类型的特征集。首先,预处理缺陷超声图像,进而采用纹理特征与形状特征相结合的方法解析缺陷的明暗复杂程度、纹理粗细、沟纹深浅、灰度分布均匀程度;其次,基于Relief-F算法计算各特征对V型焊缝内部缺陷类型的敏感度,分配其为RSAE的初始权重参数,同时给RSAE三种约束实现对样本数据的重新表达。实验使用原始特征与改进的稀疏自编码器编码的特征分别作为核极限学习机的输入,识别准确率分别为87.2%与96.5%。结果表明,提出的改进的稀疏自编码器获得的高级特征较原始特征在模式识别中有更好的结果。

基于改进的混合学习模型的手写阿拉伯数字识别方法

在特征空间维数较高的手写阿拉伯数字识别问题中,冗余的特征往往会意外增加学习模型刻画问题空间的复杂度,影响手写阿拉伯数字识别的效率和精确度。该文提出了一种基于边界对特征的敏感度值进行特征选择的支持向量机树混合学习模型,依据当前中间节点上的分类曲面对子样本空间中的样例特征的敏感程度选择特征,在新构建的子样本集上训练子节点上的支持向量机。UCI机器学习数据库中手写阿拉伯数字识别问题的仿真结果表明,与其他算法相比,该文提出的方法能够在提高或保持手写阿拉伯数字高识别精确率的同时,精简问题空间,从而简化混合学习模型的中间节点和整体结构。

考虑风机输出功率变化时的风电场并网谐振分析

风机输出功率的间歇性与波动性使得风电场并网系统潮流不断变化,并网点(PCC)处消纳功率随之改变,从而影响PCC处负荷等效阻抗并造成复杂并网谐振现象。首先建立电感-电容-电感型(LCL)逆变器并网等效诺顿模型,分析风机输出功率变化时PCC处的负荷等效阻抗特性并利用CIGRE模型计算负荷谐波阻抗,基于已建模型,采用结合元件特征值敏感度的模态分析法分析风电场并网谐振现象,给出各节点谐振参与因子与元件特征值敏感度值等谐振信息。最后,利用PSCAD平台搭建实例仿真模型,在验证所提方法可行性的同时,深入研究了风机输出功率变化时的风电场并网谐振现象。