基于三维扫描的园林空间差异特征自提取

针对传统的园林空间差异特征自提取方法存在提取时间较长、误差较大等问题,提出一种基于三维扫描的园林空间差异特征自提取方法。引用三维扫描技术对园林空间扫描,获取园林空间坐标,创建园林空间轮廓模型。使用布谷鸟搜索方法对空间轮廓模型能量最小化控制点进行搜索,通过多次迭代寻找新的控制点,实现图像分割。根据图像分割结果,计算不同区域的贡献值,引用粒度合成方法提取不同园林空间的特征,实现园林空间差异特征自提取。实验结果表明,所提方法能够快速、准确地进行园林空间差异特征自提取。

电子通信信号循环频率特征自提取技术研究

目前,广泛应用的电子通信信号识别方法均存在频率偏差大和定时误差大等缺点,针对这一问题,提出了一种基于循环频率特性的电子通信信号识别方法。根据信号识别的需要,构建超宽频通信信号识别方法的总体框架,用循环频谱估计算法快速计算超宽频信号的周期,采用四阶累积量进行信号映射,通过信号映射域特征提取与分离指数算法获取信号映射域特征值,对超宽频信号进行分类,从而实现电子通信信号循环频率特征自提取。

基于宽度学习的铣削表面粗糙度等级检测

当前机器视觉表面粗糙度检测所采用的方法大多是根据图像信息人为设计指标或者使用深度学习,但前者计算过程复杂,后者模型训练及分类所需时间较长,并不适用快速评判的在线检测场合。针对此问题,提出一种基于宽度学习的铣削表面粗糙度等级检测方法。通过工业相机获取普通光照环境下铣削工件表面图片,将其输入构建好的宽度学习模型中进行训练,实现对铣削表面粗糙度的等级检测。该方法不仅能够实现特征自提取,而且模型训练速度快,为视觉粗糙度在线测量提供了一种新的策略。

采用运动传感器的人体运动识别深度模型

针对传统机器学习方法在采用运动传感器数据的人体运动识别领域中识别效果严重依赖人工特征且准确率受限的问题,提出一种改进的卷积网络与双层长短期记忆网络的深层混合(VGGLSTM)模型以实现特征自提取并进行运动识别。该模型结合传感器数据层状、时序的结构特点,将多维传感器数据类比于图像的RGB矩阵进行适应性处理;由一维串联卷积网络与双层长短期记忆网络复合而成。实验结果表明,在开源的人体运动识别(HAR)数据集和无线传感器信息控掘(WISDM)数据集上采用该模型的人体运动识别方法的平均准确率分别达到了97.17%和96.53%,该模型可以有效避免复杂的特征工程,在人体运动识别问题中具有很好的准确性和适应性。

基于深度置信网络的轴承剩余使用寿命预测

针对精密电子、塑形成型等高速高精加工过程滚动轴承的剩余使用寿命预测建模中存在样本少、标注难度大等问题,引入深度置信网络,融合无监督与有监督微调学习方法开展滚动轴承剩余使用寿命预测研究。将滚动轴承的振动数据特征作为输入、剩余使用寿命作为输出,以能量函数量化特征准确性的概率分布作为基本组成部件,部件的上一层特征输出作为下一层的输入,将多个这样的部件首尾相接,构建滚动轴承剩余使用寿命预测模型。通过原始数据的无监督预训练得到模型中各个单元的初始参数,然后利用剩余使用寿命标签数据进行模型的有监督微调,进一步提高模型预测的准确性。实验结果表明,所提出的方法能够对滚动轴承的剩余使用寿命进行预测,与支持向量回归(SVR)和主成分分析-深度置信网络(PCA-DBN)方法进行比较,预测误差分别减少28.48%,5.57%,该方法在现场预测方面,具有更高的预测准确度,而且本方法还能减少对专家知识的依赖,模型的泛化能力更强。

小样本问题下的铣削表面粗糙度测量

基于机器视觉的粗糙度测量方法大多是根据粗糙度关联指标建立预测模型,或者利用深度学习网络建立无指标预测模型,而这两类方法均存在着不足。一方面,人工设计指标的计算过程复杂,不利于在线检测。另一方面,深度学习模型则严重依赖大数据,数据量不足难以训练出有效的模型。针对以上问题,本文提出一种基于图神经网络的铣削表面粗糙度测量方法。该方法在训练阶段获取了自主学习的能力,而后仅需要少量铣削样本就能够完成铣削工件的粗糙度测量。试验结果表明,本文方法在铣削工件的粗糙度测量上不仅能够自动提取特征,而且表现出了较高的精度和良好的光照环境鲁棒性。