基于测试样本误差重构的协同表示分类方法

基于协同表示的分类方法(Collaborative Representation-based Classification,CRC)在诸如人脸识别、物体识别等图像分类任务中取得了良好的效果。CRC利用范数正则化来解决测试样本的线性表示问题,以期得到一个较稳定的数值解。已有研究表明,正则化参数的选择对协同表示的数值稳定性起着非常重要的作用。文中提出了一种新的基于测试样本误差重构的协同表示分类方法(Test Sample Error Reconstruction Collaborative Representation-based Classification,TSER-CRC)。该方法首先利用较小的正则化参数计算出一个协同表示系数,使其重新构建测试样本,以削弱原始测试样本中的误差或减小原始测试样本与训练样本之间的不一致性;然后,利用较大的正则化参数,并基于重构出的测试样本再次求解协同表示系数,以得出数值较稳定的测试样本与各类别训练样本之间的关系,并以此对测试样本进行分类。该方法有效地减少了由所有训练样本构成的协同子空间所表示的测试样本中存在的误差和异常值,提高了协同表示编码系数的稳定性和图像分类的鲁棒性。通过在5个标准数据集上的实验结果表明,所提方法在图像分类精度方面明显优于传统CRC和其他一些经典的图像分类方法。

基于两重误差重构的显著性区域检测算法

通过SLIC分割算法将图像分成多个超像素区域后,利用重构误差进行视觉显著性检测。首先提取图像边缘的超像素区域作为背景模板,然后利用这些模板构建两重外观模型:稀疏外观模型及稠密外观模型。对于每一块图像区域,首先计算稠密重构误差及稀疏重构误差,然后利用K均值聚类方法得到的上下文对重构误差进行传播,再利用贝叶斯准则融合稀疏型检测结果及稠密型检测结果,最后通过综合多尺度重构误差信息及修正的目标基高斯模型信息实现像素级显著性检测。

基于重构误差和极端模式识别的综合能源系统短期负荷预测

综合能源系统的运行场景存在极端模式,且含有异常数据,亟剧增加了综合能源负荷预测的难度。该文提出基于极端模式识别和误差重构的综合能源系统极端模式短期负荷预测方法,通过极端模式的识别,异常数据的检测,提高综合能源负荷预测的精度。首先,基于最小累积距离的综合能源负荷数据聚类,识别系统的极端模式;然后,利用深度学习模型的残差和聚类误差进行误差重构,检测异常数据;最后,采用改进的Stacking集成学习方法,进行极端模式的综合能源负荷预测。将所提方法应用于典型的综合能源系统,并与已有方法比较,实验结果表明,所提方法能够很好地解决极端模式的综合能源系统短期负荷预测问题。

基于关联规则与重构误差的二次系统故障检测方法

二次系统是否可靠直接关系整个变电站乃至系统能否安全可靠运行。随着高比例新能源并网,如何有效检测二次系统故障愈发重要。针对现有逻辑回路的故障方法对数据完备性要求较高而难以实际应用,现有二次设备的故障检测方法难以辨识正常数据和故障数据的微小差异导致计算精度无法保障的问题,提出基于关联规则与重构误差的二次系统故障检测方法。首先,利用Apriori算法求出故障报警信息与逻辑回路中故障装置的关联规则,实现逻辑回路故障快速诊断;然后,利用正常二次设备的运行数据训练个体判别器,通过衡量待判别数据的重构误差来判别二次设备运行状态,并利用集成学习模型量化设备当前故障检测概率;最后,对集成学习模型进行集成优化,以提高二次设备异常预警的可信度。利用河南省某变电站实际运行数据集进行仿真测试,验证了所提方法的有效性和准确性。

基于VMD的圆光栅测角误差补偿方法

针对圆光栅测角系统误差数据,提出了一种基于变分模态分解(VMD)的误差重构与补偿方法。首先,采用VMD算法将误差数据自适应地分解为多个模态分量(IMF),基于各IMF的相关因子值表征其含噪声程度,选择符合条件的IMF重构系统误差,再溯源分析系统误差的主要谐波阶次,建立误差补偿模型。实验结果表明:利用此方法可将圆光栅测角误差的平均值、峰峰值和标准差分别补偿至-0.029″(补偿百分比:90.73%)、1.14″(补偿百分比:51.07%)和0.29″(补偿百分比:57.35%),加入随机误差后也能准确识别误差主要成分。

基于重构误差计算的数据驱动储能电池热失控预警方法

发展大规模、分布式储能是实现“双碳”目标的重要途径。守住储能电池(battery energy storage,BES)的安全底线关乎人民生命安全和社会经济发展。现有储能电池安全预警方法还面临如下2个方面挑战:机理研究方法考虑的工况单一,难以推广应用;基于有监督学习的数据驱动方法难以有效应对小样本问题。对此,提出基于重构误差计算的数据驱动储能电池热失控预警方法。首先,基于无监督学习思想,建立数据驱动的储能电池热失控预警框架,利用重构误差构建电池间的差异程度,可有效应对小样本场景;利用集成学习思想量化电池热失控概率,可保障算法的稳定性。然后,为有效提取储能电池电压、温度、电流、荷电状态(stateof charge,SOC)等数据的时变特性,高效挖掘热失控前后的时变数据特征差异,进一步提出基于双向长短期记忆(bi-long short-term memory,Bi-LSTM)网络与注意力机制的储能电池数据特征挖掘方法,实现储能电池数据特征的精准学习。最后,通过电动汽车动力电池的真实运行数据,验证了所提方法的有效性。

基于重构误差和多块建模策略的kNN故障监测

针对基于k近邻(k-nearest neighbor,kNN)的故障监测算法中,引发故障的异常信息易被正常信息淹没,导致故障检测不及时和报警率低的问题,利用自编码器和多块建模策略提出一种基于重构误差的k NN故障监测方法。该方法利用正常工况数据集训练自编码器模型,基于该模型进行重构误差提取以解决异常信息易被淹没的问题。进一步考虑微小偏移和振荡等故障特征,采用多块建模策略,对各子块分别计算统计量并融合检测。通过一个数值例子与田纳西-伊斯曼(Tennessee-Eastman,TE)过程进行仿真与分析,结果验证了所提方法的有效性与监测性能的提升。

基于AE重构误差和SVDD的滚筒叶丝干燥异常工况检测

【目的】为保证烘丝过程安全稳定运行,研究滚筒叶丝干燥过程异常工况检测具有重大价值。【方法】本文提出基于自动编码器(Auto encoder,AE)和支持向量数据描述(Support vector data description,SVDD)的AE-SVDD算法。首先,使用深度学习自动编码器提取数据深层特征,构建重构误差,利用重构误差训练SVDD分类模型得到超球体半径阈值,建立检测率指标。通过工业实际生产案例进行模型验证,并应用PCA、SVDD算法分别建立异常检测模型作对比实验。【结果】基于AE-SVDD的算法模型检测率可提高约63%,并能预测4~8min后即将发生的质量异常,明显优于其他算法模型。【结论】与传统方法相比,AE-SVDD异常工况检测方法不仅显著提高了检测率,而且具有良好的异常工况预警作用,有助于及时发现、控制滚筒叶丝干燥过程潜在异常工况,降低质量异常的产生几率。

基于分水岭及半监督最小误差重构的荧光微球分割及分类方法

针对荧光微球图像分割存在粘连及有限标记样本分类困难等问题,提出了一种基于改进分水岭及半监督最小误差重构分类器(SSMREC)的荧光微球图像分割及分类方法。采用改进分水岭方法对荧光微球图像进行分割,有效分离粘连,得到独立的荧光微球对象;对微球对象的色调(H)、饱和度(S)、明度(V)即HSV颜色空间进行非均匀量化,去除冗余信息,提取鉴别特征;采用半监督误差重构分类器实现荧光微球分类。将本文方法与线性鉴别分析分类器(LDA)、随机森林分类(RFC)、稀疏表示分类器(SRC)、K近邻分类器(KNN)、支持向量机(SVM)分类方法进行比较。实验结果显示,针对每类样本随机选取2,4,6,8个有类别标记的样本时,本文方法的总体分类精度比其他算法高3.5%~14.3%,该算法在类别标记样本量较少的情况下,能够有效提高分类精度。

谐波齿轮传动误差主频重构与双向频谱分析

基于改善谐波齿轮传动误差和回程误差的需要,提出一种主频余弦波重构谐波齿轮传动误差的分析方法。首先根据谐波齿轮的传动特点分析其主要基础误差频率,包括柔轮转频、波发生器转频、柔轮啮频和刚轮啮频等。通过余弦波叠加分析各基础主频余弦波及其组合下的拍频特征。对实测双向传动误差进行傅里叶变换,提取基础主频和实际主频余弦波近似重构出传动误差,验证了主频成分重构误差的可行性。最后,对比分析了一体式和滑块式凸轮波发生器作用下的双向传动误差。研究表明,通过滑块结构改善波发生器的偏心状态能够有效改善传动误差,回程误差的产生与双向传动误差常量大小的变化及各主频相位的变化有关。

NURBS曲面重构与点云-曲面误差分析

通过对某汽车零件进行光栅扫描、解相和去包裹处理,获取物体三维点云数据,对点云数据进行降噪、精简和网格化处理。然后根据点云曲率分布云图将点云数据分割成11块区域,首先对A区域点云数据进行曲面拟合,生成4×4阶均匀曲面,然后对其余分块点云数据分别进行曲面拟合,最后通过曲面延伸、拼接、倒角、修剪等处理,获取物体NURBS自由曲面,总体点云-曲面误差为0.2645 mm,并且曲面间符合G1相切连续和法向曲率连续,解决了在曲率较大的地方拟合误差较大的问题,提高了曲面的重构精度。

基于重构误差的单类子空间压印凹凸字符识别

针对压印凹凸字符色差低、图像质量差的特点,采用'特征脸'用于压印字符的整体特征提取和识别。针对'特征脸'不能充分利用样本类间信息的缺点,提出一种基于重构误差的压印凹凸字符识别新方法。该方法为每类字符分别建立子空间,然后获得测试样本在各个子空间下的重构图像,通过重构图像和原图像的均方差来实现压印字符的识别。该方法能够充分利用单类字符的共同特征和不同类字符之间的差别信息。试验结果表明,该方法能够显著提高识别率,满足实时性要求。

基于等高线重构误差的LOD建模及精度分析

本文运用等高线重构误差模型对细节层次模型(LOD模型)不同层次之间的精度进行研究。选取5种典型地貌区域进行试验,得到了不同地貌区域的重构误差拟合公式。根据得到的公式,可内插得到各种分辨率比率的重构误差。同时,利用逆公式,又能由重构误差确定相应的分辨率比率,为评价LOD模型精度提供了一种新的方法和思路。

PWM逆变器相电流重构研究与误差分析

为了降低系统成本和体积,研究了脉宽调制(PWM)逆变器供电的电动机变频调速系统仅采用一个直流电流传感器获得交流相电流时存在的问题,通过修改逆变器开关状态的相电流重构方法满足了直流电流的采样要求,根据逆变器的开关状态实现了交流侧电动机相电流的重构。针对在该方法作用下重构相电流与实际相电流之间的误差,详细分析其产生的原因,并提出了一些解决措施。在PWM逆变器供电的永磁同步电动机矢量控制系统上进行了仿真和实验验证。结果表明,采用本文方法不仅实现了PWM逆变器-交流电动机调速系统的单电流传感器运行,而且由直流母线电流重构出的交流电流值具有很高的精度,与实际交流电流值之间的误差很小,为改善交流电动机变频调速系统的性能提供了一种重要的解决方案。

基于重构误差的同构图分类模型

目前深度学习方法应用于图分类模型的重点集中在将卷积神经网络迁移到图数据领域,包括重定义卷积层和池化层。卷积操作泛化到图数据上是有效的方法,但无论是卷积还是池化都存在较大的改进空间,尤其是在提取网络拓扑结构信息方面。提出一种基于重构误差的同构图分类模型,一方面利用改进的同构图卷积网络WaveGIC增强提取拓扑结构信息能力;另一方面利用多重注意力机制表征全图,使得模型能够关注关键节点信息。由于网络加深过程,局部拓扑结构的特征表达越来越不明显。在分类损失基础上添加重构误差损失,使分类器同时考虑图的节点特征和拓扑结构。在基准数据集上的实验结果表明,提出的方法具有较高的图分类准确度。

运用图像重构误差控制的骨架简化方法

将贝叶斯模型方法运用于基于图像重构误差控制下的骨架简化问题,通过建立平衡算法实现重构精度与骨架简化的平衡统一.在算法的设计中,通过对骨架分支级别的设置,运用重构误差和骨架简洁度两个控制参数以及平衡算法,在骨架主轴的基础上通过添加相关各级别的骨架分支,实现对骨架分支的优选,最终获得图像的最优近似骨架.实验结果表明:本算法对于边界扰动具有较好的鲁棒性,与其它方法相比,本算法复杂度较低,运算速度更快,得到的骨架也更简洁.

可调重构误差的传感数据时间相关压缩算法

无线传感器网络(WSN)节点能量与带宽均非常有限,难以适应大量数据长时间传输的需求,所以非常有必要对原始采集的数据进行聚合或压缩处理。利用传感数据间存在的时间相关性,提出分段常量近似与Haar小波压缩相结合的二级压缩算法,在误差可调的情况下压缩该类时间相关的传感数据。通过真实数据集上的实验,分析该算法的数据重构误差、数据压缩比与压缩耗时情况,并与其他压缩算法进行对比。实验结果表明,该算法能够有效地利用传感数据中存在的时间相关性,显著减少冗余数据,有较高的压缩比并保证数据精度。

矩阵扰动分析方法及对三维重构误差分析的应用

三维重构问题是一个由二维图像获取三维信息的逆问题，由成像模型的复杂性所决定，其数据很容易受到各方面因素的影响，本文是利用矩阵扰动理论来研究研究矩阵元素的变化对于矩阵间题的解的影响。由于在测量数据处理中，经常要利用矩阵方法对测量观测数据进行分析和解算，因此我们便可通过矩阵扰动分析的方法分析其解算结果，从而对成像的数据进行处理并有效的评价。

基于最小重构误差的优化局部聚合描述符向量图像检索算法

针对局部聚合描述符向量(VLAD)模型中对特征软量化时权重系数的取值不确定性和特征量化误差较大问题,提出一种具有最小重构误差的权重系数分配算法.该算法以最小化重构误差为标准,将具有最小化重构误差的稀疏编码的编码系数作为软量化VLAD的权重系数.数据库的图像检索测试结果表明,该算法相比主流的VLAD特征编码算法所得图像检索精度可提高10%左右,且有更小的特征重构误差.

基于重构误差的连续型DBN的深度确定方法

针对连续型深度信念网(Continuous Deep Belief Network,CDBN)隐含层层数难以确定的问题,提出一种基于重构误差的CDBN网络深度确定方法。多个连续型受限玻尔兹曼机(Continuous Restricted Boltzmann Machine,CRBM)叠加构成CDBN。通过分析CRBM的重构误差与CDBN网络能量的相关性,设定重构误差阈值并设计网络深度决策机制,实现对CDBN隐含层层数进行自组织调整。仿真实验验证,基于重构误差的CDBN网络深度确定方法能够对CDBN的最优隐含层层数进行确定,有效提高了网络深度决策的效率。