一种基于可辨识向量的规则提取方法

针对信息表中的规则提取问题,应用粗糙集理论对其中的属性约简、属性值问题进行了研究,提出了一种基于可辨识向量的规则提取方法。根据粗糙集中的不可分辨关系建立了可辨识向量,利用可辨识向量的加法法则运算只需要对信息表扫描一次,就可以得到信息表的核属性集以及信息表的一个属性约简。在此基础上,利用条件属性与决策属性之间的对应关系,对信息表中的每条规则通过删除冗余属性值完成信息表的属性值约简,最终实现规则提取。数值实例和试验表明本算法是有效可行的。

基于局部二值模式和辨识共同向量的步态识别

最近,利用步态对个人身份进行识别受到越来越多生物识别技术研究者的重视。步态能量图(GEI-Gait Energy Image)是一种有效的步态表征方法,局部二值模式(LBP-Local Binary Pattern)能很好地提取局部信息,所以利用局部二值模式(LBP)来提取步态能量图(GEI)的局部特征并用于识别。首先,为了更好地提取局部信息,把步态能量图(GEI)分块,提取各个子块上的LBP特征,然后把各子块在特征层进行融合,得到整个步态能量图(GEI)的特征表达;同时为了更好地挖掘步态能量图(GEI)的信息,对LBP模式进行了扩展。由于得到的LBP特征维数较高,利用具有降维和良好识别能力的辨识共同向量(DCV-Discriminant Common Vector)对步态能量图的LBP特征进行维数约减并增加类间距离。最后,只需利用简单的最近邻分类器就能取得较好的识别效果。将该算法在CASIA数据库上进行了试验,并取得了较高的正确识别率。

新型容错逆变器的混杂系统建模与故障诊断

考虑到传统开关函数模型只对逆变电路的控制变迁进行分析而无法描述电路的条件变迁,容易丢失电路在条件变迁过程中所表现出的故障信息,从而影响故障诊断的实时性和准确性。电力电子电路是典型的混杂系统,文章建立了一种新型容错逆变器的混杂系统模型,在此基础上提出了故障事件辨识向量的概念,并将其应用于逆变器故障的分析,仅通过故障事件辨识向量对逆变电路变迁过程中的故障事件进行辨识来完成故障诊断,对于电路变迁过程中的正常事件辨识不予考虑,减少了控制系统的数据处理量,提高了故障诊断的实时性和可靠性,实验验证了所提方法的可行性和有效性。

一种基于关系矩阵的关联规则快速挖掘算法

首先对关联规则挖掘问题进行了简单的回顾,然后应用关系理论思想,引入了项目可辨识向量及其“与”运算,设计了一种快速挖掘算法SLIG,将频繁项目集的产生过程转化为项目集的关系矩阵中向量运算过程。算法只需扫描一遍数据库,克服了Apriori及其相关算法产生大量候选集和需多次扫描数据库的缺点。实验证明,与Apriori算法相比,SLIG算法提高了挖掘效率。

基于事务数据库的关联规则采掘算法研究

采掘关联规则是知识发现领域的一个重要问题 ,文中对采掘关联规则问题进行了简单的回顾 ,分析了传统的关联规则Apriori算法的优缺点 ,设计了一种基于事务数据库的快速采掘算法TB -MA。实例证明 ,与Apriori算法相比 ,TB -MA算法削减了数据库遍历次数 ,提高了采掘效率 。

一种基于矩阵的多值关联规则的挖掘算法

关联规则是数据挖掘研究的主要模式之一,其中布尔型关联规则的挖掘已经有比较成熟的系统和方法,而多值关联规则的挖掘则不然。本文提出的QARMM算法利用矩阵存储数据,将频繁项目集的产生过程转化为项目集的关系矩阵中向量的运算过程,同时克服了SLIG算法和矩阵算法不能挖掘多值关联规则的弱点,只需运行一次便可挖掘出所有关联规则。实验证明,在等价的数据集上挖掘关联规则,QARMM算法比Apriori算法具有更高的效率。

基于改进i-vector的说话人感知训练方法研究

基于辨识向量(i-vector)的说话人感知训练方法使用MFCC作为输入特征对i-vector进行提取,但MFCC较差的特征鲁棒性会影响该训练方法的识别性能。为此,提出一种基于改进i-vector的说话人感知训练方法。设计基于SVD的低维特征提取方法,用其提取的特征替代MFCC对表征能力更优的i-vector进行提取。实验结果表明,在捷克语语料库中,相对于DNN-HMM语音识别系统与原始基于i-vector的说话人感知训练方法,该方法的识别性能分别提升了1.62%与1.52%,在WSJ语料库中,该方法识别性能分别提升了3.9%和1.48%。

基于关系矩阵的多层次关联规则快速挖掘

关联规则(Association Rules)是数据挖掘的重要研究内容。本文提出了多层次关联规则的挖掘算法——MLIG,利用向量"或"和"与"运算求解频繁项目集(Frequent Itemset),该算法通过构建向量之间的关系矩阵,将频繁项目集的产生过程转化为项目集的关系矩阵中向量运算过程,大大提高了挖掘的效率和速度。算法只需扫描数据库一遍,克服了ML_T2L1及其相关算法产生大量候选集和需多次扫描数据库的缺点。实验结果表明,算法MLIG是非常高效的。

非线性幂变换Gammachirp滤波器的鲁棒语音特征提取

针对归一化功率倒谱系数(PNCC)在较低信噪比噪声环境下说话人识别鲁棒性不佳的问题,提出了非线性幂函数变换伽马啁啾频率倒谱系数(NPGFCC)的抗噪语音特征提取算法。相比PNCC,NPGFCC的不同之处在于其采用符合人耳听觉特性的归一化压缩Gammachirp滤波器组代替Gammatone滤波器组进行滤波,并在特征参数中融合了分段式非线性幂函数变换的方式。另外,算法中利用了均值方差归一化和时间序列滤波等技术的方法,进一步提高了其在噪声环境下的鲁棒性,并在改进的i-vector+PLDA模型下进行了测试。实验结果表明,相较于目前常用的一些说话人语音特征提取算法,在不同噪声和不同信噪比下,NPGFCC特征具有最佳抗噪性能,特别是在信噪比较低的情况下,与其他语音特征相比,NPGFCC特征具有更大的优势。

基于Gabor小波和局部二值模式的步态识别

利用步态对个人身份进行识别已经受到越来越多生物识别技术研究者的重视。步态能量图(GEI-Gait Energy Image)是一种有效的步态表征方法,Gabor小波能提取不同方向、不同尺度空间频率特征,因此,首先利用Gabor小波提取步态能量图不同方向、不同尺度的信息,得到其幅值谱图,再利用LBP来提取Gabor幅值谱图的局部信息,相对于LBP直接作用于步态能量图,能提取步态能量图更多方向、更多尺度的局部特征。最后,利用具有良好降维和辨识能力的辨识共同向量(DCV-Discriminant Common Vector)对提取的LBP特征进行维数约减和特征选择,只需利用简单的最近邻分类器就能取得较好的识别效果。该算法在中科院自动化所的CASIA数据库上面进行试验取得了较高的正确识别率。还针对步态识别中的小样本问题提出了一种样本扩充方法,解决了步态识别中的小样本问题,并提高了算法的识别率。

基于相似性原则的配电网开关机械卡涩试验装置研制

以LabVIEW和Matlab为平台,研制了一套配电网开关机械卡涩试验装置,利用振动信号识别开关机械卡涩故障。核心算法为基于相似性原则和小波包分解的综合辨识比向量法。配网开关分、合闸试验数据分析结果与开关实际状态相吻合,表明该装置对于判断配电网开关是否机械卡涩故障具有良好的效果。

Magnetotelluric signal-noise separation method based on SVM–CEEMDWT

To better retain useful weak low-frequency magnetotelluric(MT)signals with strong interference during MT data processing,we propose a SVM-CEEMDWT based MT data signal-noise separation method,which extracts the weak MT signal affected by strong interference.First,the approximate entropy,fuzzy entropy,sample entropy,and Lempel-Ziv(LZ)complexity are extracted from the magnetotelluric data.Then,four robust parameters are used as the inputs to the support vector machine(SVM)to train the sample library and build a model based on the different complexity of signals.Based on this model,we can only consider time series with strong interference when using the complementary ensemble empirical mode decomposition(CEEMD)and wavelet threshold(WT)for noise suppression.Simulation results suggest that the SVM based on the robust parameters can distinguish the time periods with strong interference well before noise suppression.Compared with the CEEMD WT,the proposed SVM-CEEMDWT method retains more low-frequency low-variability information,and the apparent resistivity curve is smoother and more continuous.Moreover,the results better reflect the deep electrical structure in the field.