基于特征提取和集成学习的个人信用评分方法

在大数据蓬勃发展的今天,信息经济已经深入社会方方面面,个人信用体系建设的重要性越发突出。而传统的信用体系存在覆盖率不足、评价特征维度高、数据孤岛等问题,为了解决以上问题,提出一种基于特征提取和Stacking集成学习的个人信用评分方法(PSL-Stacking)。方法首先利用Pearson和Spearman系数对数据进行初始化分析剔除不相关数据,利用LightGBM算法进行特征选择,减少冗余特征对模型的影响;其次选取XGboost、LightGBM、Random Forest以及Huber回归等算法,利用Stacking集成学习技术构造个人信用评分模型。最后,以某电信数据为研究对象,对该上述模型的个人信用评分能力进行验证。实验结果得出上述模型具有很好的预测能力,能够准确的对用户信用进行评分,有效降低企业遭受金融欺诈、团伙套利等问题的风险。

基于多阶段特征提取的鱼类识别研究

鱼类自动识别在海洋生态学、水产养殖等领域应用广泛。受光照变化、目标相似、遮挡及类别分布不均衡等因素影响,鱼类精准自动识别极具挑战性。提出了一种基于多阶段特征提取网络(Multi-stage Feature Extraction Network,MF-Net)模型进行鱼类识别。该模型首先对图片作弱增强预处理,以提高模型的计算效率;然后采用多阶段卷积特征提取策略,提升模型对鱼类细粒度特征的提取能力;最后通过标签平滑损失计算以缓解数据的不平衡性。为验证模型的性能,构建了一个500类、含32768张图片的鱼类数据集,所建模型在该数据集上的准确率达到86.8%,优于现有的主流目标识别方法。利用公开的蝴蝶数据集对该模型进行泛化性能验证,多组消融实验进一步验证了所提算法的有效性。

基于太赫兹成像检测技术与特征提取方法结合巴旦木饱满度检测方法研究

巴旦木是一种营养丰富的坚果,对巴旦木的品质进行检测具有重要的经济价值和实际意义。由于巴旦木具有较为坚硬的外壳,传统的检测手段较难实现内部检测,因此,采用新兴的太赫兹透射成像检测技术,开展巴旦木饱满度的检测研究。首先采集不同饱满度巴旦木的太赫兹透射图像,并且从太赫兹图像的感兴趣区域分别提取无样品区域、空壳区域和满仁区域的太赫兹光谱信息;为了提高模型的精度,减少计算量,采用竞争性自适应重加权算法(CARS)、无信息变量消除(UVE)、连续投影算法(SPA)、蒙特卡罗无信息变量消除法(MCUVE)和遗传算法(GA)对太赫兹光谱信息进行特征提取,建立对应的最小二乘支持向量机(LS-SVM)、随机森林(RF)和K-近邻(KNN)定性判别模型,对巴旦木的饱满和空壳区域进行检测和鉴别。此外,对太赫兹特征图像转为JPG格式,接着转化为RGB格式进行G通道提取和图像二值化分离出外壳和果仁图像,检测饱满度为太赫兹特征图像的壳仁像素点之比;对原始图像进行轮廓提取和图像二值化分离出外壳和果仁图像,实际饱满度为原始图像的壳仁像素点之比。通过计算检测饱满度和实际饱满度的误差,证明了太赫兹透射成像技术检测巴旦木饱满度的可行性。建立的KS-GA-RF模型的鉴别效果最优,准确率为98.21%;通过壳仁像素点之比分别计算出对应的检测饱满度和实际饱满度,误差为16%。研究验证了采用太赫兹图、谱相融合的方法,可以很好地实现对巴旦木内部种仁饱满度可视化检测,为巴旦木的准确分级提供了新的思路,也为太赫兹成像技术检测其他坚果饱满度提供了理论参考,具有重要的应用价值。

基于视觉的草莓品质特征提取与评价模型

为提高草莓分选效率、增加草莓品质评价方法的数据区分度,提出一种基于视觉的草莓品质评价模型。以行业标准的草莓品质传统评价方法为基础,通过图像处理方法提取草莓颜色、尺寸和形状,从而对草莓的成熟度、缺陷、质量和形状特征进行量化,实现对草莓的等级评价和规格评价。进一步采用熵权法,引入权重因子,建立草莓品质综合评价模型,实现对草莓品质的自动分级。设计草莓品质分选装置,验证该模型的有效性。测试结果表明,草莓等级和规格自动分级准确率分别达96.7%和98.4%,品质综合分级准确率达到96.3%,草莓分选成功率达到95.3%,每幅草莓图像品质分级平均耗时37 ms,每颗草莓分选平均耗时0.87 s。研究为基于机械手的草莓自动分选提供参考。

基于混合特征提取与跨模态特征预测融合的情感识别模型

为从多模态情感分析中有效挖掘单模态表征信息,并实现多模态信息充分融合,提出一种基于混合特征与跨模态预测融合的情感识别模型(H-MGFCT)。首先,利用Mel频率倒谱系数(MFCC)和Gammatone频率倒谱系数(GFCC)及其一阶动态特征融合得到混合特征参数提取算法(H-MGFCC),解决了语音情感特征丢失的问题;其次,利用基于注意力权重的跨模态预测模型,筛选出与语音特征相关性更高的文本特征;随后,加入对比学习的跨模态注意力机制模型对相关性高的文本特征和语音模态情感特征进行跨模态信息融合;最后,将含有文本−语音的跨模态信息特征与筛选出的相关性低的文本特征相融合,以起到信息补充的作用。实验结果表明,该模型在公开IEMOCAP(Interactive EMotional dyadic MOtion CAPture)、CMU-MOSI(CMU-Multimodal Opinion Emotion Intensity)、CMU-MOSEI(CMU-Multimodal Opinion Sentiment Emotion Intensity)数据集上与加权决策层融合的语音文本情感识别(DLFT)模型相比,准确率分别提高了2.83、2.64和3.05个百分点,验证了该模型情感识别的有效性。

一种参数自适应VMD应用于轴承故障特征提取

针对传统的变分模态分解(VMD)需要预先设置模态个数和惩罚参数,提出了一种基于麻雀搜索算法(SSA)的参数自适应VMD方法。首先,引入一种新的测量指标-相关脉冲,该指标能反映出原始信号与分解模态之间的相关性,并且能有效突出包含丰富信息的模态。其次,基于相关脉冲指标,采用麻雀搜索算法选择最优VMD分解参数。最后,通过最大相关脉冲指标对模态分量进行分析,利用希尔伯特包络谱进行频谱分析。此外,将故障轴承放在轴承寿命试验台上进行仿真验证,实验结果表明该方法在轴承故障特征提取上具有可行性。

新小波阈值法与VMD相结合的滚动轴承特征提取

针对滚动轴承故障信号弱以及难提取等问题,提出了一种新小波阈值方法与VMD相结合的轴承故障信号特征提取方法。首先,利用一种改进的指数小波阈值函数来优化传统小波降噪方法,克服其存在间断点和恒定偏差等问题;然后,结合VMD提取滚动轴承的有效故障特征;最后,以6205-RS号轴承内圈故障数据作为原始信号进行实验验证。实验结果表明,该方法能够有效提高降噪信号的信噪比,降低均方根误差,保证滚动轴承微弱故障信号特征提取的完整性和有效性。

基于特征提取的皮革裁剪机轴承故障诊断

针对典型的皮革裁剪机轴承故障问题,提出一种基于改进ResNet网络的故障诊断方法。该方法在传统的ResNet网络中添加多尺度特征提取模块与CBAM模块,以提高对轴承故障特征的提取和诊断能力。结果表明,基于改进ResNet网络的皮革裁剪机械轴承故障诊断随着迭代次数的增加,在训练集上的分类精度不断提高,分类损失值不断降低,最后趋近于0;改进的ResNet网络在测试集上表现较好,未出现过拟合现象,性能优越且具有稳定性。在消融试验中,改进ResNet网络相较于原始ResNet网络、仅使用CBAM注意力模块改进的ResNet网络,分类准确率分别高出526%和059%,说明改进方法有效提升了网络性能。本改进ResNet网络在10折交叉验证法中,训练与测试的准确率始终保持在985%以上,相较于DNN、PreCNN、未改进ResNet与AlexNet等热门分类网络,测试准确率分别提高了4284%、1439%、1132%和396%。由此得出,本方法对多种类型的轴承故障诊断都较为准确,具有一定的实用性。

多域特征提取结合AdaBoost的含未知故障提速道岔故障诊断方法

针对提速道岔未知新故障误判影响列车安全运行及道岔检修效率的问题,提出一种基于多域特征提取和自适应提升算法(Adaptive boosting, adaboost)的信号分析及故障诊断模型。首先,为了深入挖掘道岔的故障特征,分别从时域、频域及时频域提取故障特征,构造原始特征集;然后根据AdaBoost模型获得的特征重要度排序构造不同特征数量的分类模型,并利用模型分类精度进一步获得最佳特征子集;最后将最佳特征子集输入含判定机制的AdaBoost故障诊断模型,完成对提速道岔含未知故障类型的诊断,同时,通过对模型的再训练,实现了对现有故障诊断模型的自适应更新。结果表明:本文方法在有效提取故障特征,提高道岔已知类故障诊断精度的同时,可以有效地识别出道岔之前未出现的新故障。

基于非监督对比学习的火星地形特征提取方法

火星表面地形智能识别对火星车自主探测具有重要意义,火星地形图像的特征提取方法目前主要分为传统的浅层视觉特征提取和基于监督学习的深层特征提取2类。找回丢失图像信息、获取大量带标签数据是要解决的关键问题。为此,提出一种基于非监督对比学习的火星地形特征识别方法,通过建立图像字典数据集,用“问询”和“编码”2组神经网络分别将单个图像与“字典”数据集中其他图像进行对比,用相似度泛函作为损失函数对网络进行训练,从而实现对火星地形图像的特征识别。所提方法还具有对训练数据集之外的新类型地形图像识别能力,后续识别分类优越性突出。仿真结果表明:所提方法识别准确率为85.4%,对新类型地形图像的识别准确率为84.5%。

基于自适应阈值ORB特征提取的果园双目稠密地图构建

针对果园阴暗光照条件下图像特征点匹配数量少、易丢失以及点云稀疏问题,对ORB-SLAM2算法进行了改进,提出了基于自适应阈值ORB特征点提取的果园双目三维地图稠密建图算法。首先在跟踪线程中提出一种自适应阈值的FAST角点提取方法,通过计算不同光照下图像平均像素求解阈值,对左右目图像提取ORB特征,增加了不同光照条件下的特征点匹配数量;然后根据特征点估计相机位姿完成局部地图跟踪,对跟踪线程产生的关键帧地图点进行BA优化完成局部地图构建。在原有算法基础上添加了基于ZED-stereo型相机双目深度融合的稠密建图模块,对左右目关键帧进行特征匹配获得图像对,利用图像对求解深度信息获取地图点,经过深度优化获取相机位姿,根据相机位姿进行局部点云的构建与拼接,最终对获得的点云地图进行全局BA优化,构建果园三维稠密地图。在KITTI数据集序列上进行测试,本文所改进的ORB-SLAM2算法的绝对轨迹误差更加收敛,轨迹误差标准差在00和07序列分别下降60.5%和62.6%,在其他序列上也有不同程度下降,表明本文算法定位精度较原始算法有所提高。不同光照环境下进行算法性能测试,结果表明本文算法较原始算法能更好地适应不同光照条件,在较强光照、正常光照、偏弱光照和阴雨天气下特征点平均匹配数量增加5.32%、4.53%、8.93%、12.91%。进行果园直线和稠密建图试验,结果表明直线行驶偏航角更加收敛,定位精确度高,关键帧提取数量较原始算法下降2.86%、平均跟踪时间减少39.3%;稠密建图效果好,能够很好地反映机器人位姿和果园真实环境信息,满足果园三维稠密点云地图构建需求,可为果园机器人导航路径规划提供支持。

半监督空谱局部判别分析的高光谱影像特征提取

为充分利用高光谱影像中蕴含的空谱特征,提出了一种半监督空谱局部判别分析的高光谱影像特征提取算法(S4LFDA)。鉴于高光谱数据集具有空间一致性,首先将像元进行空间重构,保存高光谱数据的近邻关系;其次引入光谱信息散度重构像元间的相似度;为了充分利用大量无标签样本提高算法性能,采用模糊C均值聚类算法对样本进行聚类分析得到伪标签;然后通过增加规范化项到局部力导引算法(FDA)的类内散度矩阵和类间散度矩阵中,以此保持无标签样本的聚类结构一致性;最后通过局部FDA算法来保持有标签样本类间散度最大化和类内散度最小化并求解最佳投影向量。S4LFDA算法既保持了数据集在光谱域的可分性,又保持了像元在空间区域内的近邻关系,合理利用有标签样本及无标签样本,提高了算法的分类性能。在Pavia University和Indian Pines数据集上进行实验,总体分类精度达到95.60%和94.38%。与其他维数约简算法相比,该算法有效提高了地物分类性能。

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络(即深度卷积测量网络)代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。

非刚体运动特征提取在武术运动中的应用

受光照与环境因素的影响,非刚体运动中的图像会存在视差干扰,导致非刚体运动特征提取效果不佳,因此提出一种针对非刚体运动的特征提取方法。对非刚体运动图像进行高斯滤波处理,在高斯差分尺度空间内,采用特征描述算子提取初始特征点。根据特征点提取结果,计算非刚体运动特征提取的代价。引入引导滤波方法对非刚体运动图像进行视差效果优化处理,在最小视差约束下,根据置信度聚合与传播策略进行非刚体运动的特征精确提取。以武术运动作为实验对象,实验结果表明:所提方法的特征点提取精度较高,且视差提取误差率不超过2.0%。

增强组合差分乘积形态学滤波的轴承故障特征提取方法

针对滚动轴承故障信号的非线性、非平稳、强噪声特性导致的常规时频域特征提取方法受限问题,提出一种增强组合差分乘积形态学滤波的轴承故障特征提取方法。在分析数学形态学4种基本运算的正、负冲击脉冲提取特性的基础上,运用级联、差分、乘积构造的一种新的组合差分乘积算子(combination difference multiply operator,CDMO)具备了同时提取正、负冲击脉冲的能力,并发挥梯度乘积运算对脉冲提取更敏感的优势,实现故障信息的充分提取。引入故障特征频率比指标优化CDMO结构元素参数,修正待处理信号的几何特征,提取与结构元素相匹配的信号特征信息。在CDMO滤波的基础上,借助三阶累积量切片谱技术能够抑制高斯噪声、突出二次耦合分量的优势,准确提取故障特征频率及其倍频,增强轴承故障特征提取能力并抑制噪声干扰。依托2种不同来源的工程实际信号并与经典故障特征提取方法对比分析,验证了所提方法的有效性。

基于神经网络的医学图像特征提取算法研究

全卷积神经网络(Fully Convolutional Networks,FCN)是一种具有深度结构的神经网络,它在复杂人工智能,尤其是图像识别以及自然语言处理问题中应用广泛.全卷积神经网络应用在医学领域,能为人类健康提供更可靠的数据,文章提出一种基于改进的Adam深度学习算法来完成人体重要器官肝脏影像资料的提取,通过几百张肝脏图片进行训练比对,帮助提高肝脏影像图像的异常部分定位及精准性.

基于三维激光点云的地铁隧道特征提取方法研究

针对地铁隧道的结构化特点,为实现轨道及月台平面的自动化巡查,本文提出一种基于几何约束的轨道及平面点云特征快速提取方法。对于隧道激光点云,通过PCA估计的方法确定其点云主轴方向并将其矫正至水平;在此基础上利用直通滤波提取隧道横截面点云,通过RANSAC拟合构建横截面数学模型;然后计算截面上各点到拟合圆心的距离,依据点心距的变化提取候选轨道点与平面点;根据两组截面的特征点优化求解直线与平面方程,计算点线、点面距离,完成直线、平面的特征提取。研究结果表明,轨道检测精度较好,检测准确率高。

基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

并行特征提取和渐进特征融合的计算机主板装配缺陷检测

针对计算机主板装配缺陷检测中的元器件位置分布复杂、缺陷目标不显著及多尺度等问题,本文提出了一种并行特征提取和互交叉渐进特征融合的端到端的缺陷检测算法。首先,结合部分卷积和视觉Transformer提出了一种并行残差特征提取网络,利用部分卷积的低计算复杂度的优势提取局部特征,同时利用视觉Transformer的长距离建模能力扩大模型的感受野,增强网络的特征提取能力。其次,引入注意力机制和特征渐进融合机制,提出了一种多尺度注意力互交叉的渐进特征融合网络,增强检测模型的特征融合能力。在公开数据集上的实验结果表明,该算法的平均精度均值(mAP)达到了94.63%,相较于基线模型YOLOv5提升了4.62%,并优于其他几种先进模型,检测速度达到了25 FPS。实现了较好的检测精度与速度的平衡,为实际工业环境下计算机主板表面装配缺陷检测自动化和智能化的实现提供了一种快速、有效的方法。

基于空频域特征提取的小样本图像分类算法

小样本学习的目的是使用极少的样本训练模型,并在有限的数据集上构建一种有效的模型,以实现对新样本的准确预测。关于小样本图像分类的研究大多只从空域的角度去提取图像的特征进行学习,且在计算相似性分数时采用单一的度量模式,极大地降低了图像分类的准确性。为此,提出了一种基于空频域特征提取的小样本图像分类算法网络(FENet),从空域和频域角度出发,提取图像特征,并结合图像到图像的度量与图像到类的度量方式,引入干扰因子,提高模型的鲁棒性和泛化性。在CUB-200-2011、Stanford-Cars、Stanford-Dogs 3个数据集上进行了大量的实验,结果表明,FENet在一定程度上能提升小样本图像分类的准确性。