基于改进Fisher Ratio的RBF网络在油浸变压器故障诊断中的应用

针对Fisher Ratio不能使网络结构得到最大优化这一缺点,提出应用改进Fisher Ratio方法选择RBF网络隐层节点数及径向基函数中心,并采用改进的Fisher比算法完成基于DGA的油浸变压器故障诊断。结果表明,该方法能极大地简化网络结构,提高了分类能力和收敛精度。与改良电协研法相比,具有较好的故障识别效果。

基于Fisher Ratio的RBF网络在涡流定量检测中的应用

采用改进的RBF网络完成涡流定量检测。针对正交最小二乘法不能使网络结构得到最大优化这一缺点,提出应用Fisher Ratio方法选择RBF网络隐层节点数及径向基函数中心,正交变换及前向搜索算法完成结构优化。结果表明,能极大地简化网络结构,提高了分类能力和收敛精度,为神经网络在实时在线检测中的应用提供可能。

应用于噪声环境下语种识别的GFCC改进算法

不同的噪声在频谱上有不同的特点,使得自动语种识别的性能在噪声环境下显著下降.针对该问题,提出一种基于改进时域伽马通滤波器倒谱系数(gammatone filter cepstral coefficient,GFCC)特征的语种识别方法.首先,提取不同噪声背景下的训练集的时域GFCC特征;然后,利用Fisher比计算特征各维对区分语种的相对贡献度大小,分析不同噪声对时域GFCC特征各维的影响,并根据分析来设计合适的权值对特征各维加权,得到语种区分性更强的特征集;最后,利用高斯混合-通用背景模型作为基线系统进行语种识别,以测试所提方法性能.实验结果表明,在单一噪声背景,信噪比为-5 dB,噪声源分别为粉红噪声、餐厅噪声的条件下,所提方法相比于传统时域GFCC特征方法的识别率分别提升了40.1、20.6个百分点,在其他噪声背景、信噪比下的识别率也有一定程度的提升.

基于Fisher比率与SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断中普遍存在的小样本学习问题,采用支持向量机实现轴承故障的模式识别.为了解决时域统计参数对于轴承故障的多分类效果较差的问题,引入小波包分解(wavelet packet decomposition,WPD)技术,提取振动信号各频带的能量系数构造特征向量,并采用Fisher比率法对特征向量进行优化选取;然后利用支持向量机(support vector machine,SVM)进行故障模式识别,并与小波包分解及时域统计参数的分类效果进行对比分析.结果表明:支持向量机是实现轴承故障模式识别的一种有效手段;本方法的分类效果及时间效率明显优于传统的多维时域指标和小波能量系数分类方法;将Fisher比率法与SVM相结合可以提高轴承故障诊断的准确率.

基于Fisher线性判别率的加权K-means聚类算法

为提高K-means聚类效果,采用Fisher线性判别率的方法确定特征在聚类中的贡献度并依此对特征进行加权聚类。在人工和实际数据集上所做的实验表明,本方法在聚类效果上优于其他同类加权K-means聚类算法。

结合主分量分析及Fisher准则的说话人识别方法研究

本文提出了一种基于主分量分析和Fisher准则的新的Mel频率域特征参数。它是在Mel域频谱的基础上做主分量分析,并且根据Fisher准则,按Fisher比的大小进行特征参量的选择而得到的。它充分的利用了各频带间的相关统计信息,能更紧致有效的区分说话人。这样得到的特征矢量,与传统的按相应特征值进行特征选择的方法相比,在相同维数时具有最大的类别区分度。最后我们实现了一个文本无关的说话人自动识别系统,它的后端采用矢量量化实现聚类分析。在语音库上的实验表明本文的特征矢量在说话人识别上比相同维数的传统特征矢量识别率更高,证实了它紧致、区分度好、冗余信息少的优良性能。

基于Fisher判别的分布式K-Means聚类算法

为了解决集中式聚类算法不能处理海量大数据的问题,提出基于Fisher判别确定置信半径的分布式聚类算法.应用网络上各个节点的计算、存储能力,以及网络的带宽,将聚类所需的时间复杂度和空间复杂度平摊到各个节点.通过应用Fisher线性判别找到节点在同一子类数据上的稠密和稀疏分布,从而快速确定聚类的置信半径并指导下一步的聚类过程,使得保持聚类精度的同时能提高分布式聚类的速度.对算法进行了数值模拟,并使用真实数据完成了试验.结果表明,所提出算法相比DFEKM聚类算法,能根据数据分布的不同在聚类结果和聚类速度上达到很好的平衡,这表明该算法具有更好的健壮性.

基于多约简Fisher-VSM和SVM的文本情感分类

为了提高文本情感分类准确率,提出基于多约简Fisher向量空间模型和支持向量机的文本情感分类算法。该算法首先采用Fisher判别准则提取TF-IDF特征向量,然后依据低维文档向量空间模型间的相似度对文档进行聚类,减少文档的数目。该算法从维度和数量两个方面对文档的向量空间模型进行约简,以期提高支持向量机的训练速度和分类性能。仿真实验结果表明,该算法具有良好的召回率和分类准确率。

一种基于Fisher准则的二维主元分析表情识别方法

提出了一种基于Fisher准则进行特征选择的二维主元分析表情识别方法.首先对训练样本做二维主元分析,然后再根据Fisher准则,按Fisher比的大小选择特征向量作为投影轴,最后用最近邻方法进行分类.在JAFFE人脸表情静态图像库上进行实验,与按特征值的大小来选择特征向量相比,该方法更有效.

基于F-DFCC融合特征的语音情感识别方法

结合神经网络、并行多特征向量和注意力机制,有助于提高语音情感识别的性能。基于此,从前期已经提取的DFCC参数入手,提取I-DFCC和Mid-DFCC特征参数,利用Fisher比选取特征参数构成F-DFCC;再将F-DFCC特征参数与LPCC、MFCC特征参数进行对比并融合,输入到含双向LSTM网络及注意力机制的ECAPA-TDNN模型中;最后,在CASIA和RAVDESS数据集上验证F-DFCC融合特征参数的有效性。实验结果表明:与单一的F-DFCC特征参数相比,F-DFCC融合特征的准确率WA、召回率UA、F1-score在CASIA数据集上分别提高0.035 1、0.031 1、0.031 3;在RAVDESS数据集上分别提高0.024 5、0.035 8、0.033 2。在两个数据集中,surprised情感的识别准确率最高,为0.94;F-DFCC融合特征参数的6种和8种情感识别率与其他特征参数相比均有所提升。

Mixed-Fisher特征云模型聚类在文本情感分类中的应用

海量网络信息的出现,使得提取文本信息情感观点成为研究的热点。针对文本情感分类中文本信息模糊及分类准确率低的问题,提出了一种基于Mixed-Fisher特征选择的文本云向量模型聚类算法。该算法首先分别计算文档中各个词性特征项的Fisher判别比,根据Fisher判别比越大特征向量判别性越强的Fisher准则,选择Fisher比值较大的前q个特征,并按照词性进行组合生成文档的Mixed-Fisher特征向量。然后在Mixed-Fisher特征向量集上构建文档的云向量模型,根据云向量模型间的差异度对模型进行聚类和合并。将该算法应用于文本情感观点的分类,选择核Fisher判别技术用于最终文本观点的判定。仿真实验结果表明,基于Mixed-Fisher特征的云向量聚类模型的分类准确率明显优于传统向量空间模型,从而验证了核Fisher判别技术的有效性。

基于CEEMDAN多尺度排列熵的轴承故障智能识别Fisher-GG聚类方法

针对滚动轴承振动信号的非线性、非平稳性以及复杂性,利用自适应噪声完备集合经验模态分解(Complete ensemble empirical decomposition with adaptive noise,CEEMDAN)的自适应降噪优势,结合多尺度排列熵(Multiscale permutation entropy,MPE)可以反映时间序列在不同尺度上的随机程度以及有效检测到时间序列动力学突变情况等特点,提出一种基于CEEMDAN、多尺度排列熵、Fisher比、GG(Gath-Geva,GG)聚类算法相结合的轴承故障智能识别方法。首先采用CEEMDAN算法对滚动轴承原始信号进行分解,得到若干个含有故障信息的振动信号固有模态函数(Intrinsic mode function,IMF)分量;其次采用峭度准则筛选出一个最优模态分量,并计算其多尺度排列熵值(Multi-scale permutation entropy,MPE);最后,利用Fisher比对MPE特征进行选择,将最终选择的MPE组成特征向量输入到GG聚类模型中,实现滚动轴承故障的智能识别。与其它聚类模型组合方法进行比较的结果证明所提方法在滚动轴承故障识别中的有效性和优越性。

基于时序可拓的滚动轴承性能退化评估方法研究

针对滚动轴承性能退化方法研究问题,提出了基于时序可拓的滚动轴承性能退化方法研究。首先利用自回归AR模型提取振动信号的特征,然后将所得的特征进行最值归一化处理,再用Fisher比对归一化处理后的特征进行打分降维,最后将降维后的特征向量输入到可拓学模型中,进而对轴承性能进行定性定量评估,通过实验并且用包络谱分析验证结论的准确性,实验表明所提的方法能有效发现早期故障。

酶解牡蛎肉制备高F值寡肽的研究

对采用胰酶水解近江牡蛎（Ostrea rivularis Gould）制备高F值寡肽进行了研究。其方法是将所得酶解液用活性碳吸附,然后用凝胶层析纯化。通过对比6种粉状活性碳去除酶解液中芳香族氨基酸和保留支链氨基酸的能力,找出了较适宜的活性碳类型及其吸附条件：活性碳型号为TX-325型,固液比为1：30（m/V）,pH=2.5,吸附时间为3h,吸附温度为25℃。将经活性碳吸附后的酶解液用凝胶（型号为Biogel P2）层析法在流速为0.4mL/min的条件下进行分离纯化,可得到F值大于20的寡肽混合物,其相对分子质量约1450~800。

基于FTIR的两种模式识别方法在两面针产地鉴别中的应用

为了探求建立快速鉴别两面针产地的方法，基于傅里叶变换红外光谱（FTIR）技术，选取1800400cm^-1红外指纹图谱带，采用Fisher比值法和SIMCA聚类分析法建立产地分类模型，分别对广西区内四个产地的两面针进行鉴别，并通过计算识别率与拒绝率来验证模型。结果表明，红外光谱技术不但能准确提取中药材的整体信息，并且基于红外光谱建立起的两种模式识别模型对未知样品进行预测，识别率和拒绝率均达到90％以上，说明所建模型具有较强的识别能力。通过自编计算程序以及现有统计软件，还可以将模式识别模型实现实时在线化检测与快速样品鉴别，大大提高了鉴别速度而更具应用价值。

蛋清肽的体内生物活性评价

通过测定受试30d实验小鼠的转棒时间、血清尿素氮含量和肝糖原含量的变化情况,对比分析了两种蛋清蛋白水解物的体内抗疲劳生物活性。实验结果表明:5%浓度蛋清高F值寡肽在提高受试小鼠的转棒时间和肝糖原含量、降低血清尿素氮的含量的趋势上优于5%浓度蛋清多肽及大豆肽,它能极显著地提高受试小鼠的转棒时间和肝糖原含量(P<0.01);能降低血清尿素氮的含量,但差异不显著(P>0.05)。

基于多准则排序融合的特征选择方法

针对模式分类中特征选择问题,为去除冗余特征,提高分类准确率,提出一种基于ReliefF算法、Fisher比率算法和马氏距离算法的多准则排序融合的特征选择方法。动态结合上述3种单准则特征选择法的优点,实现对多个评价准则的综合利用。以Ionosphere标准数据集和高速列车转向架故障数据集为研究对象进行实验仿真,仿真结果表明,相比于单准则特征选择法,该方法能更有效地降低特征维数,具有更高的分类性能。

一种用于雷达HRRP功率谱的加权特征压缩方法

针对雷达高分辨距离像的平移不变特征———功率谱特征,提出了一种基于F isher判决率的加权特征压缩方法.该方法利用目标功率谱特征的F isher判决率迭代搜索最优权向量,并根据最优权值的大小对特征向量降维.与直接使用原始功率谱特征及基于F isher可分性判据的几种现有的特征压缩方法相比,加权特征压缩方法在降维的同时可提高识别性能,且运算简单,在基于外场实测数据的识别实验中对测试数据具有良好的稳健性.

基于RBF网络的涡流无损检测系统设计

结合涡流无损检测的特点,介绍了基于RBF网络的涡流无损检测系统及系统软、硬件设计方法。硬件部分采用TI公司的DSP芯片TMS320VC5410作为核心,完成信号的产生及其处理。软件部分采用了基于RBF神经网络的涡流无损检测方法,且针对常用的RBF中心选择算法不能构成全局最优、收敛速度慢等缺点,提出采用基于改进Fisher中心选择算法确定RBF网络隐层节点数及径向基函数中心。仿真结果表明:利用DSP产生处理信号,得到的波形精度高、稳定性好;利用改进Fisher算法确定RBF隐层节点数及径向基函数中心简化了网络结构,提高了分类能力和收敛精度。