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比的Bark小波包变换的语音特征提取算法

为解决MFCC特征参数在噪声环境中识别率低的问题,提出一种基于Fisher比的Bark小波包变换特征提取算法.首先采用小波包变换构造Bark滤波器代替三角形的Mel滤波器.其次采用Fisher对Bark滤波后的特征参数进行选择,去除大量干扰信息,节省特征匹配的时间.仿真实验表明,该算法明显提高系统的识别率和鲁棒性.

基于Fisher比的梅尔倒谱系数混合特征提取方法

针对语音识别中梅尔倒谱系数(MFCC)对中高频信号的识别精度不高,并且没有考虑各维特征参数对识别结果影响的问题,提出基于MFCC、逆梅尔倒谱系数(IMFCC)和中频梅尔倒谱系数(MidMFCC),并结合Fisher准则的特征提取方法。首先对语音信号提取MFCC、IMFCC和MidMFCC三种特征参数,分别计算三种特征参数中各维分量的Fisher比,通过Fisher比对三种特征参数进行选择,组成一种混合特征参数,提高语音中高频信息的识别精度。实验结果表明,在相同环境下,新的特征与MFCC参数相比,识别率有一定程度的提高。

说话人识别中基于Fisher比的特征组合方法

为了提高说话人识别的准确率,可以同时采用多个特征参数,针对综合特征参数中各维分量对识别结果的影响可能不一样,同等对待并不一定是最优的方案这个问题,提出基于Fisher准则的梅尔频率倒谱系数(MFCC)、线性预测梅尔倒谱系数(LPMFCC)、Teager能量算子倒谱参数(TEOCC)相混合的特征参数提取方法。首先,提取语音信号的MFCC、LPMFCC和TEOCC三种参数;然后,计算MFCC和LPMFCC参数中各维分量的Fisher比,分别选出六个Fisher比高的分量与TEOCC参数组合成混合特征参数;最后,采用TIMIT语音库和NOISEX-92噪声库进行说话人识别实验。仿真实验表明,所提方法与MFCC、LPMFCC、MFCC+LPMFCC、基于Fisher比的梅尔倒谱系数混合特征提取方法以及基于主成分分析(PCA)的特征抽取方法相比,在采用高斯混合模型(GMM)和BP神经网络的平均识别率在纯净语音环境下分别提高了21.65个百分点、18.39个百分点、15.61个百分点、15.01个百分点与22.70个百分点;在30 d B噪声环境下,则分别提升了15.15个百分点、10.81个百分点、8.69个百分点、7.64个百分点与17.76个百分点。实验结果表明,该混合特征参数能够有效提高说话人识别率,且具有更好的鲁棒性。

基于相关距离Fisher比的混合参数用于说话人识别

为了得到更具区分性的特征参数,采用改进的MFCC提取方法,即低方差性的多窗谱估计MFCC,并在其基础上引入了短时TEO能量和ΔMFCC动态特征参量组合特征进行说话人识别。由于直接将两者进行组合会造成维度过高,计算复杂度增加,为此提出了相关距离Fisher比来对特征参数进行加权和维度筛选,最后送入GMM-UBM分类器模型进行识别。实验表明,改进的混合特征参数相较于单一的特征参量,具备更好的识别能力,使得识别率有一定程度的提高。

基于Fisher比的Bark倒谱系数混合特征参数提取方法

在说话人识别应用中,本文针对传统的Bark尺度特征参数提取过程中的不足,利用高斯滤波器组(Gaussian shaped filters,GF)代替三角滤波器组,对输入的能量进行滤波,其相比三角滤波器滤波结果更加平滑。由于巴克倒谱系数(BFCC)在高频精度不足,再利用Fisher准则将BFCC与IBFCC相结合,构造了一种新的混合特征参数。实验结果表明,在纯净语音及噪声环境下,本文提出的使用高斯滤波器组的BFCC比使用三角滤波器组的MFCC识别率高,而新的混合特征参数识别性能更优。

基于Fisher判别分析可分性信息融合的马铃薯VC含量高光谱检测方法

为提高马铃薯VC含量检测结果的准确性和可靠性,提出一种基于Fisher判别分析(Fisher discriminant analysis,FDA)可分性数据融合的检测模型输入变量构建方法。首先,利用高光谱成像技术采集200个马铃薯的高光谱信息,通过对比6种预处理方法和原始数据的建模结果,确定多元散射校正为光谱数据的预处理方法;其次,采用竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)、连续投影算法(successive projections algorithm,SPA)及CARS-SPA组合算法3种方法提取相应特征波长,通过对比分析最终确定34个有效特征波长;然后,将有效特征波长进行FDA可分性数据融合,根据融合的新变量对样本间差异性判别能力的大小进行筛选,确定构建检测模型的输入变量;最后,分别对FDA融合前后筛选的变量建立偏最小二乘模型和反向传播神经网络(back propagation neural network,BPNN)模型,并对检测结果进行对比分析。结果表明,将CARS算法提取的34个特征波长进行FDA融合,采用前3个融合变量作为构建检测模型的输入变量时,其所建BPNN模型的相关系数由0.9726提高至0.9990,均方根误差由0.7723降低至0.1727,不仅能够极大地降低数据分析维度,而且能够提高检测结果的准确性。因此,基于FDA可分性数据融合构建检测模型输入变量可以提高马铃薯VC含量检测结果的准确性。

三维荧光光谱融合小波包分解融合Fisher判别分析及支持向量机识别紫苏

为实现紫苏品种的快速鉴别,避免以次充好,选取4个品种的紫苏采集三维荧光数据,提出了一种基于小波包分解融合Fisher判别分析(Fisher discriminant analysis,FDA)的荧光数据特征选择策略,并实施了4种紫苏的有效鉴别。首先,对三维荧光数据进行预处理,采用Delaunay三角形内插值法去除瑞利散射和拉曼散射,以消除它们的不利影响;运用Savitzky-Golar卷积平滑对数据进行平滑处理,以减少噪声的干扰。同时,对三维荧光数据进行初步筛选,去除了荧光强度小于0.01的发射波长。然后,对各激发波长对应的发射光谱进行3层sym4小波包分解,计算得到最低频段的小波包能量值,作为各激发波长光谱数据表征量。接着,再利用FDA对小波包能量进行判别分析,将其所包含的差异性信息进行融合,得到FDA生成的新变量,并选取累计判别能力达到99%的前3个FD变量作为不同品种差异性信息的表征变量,提出三维荧光数据的表征策略。最后,利用BP神经网络(backpropagation neural network,BPNN)和支持向量机(support vector machine,SVM)两种模式识别算法对表征变量进行分析,得到FDA+BPNN和FDA+SVM两种鉴别结果。FDA+BPNN的训练集正确率为97.5%,测试集正确率为95%;FDA+SVM的训练集和测试集的正确率均达到98.33%。结果表明,三维荧光光谱技术结合小波包分解、FDA和SVM算法基本上能够实现紫苏品种的鉴别。这为后续有关紫苏的进一步检测研究(如某些有效成分的定量检测)提供了研究基础。

基于PCA的Fisher多元统计方法识别矿井充水水源

采煤工作面回采过程中充水水源的多源不确定性是矿井水害防治的研究重点,采用水化学信息识别充水水源时,常难以明确界定各充水水源的特征型水质阈值,且现有大多数分析判别方法判别精度不高。基于现场采集的马脊梁煤矿8210工作面矿井涌水可能充水水源样本建立样本数据库,采用Piper三线图法和多因子法分析各充水水源的水质类型及训练样本数据库,建立了基于主成分分析的Fisher判别模型,并根据欧氏距离判别原则分析识别采空区涌水的充水水源。结果表明,充水水源主要为侏罗系采空积水,其次为底板灰岩水和顶板砂岩水;该判别模型判别精度可以达到99.9%,对于采煤工作面矿井涌水充水水源的现场识别具有重要指导意义。

Fisher判别函数在足迹分析性别中的应用

结合脚型性别差异研究,为了选取出足迹上与性别显著相关的特征,以便通过Fisher判别法建立函数模型,本研究测量了共7个与性别显著相关的几何特征,通过T检验和Fisher判别法建立了模型;利用Fisher判别分析建立了典则判别函数和Fisher线性判别函数。实验结果显示,选取的特征对模型影响显著,函数模型预测准确率为92.3%。该判别函数模型可以显著提高足迹分析性别的准确率,可为技术侦查提供帮助。

改进Fisher判别法的突水水源快速判别模型

为快速有效地判别矿井突水水源位置,预防水害事故的发生,根据平煤五矿实际水文地质特征,针对砂岩、太灰和寒灰含水层水质差异性,收集34组水样资料,并选取K^(+)+Na^(+)、Ca^(2+)、Mg^(2+)、SO_(4)^(2-)、Cl^(-)、HCO_(3)^(-)六大常规水化学离子作为判别因子,开展水化学特征分析;结合PCA降维统计算法,建立改进的Fisher水源判别模型,并利用待测样本对比改进前后Fisher模型的判别结果,同时将训练样本回代到改进模型中进行验证。结果表明,根据水化学类型无法准确区分寒灰水与太灰水;利用改进Fisher判别模型测试10组待测样本,判别准确率为100%,相较于基础Fisher模型,准确率提高了20%,应用改进Fisher判别模型可大幅提升水源识别准确率;已知训练样本的回代结果显示,改进Fisher判别结果与实际情况基本吻合。通过2种模型的对比分析,采用改进Fisher模型进行矿井水源识别准确率及可靠性高,具有一定研究价值,可为矿井水源识别提供新的思路。

基于组合权重的Fisher最优分割法在水库汛期分期中的应用

针对Fisher最优分割法中多指标赋权仅考虑单一客观赋权法的不足,将基于信息论的熵权法和基于统计学原理的变异系数法、CRITIC赋权法引入到指标权重计算中,提出基于组合权重的Fisher最优分割法进行水库汛期分期。以水布垭水库为例,选取能反映洪水变化规律的旬平均流量、最大洪峰流量出现次数、旬最大一日洪量、旬最大三日洪量、旬最大七日洪量5个指标,采用基于组合权重的Fisher最优分割法进行汛期分期,并将分期结果与采用单一客观赋权法的分期结果进行对比分析,最后确定汛期分为3期最优,前汛期为5月1日至6月10日、主汛期为6月11日至7月31日、后汛期为8月1日至9月30日。研究结果表明:采用组合权重法确定权重既兼顾了熵权法、变异系数法、CRITIC赋权法的优势,又能直观地区分不同指标对汛期分期的影响程度,该方法适用于Fisher最优分割法中多指标权重的确定。

运动参考系中量子Fisher信息

量子参数估计中的基本理论--量子Cramér-Rao不等式指出,参数估计的方差由量子Fisher信息的倒数决定,量子Fisher信息越大,参数估计的方差就越小,估计精度也就会越高.在非相对论量子力学中,量子Fisher信息已被广泛研究,但考虑相对论效应对量子Fisher信息影响的研究相对较少.本文采用粒子态的相对论变换方法,数值计算和分析了运动参考系中单粒子态、双粒子态振幅参数θ和相位参数φ的量子Fisher信息.结果表明,在运动参考系中,无论是使用单粒子态还是双粒子态,量子Fisher信息都会降低.对于相位参数,双粒子态的量子Fisher信息比单粒子态降低得更加显著.然而,对于振幅参数,双粒子态的量子Fisher信息相对于单粒子态有所提高,该研究结果为在相对论效应的影响下提高参数估计精度提供了有价值的参考.

基于中心偏移的Fisher score与直觉邻域模糊熵的多标记特征选择

现有多标记Fisher score模型中边缘样本会影响算法分类效果。鉴于邻域直觉模糊熵处理不确定信息时具有更强的表达能力与分辨能力的优势,文中提出了一种基于中心偏移的Fisher score与邻域直觉模糊熵的多标记特征选择方法。首先,根据标记将多标记论域划分为多个样本集,计算样本集的特征均值作为标记下样本的原始中心点,以最远样本的距离乘以距离系数,去除边缘样本集,定义了新的有效样本集,计算中心偏移处理后的标记下每个特征的得分以及标记集的特征得分,进而建立了基于中心偏移的多标记Fisher score模型,预处理多标记数据。然后,引入多标记分类间隔作为自适应模糊邻域半径参数,定义了模糊邻域相似关系和模糊邻域粒,由此构造了多标记模糊邻域粗糙集的上、下近似集;在此基础上提出了多标记邻域粗糙直觉隶属度函数和非隶属度函数,定义了多标记邻域直觉模糊熵。最后,给出了特征的外部和内部重要度的计算公式,设计了基于邻域直觉模糊熵的多标记特征选择算法,筛选出最优特征子集。在多标记K近邻分类器下、9个多标记数据集上的实验结果表明,所提算法选择的最优子集具有良好的分类性能。

基于自编码器和Fisher矢量编码的人脸防伪检测研究

为了应对针对人脸识别系统的欺骗攻击,设计一种基于软件的方法来检测人脸欺骗攻击。首先,从多个颜色通道中随机提取局部视频块并将其向量化,随后训练并使用自编码器将提取的向量进一步编码为局部低维特征;接着,利用这些特征拟合一个高斯混合模型;然后,使用Fisher矢量编码将来自同一样本的全部局部低维特征聚合成一个全局特征向量;最后,通过支持向量机对这些全局特征进行分类。在三个标准人脸欺骗数据集上的实验结果证明了该方法的有效性。在IDIAP数据集上的半错误率为0%,在CASIA数据集和MSU数据集上的等错误率分别为3.33%和2.08%。该方法结合自编码器和Fisher矢量编码,在低维特征的情况下取得了较高的性能,可以有效地抵抗人脸识别中基于照片和视频的欺骗攻击。

基于产状Fisher分布的岩石节理最小样本容量确定方法

节理产状是影响岩体结构及其工程性质的关键参数之一,因此准确计算节理的平均产状是岩体工程性质研究的基础。由于节理产状的离散性,合理确定节理的最小样本容量对于计算节理组的平均产状具有重要意义。基于Fisher分布,阐释了节理产状随机数的生成方法,提出一种考虑“超越上半球投影产状”(OEBEUHP)的平均产状计算方法。随机生成不同数量、不同κ值的Fisher分布产状来研究节理样本容量对平均产状准确性的影响,在保证准确率不低于0.95的情况下,建立了最小样本容量与Fisher分布常数κ值的经验关系。研究结果表明:节理样本容量对平均产状的统计准确性影响显著,样本容量越大,平均产状的统计准确率越高;最小样本容量与κ值呈明显的反比例关系,反比例系数为1 007.23。通过对三峡地下厂房上游边墙和乌东德水电站平洞PD5-2节理的统计分析,验证了该经验关系的适用性,能够有效指导节理产状的采样工作。

基于Fisher标签字典学习的齿轮箱故障诊断方法研究

齿轮箱结构复杂,工作环境恶劣,导致难以有效诊断其故障。传统稀疏表示方法缺乏对字典原子和稀疏编码的约束,不能体现出信号的结构特性。提出Fisher标签字典学习算法。首先构建Fisher约束项,学习样本的类内和类间特征;然后引入样本标签信息,构建标签约束项,将样本标签与每个字典原子相关联;最后采用最优方向法实现误差最小化,字典与稀疏编码交替更新,提高字典学习的识别率。通过实验数据对比分析,该方法在稀疏编码、原子聚类等方面均优于传统稀疏表示方法,可对齿轮箱故障进行有效诊断。

基于Fisher判别分析鉴别中药材种类及产地

本文根据 2021 年高教社杯全国大学生数学建模竞赛“中药材的鉴别”的数据进一步研究。中药材鉴别是中药学研究 的重要领域之一,其目的是通过分析中药材的光谱特征和其他物理、化学性质,来鉴别中药材的种类和产地,以提高中药的品质和 疗效。在实际应用中,结合药材的近、中红外的光谱特征以及不同药材的吸光度可以对中药材的产地进行综合性的鉴别。本文使用 R 语言软件,通过对数据进行标准正态变量变换(svn)处理后主成分分析、K-means 聚类,根据附件给出的几种药材的近红外光 谱数据,对数据进行相关性筛选,求出该未知数据与平均值的相关性,利用 Fisher 判别分析进行对比,最后鉴别药材的类别与产 地。另外建立 XGboost 模型及作多元线性回归模型鉴别不同产地的近、中光谱特征来辨别各类药材的产地以及种类。

基于Fisher Score特征选择的电力系统暂态稳定评估方法

针对不同电气输入特征与电力系统暂态稳定关联程度不同以及当输入特征受到干扰时评估准确率明显下降的问题,提出一种基于Fisher Score特征选择的电力系统暂态稳定评估方法。设计一种面向电力系统暂态稳定评估二分类问题的样本特征Fisher Score值计算方案;通过Fisher Score值排序有效区分重要特征与冗余特征、噪声特征与非噪声特征;将选择的电气特征输入不同机器学习模型中进行训练和评估。新英格兰39节点系统和IEEE 145节点系统的仿真结果表明,所提特征选择方案能有效筛选电力系统暂态稳定评估中重要度高的特征,提升了评估模型的预测性能。

基于互信息的Fisher Score多标记特征选择

目前,Fisher Score模型在处理多标记数据时没有考虑样本和整个特征空间之间以及特征和标记之间的关系.提出一种基于互信息的Fisher Score多标记特征选择方法.首先,在多标记决策系统中考虑整个样本空间对特征选择的影响,根据异类样本与同类样本之间的欧式距离定义权重公式,并在特征空间下对标记赋予权重衡量标记的重要程度.然后,基于互信息理论定义特征与每个标记之间的互信息来计算每个特征和每个标记之间的相关度,将特征与标记之间的相关度与该标记所占的权重相结合来定义特征和标记集之间的总相关度.将Fisher得分与总相关度结合,定义每个特征的新的Fisher得分,进而构建多标记Fisher Score模型.最后,设计了一种基于互信息的Fisher Score多标记特征选择算法.在六个多标记数据集上的实验证明,提出的算法与其他算法相比,其四种评价指标都表现良好,分类性能出色.