一种基于Parzen窗估计的鲁棒ELM烧结温度检测方法

在回转窑燃煤火焰视频模糊且干扰较大的情况下,基于火焰辐射能量和燃烧稳定程度提取多帧煤粉燃烧图像的统计特征进行烧结温度判断.为克服工业现场特征数据中的粗差干扰,将极限学习机(Extreme learning machine,ELM)与稳健估计理论相结合,用训练误差分布的Parzen窗非参数估计构造ELM权矩阵,对其输出层权值进行稳健最小二乘估计.基于上述火焰视频的统计特征,用该改进的鲁棒极限学习机(Robust-ELM)检测烧结带温度.实验结果表明,在视频图像模糊、不能用常规静态图像处理方法软测量烧结带温度时,本文方法可快速有效地检测窑内烧结温度,且检测系统不易受现场干扰,稳定性强。

基于Parzen窗的水下无线传感器网络目标定位方法

水声通道复杂多变,使得水下无线传感器网络中节点出现失效的情况,影响了多节点的目标定位性能。为解决这一问题,该文提出一种基于Parzen窗的方位交线定位方法。该方法利用Parzen窗分析所有交点的分布特征,估计目标可能出现在某个位置的概率,将概率最大值对应的点作为目标的估计位置。由于概率分布是非线性、多峰值的,采用带有惯性权重的粒子群算法去求解。仿真实验结果表明,所提方法能够在节点失效的情况下获得较高的目标定位性能,具有较好的鲁棒性。

基于Parzen窗估计的设备状态综合报警方法

针对现有监测报警方法难以适应工况变化和融合多元数据的缺点,提出基于Parzen窗估计的设备状态综合报警方法。该方法动态估计多元监测数据的联合概率密度函数,以局部分布边缘包络作为报警边界,随着监测数据的不断积累,逐步提高正常和故障概率分布估计的准确性,形成符合设备个性化状态发展历程的动态报警区域。通过对转子试验台和加热炉风机监测数据分析,验证了该方法的有效性。

改进的基于Parzen窗算法的SAR图像目标检测

传统的Parzen窗检测算法假设目标占整个背景中较小的一部分,将SAR图像中的所有像素用于估计杂波概率密度函数,容易造成检测阈值的增大从而对不太明显的SAR图像舰船目标产生漏检。对此,提出了一种改进的Parzen窗检测算法,该算法通过自适应地设置目标窗口,将潜在的目标从检测图像中剔除,对剔除后的杂波背景采用Parzen窗进行非参数化的杂波模型估计,进而确定检测阈值,完成目标的检测。相比传统的Parzen窗检测算法,提出的SAR图像舰船目标检测算法减少了漏检数量,改善了检测性能。实测SAR图像的检测结果表明了该方法的有效性。

基于Parzen窗法的贝叶斯参数估计

针对贝叶斯估计中所需的非规则概率密度函数,提出用Parzen窗算法估计相关概率密度,从而求解不同损失函数下的贝叶斯参数估计器。实例分析中,选择一组电阻测量值作为样本,利用Parzen窗法计算出相应的概率密度函数,最后用交叉验证法得出了该样本的最小绝对值误差参数估计器。

基于Parzen窗的Vague集理论用于油液原子光谱特征优选

油液原子光谱信息量大且具有模糊性,严重影响了在故障诊断中的应用效率和精度。为选择数量少、效率高的光谱特征,提出了一种光谱特征选择的新方法。基于齿轮箱实验台架,模拟了齿轮正常磨损状态和两种典型故障,并采集了油液样本。将三种磨损状态视为三个Vague集,光谱特征值视为Vague集上的Vague值。基于Vague值之间的相似度量,定义了平均Vague敏感度(mean vague sensitivity,MVS),用来描述光谱特征对不同磨损状态的敏感程度,并据此选择出对磨损状态敏感度高的光谱特征。此外,针对Vague集隶属度的确定严重依赖人为经验的问题,利用Parzen窗法分别估计出三种状态光谱数据的概率密度分布后,结合贝叶斯公式确定出Vague集的隶属度上、下限。实验表明,此方法可以有效地从大量光谱特征中选择出对故障敏感程度较高的特征。

Parzen窗确定系数的协同模糊C均值算法

协同模糊C均值(collaboration fuzzy C-means,CFC)算法的协同系数通常根据经验人工设定,且在协同过程中保持不变,不能充分利用数据子集之间的协同关系,算法精度有限。提出Parzen窗确定系数的协同模糊C均值(βp-CFC)算法。用模糊C均值(fuzzy C-means,FCM)算法求出各数据子集的隶属度和聚类中心,再用Parzen窗求出各子集在聚类中心处的密度,根据子集间密度的相关性设定变化的协同系数,利用变化的协同系数进行协同聚类。以Matlab为平台,对βp-CFC算法进行了实验,算法聚类准确率可达到80.34%,比模糊C均值算法、固定系数的CFC算法的准确率分别高出11.80%和3.94%。实验证明,βp-CFC算法较为合理,聚类性能较好。

基于参数Parzen窗估计的独立分量分析

在对盲源信号进行独立分量分析时,往往需要已知源信号的概率密度函数(PDF)。然而,由于源信号是未知的,一般事先很难知道其PDF。通常的做法是采用非参数的Parzen窗估计源信号的PDF。但是因为不同的信号具有不同的PDF,本文引入窗宽作为参数的Parzen窗来估计源信号PDF。用信息熵最小原则进行独立分量分析。模拟结果表明信号干扰比(SIR)明显提高。

基于Parzen窗条件互信息计算的特征选择方法

为解决连续值特征条件互信息计算困难和对多值特征偏倚的问题,提出了一种基于Parzen窗条件互信息计算的特征选择方法。该方法通过Parzen窗估计出连续值特征的概率密度函数,进而方便准确地计算出条件互信息;同时在评价准则中引入特征离散度作为惩罚因子,克服了条件互信息计算对于多值特征的偏倚,实现了对连续型数据的特征选择。实验证明,该方法能够达到与现有方法相当甚至更好的效果,是一种有效的特征选择方法。

一种基于加权Parzen窗的聚类算法

提出了一种新的基于加权Parzen窗的无监督学习方法 .该方法采用加权Parzen窗获得对数据分布状态的良好描述 ,从而求出不同模式类的分界面 ,并将聚类过程转变为求解加权Parzen窗权值的线性规划问题 .实验表明 ,采用这一方法只需较少的计算时间就可以获得与Asa等人基于支持向量机的方法类似的聚类结果 .

基于Parzen窗的油液原子光谱数据半监督FCM聚类研究

提出了一种基于Parzen窗的半监督模糊C-均值(Semi-supervised Fuzzy C-Means Based on Parzen window,PSFCM)聚类算法。根据训练样本确定出模糊C-均值(Fuzzy C-Means,FCM)的初始聚类中心;利用Parzen窗法计算出测试样本对各类状态的隶属度后,重新定义了隶属度迭代公式。通过齿轮箱磨损实验台模拟了齿轮箱的2种典型磨损故障并采集了油样。选取实验油样光谱分析数据中代表性元素Fe,Si,B的浓度值作为分析数据集的3维特征量,分别进行了FCM聚类和PSFCM聚类分析。聚类结果为:FCM聚类的正确率为48.9%,而融入了监督信息的PSFCM聚类的正确率为97.4%。实验说明,将PSFCM算法引入到油液原子光谱分析,降低了对人为经验和大量故障数据的依赖,提高了齿轮箱磨损故障诊断的准确度。

基于Parzen窗的印刷文档数学公式抽取的研究

数学公式抽取是公式识别的首要步骤,目前相关的研究还很欠缺。针对印刷文档中数学公式的抽取展开了研究,提出了一种Parzen窗和启发式规则相结合的公式抽取方法。对于孤立式公式采用Parzen窗方法将其从文档中抽取出来,对于嵌入式公式采用启发式规则将其从文本行中抽取出来。实验表明,这两种抽取方法的结合取得了较好的效果。

基于最小分类错误率和Parzen窗的降维方法

提出了一种基于最小分类错误率和Parzen窗的降维方法,利用Parzen窗估计数据的概率密度分布;通过计算各特征维度下的分类错误率,判断该特征维度对目标分类的贡献度;依据贡献度大小进行特征维度选择从而达到降维的目的。

基于Parzen窗函数的SAR图像人造目标检测算法

提出了一种基于Parzen窗函数的SAR图像人造目标检测算法.该方法首先以基于数据驱动的Parzen窗核函数逼近实际SAR图像的直方图,完成SAR图像的精确建模;在此基础上,理论推导了全局CFAR检测算法的阈值,设计了阈值求解的数值算法.典型目标的实际图像的实验结果证明,该方法是一种速度较快、精度较高的人造目标检测算法.

从Parzen窗核密度估计到特征提取方法:新的研究视角

当前主流特征提取方法大致有2种研究思路:1)从高维数据的几何性质出发,根据某种寻优准则得到基于原始空间特征的一组特征数更少的新特征;2)从降维误差角度出发,保证降维前后数据所呈现的某种偏差达到最小.试图从降维过程中数据分布特征的变化入手,基于广泛使用的Parzen窗核密度估计方法,来审视和揭示Parzen窗估计与典型特征提取方法 LPP、LDA和PCA之间的关系,从而说明这些特征提取方法可统一在Parzen窗框架下进行研究,为特征提取方法的研究提供了一个新的视角.

改进Parzen窗解决高维数据聚类的方法研究

由于高维数据聚类的现实意义日益增强,而Parzen窗估计法仅对低维数据集聚类能获得良好的结果,随着维数增加,效率降低,因此对Parzen窗进行加权改进,通过多次仿真实验确定加权函数,将高维数据投射至低维空间,对其聚类,逐步投向高维空间,对结果矩阵进行优化处理,得到更为优良的聚类效果。

基于Parzen窗的手动变速器挡位识别方法研究

针对手动挡车辆在运行过程中无挡位传感器的情况下挡位信号无法识别获取的问题,通过对多次整车转鼓试验进行分析,发现读取CAN总线里面的速比信息,然后基于直方图计算各速比范围信号出现的频率,并以此确定挡位数目和速比的大小范围,再利用Parzen窗函数的方法获取各挡位的实际速比,可以实现对挡位信号精准的识别。试验结果表明,采用Parzen窗的挡位识别方法能够识别出挡位信号。对比Parzen窗获取的挡位识别信息与挡位信号传感器直接获取的挡位信息,发现两者的相似度很高,这也验证了该方法的可行性和准确性。该方法提供了整车运行过程中一种挡位识别的新方式。

基于Parzen窗估计的一类加权极限自编码器

针对传统的一类分类器分布适应性差、数据描述不够精确等问题,提出了基于Parzen窗估计的一类加权极限自编码器.该方法首先采用Parzen窗法对数据分布的全局概率密度进行估计,进而对样本进行个性化加权操作,并训练极限学习机,从而实现对样本分布的精确描述.特别地,极限学习机以自编码器的方式实现,并通过重构误差来确定样本类属.实验结果表明:与诸多传统方法相比,其不但具有更好的数据描述能力,而且兼具时间复杂度低的优点.

Parzen窗核密度估计的模式分类隐私保护方法

针对大规模数据集上的模式分类任务,提出了一种基于Parzen窗核密度估计的模式分类隐私保护算法。该算法首先利用Parzen窗算法对原始大规模训练集服从的概率密度进行估计,然后根据估计的概率密度函数构造la个替换训练样本,其中l为原始样本的数目,a通过10折交叉验证方式确定。最后发布替换训练样本进行模式分类,以实现原始数据上的隐私保护。在Adult数据集上的仿真实验充分验证了该算法的有效性。

一种基于Parzen窗技术和Tsallis熵原理的图像分割新方法

提出了一种基于Parzen窗技术和Tsallis熵原理的图像分割新方法.该方法采用Parzen窗技术来估计图像灰度值的空间概率分布,再结合Tsallis熵来构造新的目标函数,最后在图像灰度值范围内搜索使该目标函数达到最大值的灰度值作为最佳全局阈值.通过和传统的基于Tsallis熵理论的图像分割方法相比较,结果表明该方法对图像分割精度非常高,且稳定性强.