油液光谱数据诊断综合传动装置异常磨损定位方法

磨损是影响综合传动装置工作可靠性及使用寿命的重要因素之一,当前相关研究中常用的聚类、主成分分析、加权融合等油液光谱数据分析方法,缺乏对特定元素浓度指标异常磨损情况下随时间增长的考虑。为分析综合传动装置不同零部件的磨损状态,提出一种基于油液光谱数据的零部件异常磨损定位分析方法。针对综合传动装置异常磨损过程中部分元素在特定阶段会出现快速增长的情况,提出基于时间窗相关距离的聚类方法,分离表征不同零部件磨损状态的元素;提出磨损元素的磨损趋势分级方法,以高磨损趋势元素为聚类中心,使聚类结果具备可解释性;通过分级系数确定零部件磨损元素权重,融合各零部件磨损元素,获取不同零部件磨损状态表征;通过异常磨损界限值识别异常磨损,实现零部件异常磨损定位。以综合传动装置润滑油液光谱数据为例,检测判断该装置异常磨损的零部件及时间段。检测结果表明:Fe、Cu、Pb三种元素的磨损趋势分级系数最高,携带大量磨损信息,能够有效表征装置的磨损状态;基于时间窗相关距离的有中心聚类方法,成功将油液光谱数据分为Fe、Cu、Pb三类,可用于有效表征整体、摩擦片、齿轮组的磨损状态;基于分级系数的加权融合方法可以有效对该装置的异常磨损部位和时间周期进行检测和判断,为后续的故障预防和维护提供技术指导。

CNN-Transformer结合对比学习的高光谱与LiDAR数据协同分类

针对高光谱图像(hyperspectral images,HSI)与LiDAR数据多模态分类任务中的跨模态信息表达和特征对齐等问题,提出一种基于对比学习CNN-Transformer高光谱和LiDAR数据协同分类网络(Contrastive Learning based CNNTransformer Network,CLCT-Net)。CLCT-Net通过由ConvNeXt V2 Block构成的共有特征提取模块,获得不同模态间的共性特征,解决异构传感器数据之间语义对齐的问题。构建了包含空间-通道分支和光谱上下文分支的双分支HSI编码器,以及结合频域自注意力机制的LiDAR编码器,以获取更丰富的特征表示。利用集成对比学习进行分类,进一步提升多模态数据协同分类的精度。在Houston 2013和Trento数据集上的实验结果表明,相较于其他高光谱图像和Li‐DAR数据分类模型,本文所提模型获得了更高的地物分类精度,分别达到了92.01%和98.90%,实现了跨模态数据特征的深度挖掘和协同提取。

基于LiDAR数据与光谱影像融合的单木提取方法

针对现有的机载数据单木分割方法对林型的普适度不高,尤其在高郁闭度阔叶林地带提取精度偏低的问题,选用海南省海口市热带阔叶林地带的光谱影像和LiDAR数据,先采用基于距离阈值的单木分割方法,利用高分光谱影像分割得到的树冠边缘,对初始探测树顶点进行位置约束。获得单木顶点的精确定位后,采用基于种子点的单木分割方法分割,完成了阔叶林的单木提取。结果显示,与已有的基于单木间相对间距单木分割方法相比,本研究通过选取最佳分割尺度结合光谱影像进行精确定位,改善了原有单一尺度分割方法导致的过分割现象,将单木识别精确率由0.67提升至0.92。该方法在使用遥感对森林单木进行分割工作中,可以更好地识别单木,对不同林型适用度较高,可以为后续的单木信息提取工作提供数据基础。

基于可见光-近红外高光谱信息与数据融合的木质化鸡胸肉的判别模型构建

木质化鸡胸肉(wooden breast,WB)制约肉鸡行业发展,传统触诊检测方法耗时且效率低,为提升高光谱成像(hyperspectral imaging,HSI)技术检测鸡胸肉木质化程度的效果,本论文以白羽鸡鸡胸肉为研究对象,将其划分4个木质化等级,采集其在400~1000和1000~2000 nm内的HSI信息,通过不同光谱预处理算法和特征波段筛选方法,建立基于全波段、特征波段和HSI数据融合的偏最小二乘判别分析(Partial least squares-discriminant analysis,PLS-DA)模型和支持向量机(Support vector machine,SVM)模型。结果显示,SVM模型比PLSDA模型更适于判别鸡胸肉木质化程度,基于1000~2000 nm内全波段和特征波段的最佳模型预测集总体正确率均高于400~1000 nm内的模型,基于两波段HSI数据融合的木质化判别模型优于基于单一波段(包括全波段和特征波段)的模型,最佳模型预测集总体正确率为96.7%,能较好地区分出4个木质化等级,且对4个等级的判别准确率均可达90%以上。研究结果为HSI实现木质化鸡胸肉的准确无损检测提供技术支持。

非制冷快照式红外视频光谱成像仪及其数据处理

随着现代社会的工业化进程和快速发展,工业生产中的危险化学气体泄漏严重危及人身财产安全。如何有效检测污染气体的存在并获取气体的浓度和分布等信息,成为气体泄漏检测的重要课题。非制冷快照式红外视频光谱成像仪(Uncooled Snapshot Infrared Video Spectrometer,USIVS)是一种理想的硬件方案,能够直接从图像中感知危险化学气体的存在并获取危险化学气体的位置,为紧急处置提供有力支持。但是,商业化的轻量级被动式红外光谱成像仪的灵敏度和光谱分辨率相对受限,已有的气体浓度反演方法难以准确检测污染气体的存在。本文介绍了一种基于非制冷快照式红外视频光谱成像仪及其适用的数据处理技术流程。利用气体浓度反演方法对不同温度和光程长度下的气体进行了模拟实验,并得到了较为准确的反演结果,平均误差分别为2.88%和0.61%。在实验室和室外场景下进行了气体浓度反演方法的测量实验,结果表明该算法具有较好的稳定性,平均误差分别为6.18%和7.47%。通过USIVS与数据处理技术流程的有效结合,能够快速准确地检测污染气体的存在并给出图像中每个像素的气体浓度,实现气云浓度反演的效果,为后续该类技术的商业化及实用化提供了参考。

基于拉曼光谱数据增强的纺织纤维定性分析

废旧纺织品的组分鉴别存在人力成本高、鉴别效率低的问题,基于拉曼光谱的机器学习快速鉴别方法是解决这一难题的潜在方案。然而,机器学习方法通常需要大量的数据进行训练,为了降低数据采集成本并提高在小样本拉曼光谱数据集下模型对纺织纤维的分类准确率,提出了一种拉曼光谱数据增强方法。该方法在预处理后的5种纺织纤维拉曼光谱数据集上,通过规定皮尔逊相关系数结合信噪比公式进行噪声叠加,并使用Dirichlet分布进行线性组合的数据增强。结果表明,在经过数据增强后SVM poly模型在10轮2折交叉验证平均准确率达到了92.4%,相较于原始拉曼光谱数据集提高了68.2%。该数据增强方法能够在扩充数据集的同时丰富样本的多样性,从而提高模型的分类性能。

基于高光谱数据的密云水库水生态空间地物精细分类

重点水域水生态空间地物类型分布状况是其健康评估以及生态规划的重要基础.基于高分五号(GF-5)卫星高光谱数据,采用混合式特征选择算法开展北京市密云水库水生态空间地物精细分类研究.采用随机森林算法获取波段重要性排序,经过特征降维将总体分类精度最高的模型对应的特征集作为初始特征子集.利用后向序列选择算法搜索地物精细分类的最佳特征子集,进而开展密云水库水生态空间的地物精细分类.结果表明,高光谱数据可以实现较高精度的地物分类(总体分类精度为93.61%,Kappa系数为91.71%),相比于哨兵二号(S-2)卫星多光谱数据,在精细树种分类方面具有明显的优势.

不同数据类型和降维对钙华高光谱识别精度的影响

钙华是研究地壳运动、古气候等地质环境的重要载体,大规模的钙华景观不仅有利于研究地质演变,作为自然遗产具有很高的旅游价值和保护意义,由于全球气候变化与人为因素影响,钙华容易出现被破坏、退化等现象。为方便保护和修复钙华资源,本研究提出区别于传统实地勘察的高光谱识别方法,利用原始数据(OD)、多元散射(MSC)后数据、一阶导后(FD)数据、二阶导(SD)后数据经过主成分分析(PCA)、线性判别分析(LDA)方法降维后与支持向量机(SVM)、随机森林(RF)、BP神经网络、卷积神经网络(CNN)四种方法建立识别模型,并讨论了不同降维效果和数据类型对识别模型总体分类精度(OA)的影响,发现原始数据中PCA降维的效果比LDA降维效果好,其在PCA降维下的分类模型普遍精度要比LDA下的模型精度高;在本研究中,以MSC数据为输入的识别模型精度均值为88%,在四种数据的模型精度均值大小中位居第二,仅比第一位低0.1%,但其方差与标准差分别为0.043、0.042,远远小于其他三种数据的模型,说明MSC数据的识别模型要更加稳定;其次经过粒子群算法(PSO)优化的SVM分类模型在F1-score、kappa系数、OA三种性能指标的评价下性能显示优良,其中SD-PCA-PSO-SVM获得了98%的高精度。综上,在钙华识别过程中,未经优化的分类器选择MSC数据或PCA降维的原始数据作为输入,更容易获取高精度识别模型,选择合适的理论来优化模型也可提升模型的识别性能。

恒星光谱数据弱特征识别方法

恒星光谱弱特征识别是LAMOST光谱数据分析的重要研究内容,能够为恒星光谱分类提供重要科学依据。目前,针对恒星光谱数据进行特征识别的方法较多,但是缺乏对某种特定特征谱线进行精确提取的算法。针对LAMOST低分辨光谱数据中Hα弱发射线轮廓形态多样问题,提出了一种基于置信度的Hα弱发射线识别方法。首先,基于Hα弱发射线轮廓形态特征给出Hα弱发射线的置信度的度量方法。利用Hα发射线波长区间内峰值与发射线的偏移量建立距离置信度模型,根据高斯轮廓所含像素点个数建立高斯轮廓副信息模型,通过计算峰值左右波形的差异建立对称性评估模型,结合三个模型给出最终的Hα弱发射线的置信度,并基于此置信度进行第一轮筛选。为了提高精度,提出了借助其它发射线的特征给出了基于二分类的Hα发射线筛选策略。通过考察Hβ、NII、OIII以及SII发射线的特征,基于辅助信息的决策树进行第二轮筛选,进一步提高筛选的精度。实验结果表明:提出的Hα弱发射线的特征度量方法的准确度高达90%,并且速度较快,平均每1 k数据耗时仅三十多秒。

基于Mel光谱数据增强和ResNet网络的滚动轴承故障诊断模型

针对工业数据采集困难和稀疏数据特征提取能力有限等问题,提出一种基于Mel光谱数据增强和ResNet网络的滚动轴承故障诊断模型。为了增加训练样本数据的多样性,引入了Mel光谱数据增强技术,提高模型的泛化能力,使其能够更好地适应各种滚动轴承故障情况。通过ResNet网络残差单元的堆叠深度捕捉复杂的故障特征信息,进而有效识别滚动轴承的故障模式。最后,对实验现场采集的滚动轴承故障数据进行验证评估。结果表明:所提模型在增强数据集上的诊断准确率高达99.83%,比原始数据集准确率提高了1.39%;与其他方法相比,该模型在准确性和鲁棒性方面都取得了显著改进,能更准确地识别滚动轴承的不同故障类型。

煤质近红外光谱分析中数据挖掘技术的应用

为全面了解煤炭性质,提高煤炭加工利用率,掌握煤炭品质规律显得尤为重要。近红外光谱分析技术应用优势显著,能够为煤质分析提供技术保障。研究发现,近红外光谱分析中数据挖掘技术发挥了重要的作用,进一步为建模提供了数据支撑。基于此,本文主要基于人工智能与灰分反射光谱特征的煤炭质量分析这一项目进行研究,旨在为煤质分析工作的开展提供参照和指导。基于低碳减排、节能环保理念,煤炭能源生产和消费趋势逐渐向低碳、环保方向发展。煤炭作为我国的主体能源,合理开发利用煤炭能源,可以更好兼顾生态效益、经济效益以及社会效益。有研究指出,加强煤质分析,是加快推动煤炭产业转型升级的关键,因此,探寻准确率高、快速高效的煤质分析技术至关重要。

基于光声光谱技术的计算机网络通信数据加密方法

针对计算机网络通信中的数据安全问题,提出一种基于光声光谱技术的数据加密方法。该方法利用光声效应,将数字信息调制为光声信号,并采用混沌同步技术实现加密和解密。通过仿真实验,评估该方法的加密性能。结果表明,该方法具有较高的加密效率、强度、灵敏度,能够有效保护网络通信数据的机密性。

基于Hyperion高光谱数据的植被覆盖区岩矿蚀变信息提取

植被遮盖增加了地质勘探和资源管理的复杂性。高光谱遥感技术的发展为克服这一挑战提供了新途径,对植被覆盖区域的岩矿蚀变信息提取逐渐引起广泛关注。本文探讨了基于Hyperion高光谱数据的植被覆盖区域岩矿蚀变信息提取方法,具体研究目标包括高光谱数据的预处理、波谱反射率的反演以及野外测试波谱曲线的结合,以像元波谱匹配技术提取特定岩矿蚀变信息。通过研究,旨在为植被覆盖区域岩矿蚀变信息的提取提供新的思路和方法,从而为地质勘探和资源管理等领域的决策提供更准确的数据支持。

多源荧光光谱数据融合下的淡水浮游植物分类识别方法

淡水浮游植物分类识别过程中,主要采用单一的荧光光谱数据进行特征提取,所得特征信息较为片面,分类识别结果的F1分数偏低。为此,以多源荧光光谱数据融合为前提,提出一种新型淡水浮游植物分类识别方法。采用局部线性嵌入算法对多源荧光光谱数据进行降维处理,再通过小波分解算法提取光谱特征信息。运用独立成分分析算法标记出有效的特征信息,依托于多源荧光光谱数据融合原理结合有效特征得到全面的光谱特征信息。将光谱特征输入可解决多分类问题的支持向量机模型,生成淡水浮游植物分类识别结果。实验结果显示,在噪声比例为40%时,文中设计的分类识别方法的分类识别结果F1分数依旧为0.95,与其他两种方法相比提高了14.74%和18.95%,分类结果更加准确。

基于数据驱动的光谱快速计算

从数据出发,运用深度学习方法进行纳米光子材料设计是近年来的一个研究热点。本研究详细阐述了深度神经网络的搭建与训练方法,并以SiO2/Si3N4多层膜结构为例,成功训练了一个高效的光谱预测模型。该模型可以在微秒级的时间内预测出多层膜结构的光谱响应,且预测的标准误差小于0.01,可为广大从事纳米光子材料研究的同行提供有益的参考。

基于改进的PointNet++模型的多光谱LiDAR数据分类方法

多光谱激光雷达(LiDAR)系统可同时并快速获取大范围空间目标地物的光谱强度信息和空间几何信息,为三维点云分类、语义分割、目标检测等研究提供新的数据源。然而,由于多光谱点云数据分布的不规则性以及数据量巨大等特性,使得地物特征的提取过程充满挑战。本文通过将通道注意力机制(SE-Block)和修正后的焦点损失函数嵌入至PointNet++网络中,提出了一种改进的PointNet++网络架构。PointNet++网络从不均匀采样的点中提取局部特征,并通过多尺度分组表示点之间的局部几何关系。将SE-Block嵌入至PointNet++网络中,通过显式地建模通道之间的相互依赖关系,自适应地重新校准通道方面的特征响应,从而强调重要通道并抑制不利于预测的无用通道,提高特征的显著性,以便更好地进行点云分类。另外,本文在改进的网络架构基础上利用修正后的焦点损失函数解决了多光谱LiDAR点云数据中类别不均匀分布的问题。本文提出的改进的PointNet++网络架构在托伯莫里港口数据集上进行了评估,获得的总体精度、mIoU、F1-score和Kappa系数分别为95.21%、62.59%、73.58%、0.918。与5个已建立的深度神经网络模型的比较实验证实,本文提出的改进的PointNet++网络架构在多光谱LiDAR点云分类任务中具有良好的性能。

高光谱数据与航空伽玛能谱数据在砂岩型铀矿勘查中的应用

高光谱数据和航空伽玛能谱数据具有覆盖面广、数据获取速度快、测量效率高、成本低、信息量大等优势,在铀矿区域地质调查研究中发挥着重要作用。高光谱数据具有“图谱合”的特点和优势,可以很好的表征地物的光谱特性及空间纹理信息,在基岩裸露对矿物和岩性成分的识别与分类、蚀变带的划分具有明显的优势(张昭等,2022)。

基于数据融合策略植物油光谱模式的识别

为实现对不同植物油的快速无损分类识别,探究数据融合技术在提升光谱分类模型精度方面的可行性与应用价值,借助衰减全反射-傅里叶变换红外光谱技术、表面增强拉曼光谱技术结合多源数据融合技术,开展了对7种共计180份植物油样本的分类识别。基于单一光谱模型、数据层融合模型和特征层融合模型,比较了Bayes判别分析(BDA)和多层感知器神经网络(MLP)两种化学计量学方法在区分各样本时的差异,同时考察了主成分分析、广义最小平方、最大似然、主轴因式分解4种算法在特征提取方面的差异。结果表明,光谱数据融合在识别植物油方面具有显著的优势,BDA模型对各样本的区分能力强于MLP模型,相较于其他3种算法,主成分分析在油样特征提取方面展现了较为理想的结果。基于PCA特征提取的特征层融合BDA模型为最佳识别模型,以此实现了180份植物油样本100%的准确区分,同时对5种品牌花生油达到了100%的准确区分,实现了对各样本“种类-品牌”的两级识别分类工作。

融合雷达数据的高光谱图像分类

高光谱图像分类是高光谱遥感的一项重要内容。然而,由于高光谱数据光谱波段信息丰富,且仅对材质信息敏感等特性,导致高光谱分类中易出现“维度灾难”、对高度信息不敏感等问题,这使得高光谱图像分类面临巨大的挑战。为解决上述问题,论文设计了一种双路DenseNet网络(Double-Branch DenseNet,DBD)。该网络其中一路对高光谱数据进行特征处理,压缩光谱维度,降低“维度灾难”的影响,并同步提取高光谱数据的光谱特征和空间特征;另一路通过密集连接提取雷达数据的高程特征。两路特征进行特征级融合,得到具有高程信息的高光谱特征,从而进行分类。通过实验证明,将富含高程信息的雷达数据与富含光谱信息的高光谱数据融合后进行分类的分类结果要优于单纯使用高光谱数据进行分类。

拉曼光谱与中红外光谱融合技术快速定量食用酒精的乙醇浓度

目的利用拉曼光谱与中红外光谱的数据融合技术实现对食用酒精乙醇浓度(酒精度)的快速定量检测。方法首先,分别采集不同浓度食用酒精水溶液的拉曼光谱与中红外光谱。其次,采用多元散射校正(multiplicative scatter correction,MSC)、卷积平滑(Savitzky-Golay,S-G)、一阶求导的方法对原始数据进行预处理。然后,基于自举软缩减法(bootstrapping soft shrinkage,BOSS)和无信息变量消除算法(uninformative variable elimination,UVE)分别对预处理后的光谱数据进行特征提取,并利用X-Y距离样本集划分法(sample set partitioning based on joint X-Y distance,SPXY)将光谱数据划分为校正集和预测集。最后,建立基于拉曼光谱-中红外光谱数据融合的偏最小二乘回归(partial least squares regression,PLSR)食用酒精乙醇浓度预测模型,并利用麻雀搜寻算法优化的混合核极限学习机算法(sparrow search algorithm-optimized hybrid kernel extreme learning machine,SSA-HKELM)提升预测性能,实现对不同浓度食用酒精的快速、准确定量检测。结果与拉曼光谱数据、中红外光谱数据以及中红外与拉曼光谱的数据层融合构建的预测模型相比,中红外光谱与拉曼光谱特征层融合数据构建的预测模型具有更好的预测性能。其中,最优模型的校正集均方根误差(root mean squared error of calibration set,RMSEC)为0.98314,校正集决定系数(R_(c)^(2))为0.99634,预测集均方根误差(root mean squared error of prediction set,RMSEP)为1.03256,预测集决定系数(R_(p)^(2))为0.99036。结论中红外光谱与拉曼光谱特征层融合预测模型可以实现对不同浓度食用酒精的高效定量检测,为食用酒精的质量检测提供了有效的理论支持与技术保障。