宽卷积局部特征扩展的Transformer网络故障诊断模型

视觉Transformer网络的高精度诊断性能依赖于充分的训练数据,利用卷积网络在提取局部特征上的优势,构造能同时描述故障局部和全局特征的提取层,提高诊断模型的抗噪声干扰能力。首先,引入卷积网络模块将原始振动信号转换为Transformer网络可以直接接收的特征向量,提取故障局部特征,并通过增加卷积网络的感受野。然后,结合Transformer网络多头自注意力机制生成的全局信息,构建能同时描述故障局部和全局特征的特征向量。最后,在Transformer网络的预测层,利用高效通道注意力机制对特征向量的贡献度进行自动筛选。在西储大学(CWRU)轴承数据集上的故障诊断结果表明,在信噪比-4 dB的噪声干扰下,改进后的Transformer网络轴承故障诊断模型的准确率达90.21%,与原始Transformer模型相比,准确率提高了13.2%,在噪声环境下表现出优异的诊断性能。

基于KLPP-K-means-BiLSTM的台区短期电力负荷预测

随着智能电网的发展,各场景的用电更加多元化,而准确的台区负荷预测是确保相关电力部门制定合适检修任务的关键,同时为有序用电、电网经济运行提供重要参考。为了挖掘台区负荷的特征以提高台区负荷预测的精度,提出了一种基于核主元分析与局部保持投影降维、K均值聚类算法(K-means)以及双向长短时记忆网络(BiLSTM)的台区电力负荷预测方法。首先利用核局部保持投影(KLPP)对台区多特征负荷数据进行降维以提取主要特征信息;然后采取K-means聚类算法将相似特征的数据归类成各自的簇集;最后针对聚类后的各典型类型,有针对性地训练BiLSTM,并选取中国某高校低压台区负荷作为算例与其他经典预测方法进行对比分析,结果表明所提方法更拟合实际负荷走向,有效提升了预测效果。

基于模型的非凸聚类算法

由于数据可能分布在非规则的流形上,其中潜在的簇往往呈现非凸的形状和结构,针对这类数据的聚类问题被统称为非凸聚类。现有的主流非凸聚类方法包括基于原始空间的方法和基于空间变换的方法,均忽略了非凸数据模式的显式描述。提出一种描述性模型用于非凸聚类。首先,基于核密度方法定义了一种具有混合形式的特征加权核密度模型,其无需事先假定任何概率分布模型且不限制簇的形状,这是传统基于模型的聚类方法无法实现的。其次,基于提出的模型推导了聚类目标函数,并基于期望最大化算法提出一种求解密度函数局部区域密度极大值的优化算法,那些上升到密度函数相同密度极大值的样本点被划分为同一个簇。最后,定义了一种基于模型的非凸聚类算法。算法不需人为定义簇的数量,并且能够为每个簇分配一个显式的概率密度函数,有助于更稳健和更准确地表征集群。除此之外,算法不仅在优化过程中进行自适应带宽选择,而且在优化过程中赋予了样本空间特征权重,实现了嵌入式特征选择。

系统故障演化过程中关键事件的确定方法研究

为研究系统故障演化过程中关键事件的确定方法,提出了一种基于核局部保持投影(Kernel Locality Preserving Projections,KLPP)的关键事件确定方法。首先论述了系统故障演化过程、关键事件和因素空间,随后提出了关键事件确定方法,最后进行了实例分析。研究认为系统故障演化过程具有复杂的结构和层次,经历事件是演化测量得到的对象,其中具有决定作用的就是关键事件。关键事件是描述演化过程的基础,可通过因素空间中的对象分布进行确定。通过KLPP方法对对象分布特征进行研究,实现近邻对象分析,得到特征对象。这些特征对象对应的经历事件即为关键事件。按照测量时刻升序排列特征对象即为所求,最终作为描述演化过程的空间故障网络的节点。实例分析得到了预期结果,并说明了方法的特点和研究意义。

基于差分进化改进混合核极限学习机的指纹定位

针对极限学习机(extreme learning machine,ELM)指纹定位泛化性能弱、鲁棒性差等问题,提出一种改进的差分进化算法优化混合核极限学习机的指纹定位方法。该方法利用改进型的Logistic混沌映射提高差分进化算法全局搜索的能力,同时利用动态控制参数法避免差分进化算法陷入局部最优,然后通过改进差分进化算法自适应调整混合核极限学习机的参数,提高训练效率。在线阶段,利用混合核函数提高极限学习机的学习性能和泛化性能,并引入L1惩罚函数防止过拟合。其泛化能力相较于单一核极限学习机提升明显。该方法有92%的测试点定位误差小于0.5 m,平均误差相较于加权K近邻法(weighted Knearest neighbor,WKNN)降低了32.6%。

轨迹预测中局部自注意力时序编码网络

针对传统编码器应用于轨迹预测时,难以捕捉短暂停车或急转弯等局部时间尺度下的轨迹变化(简称局部变化)从而影响预测准确性的问题,提出一种局部自注意力时序编码架构(Loc-SelfAttention)。该算法充分利用小尺度卷积核的优越局部感知能力,敏锐地捕捉和提取局部变化的特征,并利用自注意力机制,根据局部变化对于未来轨迹分布的影响程度动态赋予提取的局部特征注意力权重,从而过滤噪声和杂点,筛选出有效的局部特征,提高轨迹预测准确性。实验结果表明:Loc-SelfAttention算法在Argoverse运动预测基准上与HOME轨迹预测算法相比,最小平均位移误差降低3.7%,最小最终位移误差降低3.1%,失误率降低4.8%,在自动驾驶和智能交通管理等领域具有一定应用前景。

KLPP特征约简与RELM的高压隔膜泵单向阀故障诊断

为此提出基于核局部保持投影(KLPP)和正则化极限学习机(RELM)的高压隔膜泵单向阀故障诊断方法。首先,提取单向阀振动信号的时域、频域、时频域特征,构建多域特征集;然后,通过KLPP算法对构建的多域特征集进行维数约简;最后,建立基于RELM的故障诊断模型,用于识别单向阀运行状态。实验结果表明,基于多域特征的故障诊断方法检测精度高于单域特征识别方法;KLPP约简多域特征集,可以有效消除信息冗余;建立的RELM故障诊断模型识别精度达到98.89%,能够有效识别高压隔膜泵单向阀故障类型。

重庆乡土核桃无性系坚果品质分析

对6个重庆乡土核桃无性系的坚果品质进行分析与评价,为重庆优良核桃品种的选育提供一定的理论依据.采用方差分析、多重比较、主成分分析等方法对参试核桃无性系坚果的单果质量、三径均值、出仁率、脂肪、蛋白质以及脂肪酸组分等16项指标进行了测量、分析和综合评价.结果表明:核桃坚果的三径均值(28.45~35.16 mm)、单果质量(6.85~15.18 g)、壳厚(0.96~1.32 mm)、出仁率(50.00%~60.25%)、蛋白质(17.07%~24.23%)、脂肪(54.40%~67.63%)、可溶性糖(4.47%~7.95%)、单宁(10.50~25.40 mg/g)以及检测出的8种脂肪酸组分的质量分数在参试无性系间存在差异,所有参试无性系的出仁率、蛋白质质量分数、脂肪质量分数均达到国家良种标准.6个无性系的主成分综合得分由高到低依次为YC-8,YC-3,YC-10,YC-6,YC-12,YC-2.基于重庆乡土核桃无性系坚果品质特点,探讨了重庆乡土核桃无性系选育利用方向,初步明确了YC-8可作为综合性状优的干食核桃无性系,YC-3可作为高出仁率的干鲜两用核桃无性系,YC-10可作为高蛋白核桃无性系.

中国地方政府环境责任履行水平测度及其时空演变

通过构建地方政府环境责任履行水平评价指标体系,测度和研究2008—2020年中国地级市政府环境责任履行水平并分析其时空演变、区域差异和空间关联。该研究基于习近平生态文明思想,从政府环境责任的内涵出发综合利用改进熵权法测算地方政府环境责任履行情况,对指标体系进行信效度检验确保指标体系的一致性和有效性;采用Dagum基尼系数分解法揭示地方政府环境责任履行水平的区域差异以及来源,并运用核密度估计法分析地方政府环境责任水平的时空演化趋势,借助莫兰指数揭示地方政府环境责任水平的空间关联。结果表明:①研究期内,中国地方政府的环境责任履行水平总体呈现波动上升的趋势,且具有明显的两阶段性特征。②区域层面的地方政府环境责任履行水平呈现“东部领跑,中、西、东北地区追随”的空间特征,城市层面的地方政府环境责任履行水平大致呈现波动上升趋势。③地方政府环境责任的地区差异呈现逐渐缩小趋势;东部、东北和中部地区与全国呈现相反趋势,西部与全国趋势一致,其差异主要来源于超变密度贡献率。④地方政府环境责任水平具有正向空间外溢性,大部分中国地方政府环境责任水平存在“低-低”和“高-高”的空间集聚特征。该评价指标体系有助于客观衡量地方政府履行环境责任水平,对地方政府清晰定位自身水平,充分发挥其环境治理体系中的主导作用,进而掌握环境利益和经济利益之间的相互协调关系,反映社会参与和环境优化的同步发展水平及其变化趋势,协同推进生态文明纵深发展具有重要的现实意义。

基于LMD云模型与PSO-KELM的齿轮箱故障诊断

由于齿轮箱故障振动信号具有非平稳性与不确定性的特点,导致齿轮箱故障诊断精度较低。针对该问题提出一种基于局部均值分解(LMD)云模型特征提取结合粒子群优化(PSO)核极限学习机(KELM)的齿轮箱故障诊断方法。首先,将故障振动信号用LMD分解得到若干PF分量,并利用相关系数原则筛选出相关性较高的PF分量;其次,在云模型中输入筛选后的PF分量,采用逆向云发生器对特征向量进行提取并输入到PSO-KELM中进行故障诊断;最后,利用QPZZ-Ⅱ实验台齿轮箱实测数据对该方法进行了性能分析。结果表明,该方法识别精度为97.65%,与多种方法进行对比,该方法具备最佳识别性能。

基于孤立森林与KDE-LOF的冷水机组故障检测

为了提升冷水机组微小故障的检测率,提出一种核密度估计的局部异常因子算法(KDE-LOF)结合孤立森林(iForest)的冷水机组故障检测策略。该策略通过使用孤立森林对实验数据异常值进行剔除,计算正常数据的LOF值作为统计量,并使用KDE确定控制限来完成模型的训练。通过监测数据LOF值是否超过设定的控制限进而判断是否出现故障。采用ASHRAE RP-1043数据集进行验证,并分析了该方法与主元分析和单类支持向量机的方法的优劣,结果表明该方法检测效果要优于其他两种模型,该方法在微小故障下检测率超过80%,性能最佳。

基于局部保留投影的卫星姿控系统故障检测

采用流形理论,提出了基于流形学习的局域保持投影对姿态系统运行数据进行特征学习,并利用统计特性进行故障检测的方法。首先,利用局域保持投影方法发现统计量的局部流形结构。该投影方法的本质是试图将原始空间中的闭合点映射到低维空间中的闭合点;其次,构建T2和平方预测误差(SPE),利用正常数据训练结果进行统计,并采用核密度估计(KDE)确定故障控制限,实现了对故障的检测。通过数据仿真验证所提方法,典型故障检测率为100%。

基于改进粒子群算法的大地电磁反演

粒子群算法是一种粒子群在全空间随机搜索的非线性反演方法,具有所需修改参数少、易于实现的优点,已在大地电磁(magnetotelluric,MT)反演得到了广泛应用,但其存在容易陷入局部最优解的缺点,在二维反演中应用较少且效果不好。提出了一种改进的优化粒子群算法,整个进化过程引入了局部进化,并且添加收缩因子和惯性权重参数,来改善该算法容易陷入局部最优解的缺点。最后将改进算法应用于二维MT反演,反演时在目标函数中加入添加先验信息的核函数,结果表明改进粒子群算法在过早收敛问题上有明显改善,反演异常体位置也与实际模型吻合较好。

基于卫星遥感及数据库同步的气象灾害监测预警系统设计

为缩小预警监测指标与测试指标之间的数值差,实现对气象灾害现象的准确监测,设计基于卫星遥感及数据库同步的气象灾害监测预警系统;在中心站体系内建立自动监测站局域网络,按照实际响应需求,连接影像显示模块与预警、响应模块,完成监测预警系统主站部分的设计;求解遥感影像数据集,根据卫星信息堆叠系数求解结果,定义核函数任务映射表达式,实现基于卫星遥感技术的气象灾害监测信息处理;建立数据库模型,通过分析中间件性能需求的方式,确定监测数据的XML同步处理结果,完成数据库同步中间件的搭建,结合相关设备元件,实现基于卫星遥感及数据库同步的气象灾害监测预警系统设计;实验结果表明,卫星遥感及数据库同步处理技术可以有效控制预警监测指标与测试指标之间的数值差,其最大取值结果不超过0.26,符合精准监测气象灾害现象的应用需求。

基于可变滑动窗口KLPP的故障检测

为了提高KLPP在故障检测过程中对非线性和时变特性的自适应能力,提出一种基于可变滑动窗口KLPP(VMWKLPP)的故障检测方法。利用训练数据建立KLPP模型,并计算其统计量和控制限;对测试样本块进行检验,通过正常过程的变化来调节窗口的大小,选择最优的窗口大小。滑动窗口来添加新的样本块和丢弃旧的样本块,实现窗口数据样本的实时更新,以进一步更新KLPP模型和控制限。将该方法运用于田纳西-伊斯曼过程中,仿真结果表明,与KLPP和滑动窗口KLPP(MWKLPP)相比,VMWKLPP方法在工业过程监控中具有明显的优越性。

基于稀疏连接的层次化多核K-Means算法

多核学习(Multiple Kernel Learning,MKL)的目标是寻找一个最优的一致性核函数。在层次化多核聚类算法(HMKC)中,通过从高维空间中对样本特征进行逐层提取的方式来实现最大化地保留有效信息,但是却忽略了层与层之间的信息交互。该模型中只有相邻层中对应的结点会进行信息交互,对于其他结点来说是孤立的,而采用全连接的方式又会削弱最终一致性矩阵的多样性。因此,文中提出了一种基于稀疏连接的层次化多核K-Means算法(Sparse Connectivity Hierarchical Multiple Kernel K-Means,SCHMKKM)。该算法通过稀疏率来控制分配矩阵以达到稀疏连接的效果,从而将层与层之间信息蒸馏得到的特征进行局部融合。最后,在多个数据集上进行聚类分析,并在实验中与全连接的层次化多核K-Means算法(FCHMKKM)进行实验对比,证明了具有更多差异性的信息融合有利于学习更好的一致性划分矩阵,并且稀疏连接的融合策略优于全连接的策略。

基于多模型SVM的多模态过程故障检测

为了有效改进支持向量机(SVM)在工业过程中的故障检测性能,提出一种基于多模型SVM(multi-model SVM,MM-SVM)的多模态过程故障检测方法.首先,运用局部概率密度方法对多模态数据进行预处理,消除多模态数据对故障检测性能的影响;其次,通过改变SVM的核参数建立多个SVM模型进行故障分类;最后,将多个SVM模型的分类结果进行整合,通过概率大小定义数据类别,实现对故障的有效检测.将该方法应用于多模态数值例子和田纳西-伊斯曼多模态过程,并与PCA、KPCA和SVM方法作比较,实验结果进一步验证了该方法的有效性.

基于非局部空间约束的可靠性核FCM算法的图像分割

针对图像易受到噪声破坏的现象,导致传统的模糊C均值(fuzzy c-means, FCM)算法分割效果差的问题,提出基于非局部空间约束的可靠性核FCM算法,旨在有效的去除噪声干扰和保留图像细节。首先在FCM的目标函数中引入了一个非局部空间约束项,并在此基础上利用一个正则化参数来增强图像细节保留的能力;其次引入一个不确定性的聚类模型,以降低噪声点和边缘点的影响;最后使用高斯核距离代替欧氏距离,进一步提高算法对噪声的鲁棒性。利用含噪声的合成图像、自然图像和遥感图像进行实验,结果表明所提算法的抗噪性能较好,同时也能保留更多的图像细节。其中,对于被高斯噪声和椒盐噪声破坏的灰度图像,所提算法的平均精度分别为99.92%和99.97%,提高了4.02%和1.47%。

联合Huber核函数与可切换约束算法改进的视觉惯性SLAM方法

针对目前VINS-Fusion双目视觉及惯性同步定位与建图(SLAM)在后端优化时存在误匹配而导致系统定位精度低、鲁棒性差的问题,提出了一种联合Huber核函数与可切换约束算法改进的双目视觉及惯性SLAM方法。在VINS-Fusion双目视觉与惯性SLAM框架的基础上,利用Huber核函数的权值重新构建并求解状态优化中IMU残差的代价函数,降低优化中过大的误差项;同时使用可切换约束算法控制环路闭合因子实现动态协方差矩阵的缩放,剔除闭环检测的异常值实现准确的后端收敛。利用不同场景的公开数据集EuRoc中进行了对比验证实验,结果表明联合改进方法的和方差降低了2.416 m,系统精度和鲁棒性都有所提高;同时在实际场景中的实验也验证了改进方法的可行性。

基于变尺寸窗口的多特征NLM图像去噪算法

常规非局部均值算法的邻域相似性计算过程容易遭受噪声干扰,影响相似像素的权重分配,导致图像结构信息损失严重。针对上述问题,提出一种变尺寸窗口的多特征非局部均值算法,首先根据图像结构张量特征对图像区域进行划分,在不同特征的区域内采用不同尺寸搜索窗口和自适应平滑滤波参数,结合灰度特征、多方向梯度特征和空间特征共同度量邻域相似性,再应用双核函数计算相似性权值,对目标区域的像素权值进行重分配,从而实现图像去噪目的。结果表明,新改进方法的图像峰值信噪比平均提高69%以上,结构相似度平均达到0.77以上。结论认为,相比常规非局部均值算法,新改进方法去噪能力强,边缘及纹理细节保护更好,具有良好的应用前景。