时空矢量场下人群活动聚散模式提取与分析

由于传统方法缺乏顾及人群在区域间的动态流动而无法反映人群在未来(下一时刻)的活动聚散趋势,因此,文中借助时空矢量场来建模人群活动的趋向性,通过矢量场理论中的散度算子来定量计算人群活动聚散强度,将人群活动聚散模式提取问题转化为时间序列聚类问题识别出主要聚散模式。在海口市滴滴出行数据集上进行实验,选取角度偏态系数证明了主体方向计算方法的有效性,提取出了4种主要人群活动聚散模式,并结合POI类型的分布情况对4种模式进行了语义解释,为探索人类移动性提供研究思路和方法支持。

航空平台地磁矢量匹配导航算法研究进展

航空地磁矢量导航技术因其具有自主、无源、可靠性强的优势,在卫星导航系统受到攻击等情况下可有效发挥替代作用,在军民用领域均具有极高的战略意义和应用价值。航空平台具有飞行速度快、短时间跨越地域广的特性,对地磁矢量测量与导航方法提出高精度和高可靠性等要求。该文梳理近年来航空地磁矢量导航系统的研究与发展现状,介绍地磁矢量导航的关键技术,重点对地磁矢量匹配导航算法的研究进展进行分析。针对现有算法存在的不足,提出进一步提升算法的精度和鲁棒性、发展基于机器学习的地磁矢量匹配导航方法、推动无人机等新型航空平台地磁矢量导航技术发展等后续研究方向,意在促进航空地磁矢量导航技术的进一步发展。

基于黎曼普鲁克的手部离散动作识别方法

肌电信号能反映人体的运动意图,是外骨骼和假肢控制的主要信号之一。但受试者间的差异,增加了基于表面肌电信号(sEMG)的手部离散动作识别使用成本。针对这一情况,本文从域适应的角度出发,提出一种基于小型调整集的迁移学习建模方法。该方法利用黎曼普鲁克分析(RPA)提取黎曼特征与传统时域特征作为支持向量机(SVM)的输入特征,并通过实验验证了其识别精度。在10名受试者身上进行了实验,在黎曼特征下黎曼普鲁克分析相比于不进行迁移学习的动作识别方法提高了5%~7%的准确率。在特征空间分布上,黎曼普鲁克分析后的黎曼特征的重合度更高。结果表明,该方法在基于肌电信号的手部离散动作识别上有明显优势。

多模式低副瓣阵列方向图综合方法

本文面向阵列天线低副瓣的实际应用需求,利用空时编码的思路设计加权矢量,分别提出序贯快速傅里叶变换(fast Fourier transform,FFT)方法、约束方程计算方法和优化函数求解方法,对应多脉冲低副瓣方向图综合时加权矢量时变、不变和奇偶交替变的3种不同工作模式。理论分析和仿真实验表明,序贯FFT和约束方程计算方法均能实现超低副瓣方向图(优于-50 dB),而优化函数求解方法在实现低副瓣的同时仍能保持方向图主瓣的良好性能,避免了传统方向图综合方法无法同时兼顾主副瓣性能的缺点。另外,从计算复杂度、随机幅相误差、干扰抑制等各方面综合分析了不同方法的优缺点,可为实际阵列天线的工程应用提供理论指导和技术参考。

单向阀微弱内泄漏故障征提取与模式识别研究

单向阀被广泛应用于工程机械、农业机械、军事车辆液压系统中,泄漏是单向阀的常见故障。本文提出了一种基于时频分解的多源多域、多尺度特征提取与机器学习的单向阀微弱内泄漏故障诊断方法。对4类微弱内泄漏故障的振动信号和压力信号进行经验模态分解;采用时域、频域以及时频域的奇异值、波形因子、熵值等方法进行特征提取并构造故障特征向量;基于粒子群-支持向量机进行单向阀内泄漏故障模式识别。实验结果表明该方法能有效地检测单向阀内泄漏,模式识别准确率达到90%以上。本文为单向阀内泄漏量预测研究奠定了基础,具有较好的工程应用前景。

声纳浮标四臂阵阵列流形矢量的形式研究

当前国际上应用较为广泛的一类扩展阵形结构的声呐浮标,布放后的阵形一般为平面多臂形,从几何上均可视为多层圆阵或多边形阵,对于这两种不同的几何拆分结果,其阵列流形矢量也可以有多种表达方式。文中以声纳浮标四臂阵为例,对其阵列流形矢量的数学表达形式展开研究,总结出2种不同的表达形式,这两种形式分别基于多边形阵和多层圆阵构造而成,分别适用于定向多波束形成的节能工作模式和即时调整阵元数臂数的仿真试验。针对两种不同的阵列流形矢量形式,文中给出了其静态波束图、MVDR波束形成图和二维窗函数波束形成图,多种波束形成仿真的结果表明,两种阵列流形矢量表达形式得到的静态方向图完全一致,并且能够在各自的适用范围,提高对浮标接收信号的处理效率。

基于特征提取和图像分类的螺旋网疵点自动检测

为了解决当前螺旋网人工疵点检测效率低、误检率高等问题,提出了一种基于分类思想的螺旋网疵点检测方法。对螺旋网图像提取多模式多尺度的LBP特征,充分表征螺旋网图像的信息,通过构建支持向量机(Support vector machine,SVM)分类器实现螺旋网疵点自动检测。结果表明:对于螺旋网疵点图像的局部二值模式(Local binary pattern,LBP)特征,采样半径为2,采样点个数为8时的均匀模式LBP的分类准确率优于其他模式和尺度的LBP,达到了100%,检测速度为0.48 s/张。通过对比不同的特征提取方法和分类器,验证了该文方法对于螺旋网疵点自动检测的适用性,可以实现纺织企业中螺旋网的自动化检测。

基于模式识别的X射线荧光光谱法用于土壤重金属快速检测

土壤重金属的现场快速准确检测是实现土壤重金属污染防治的关键,便携式X射线荧光光谱仪可实现土壤中典型重金属的现场无损快速检测,且具有操作简单和无需消解处理的优势。基于该设备的X射线荧光光谱重金属分析方法受土壤基体效应影响严重,导致其检测准确度受限,需通过基体相似的标准样品进行校正,故将基于模式识别的基体成分分类方法和标准曲线法相结合,实现对土壤中典型重金属的精准分析。以我国砖红壤、水稻土、黑土、潮土、黄棕壤和黄红壤等6种典型土壤的X射线荧光光谱和重金属含量为数据集,采用5点3次窗口平滑、最大最小值归一化方法和主成分分析(PCA)对光谱数据进行处理,以PCA降维后的前5个主成分作为输入特征变量,土壤类别为标签,建立基于径向基函数(RBF)的支持向量机(SVM)模式识别模型,实现基体成分的相似性分类,模型的超参数优化采用角蜥蜴优化算法,优化后的核参数g为0.0381,惩罚因子c为7.8529,此时5折交叉验证正确率为100%。定量方法为标准曲线法,6类土壤中Cr的相关系数为0.9947~0.9993,Ni的相关系数为0.9868~0.9994,Cu的相关系数为0.9929~0.9999,Zn的相关系数为0.9841~0.9998,Pb的相关系数为0.9877~0.9996,As&Pb的相关系数为0.9613~0.9995,在同一基体下,重金属线性关系较佳。采用建立RBF-SVM模式识别模型对预测集24个样品进行预测,预测结果表明6类土壤的分类正确率为100%,未出现错误分类。根据分类结果,选择对应的标准曲线进行定量分析。结果表明Cr、Ni、Cu、Zn、Pb和As的预测平均相对误差分别为2.24%、3.66%、2.72%、2.15%、2.13%和5.55%,均低于6%。说明RBF-SVM模型结合标准曲线法对土壤中典型重金属的快速检测具有很好的适用性,有望用于实际土壤典型重金属的快速定量分析与检测。

基于支持向量机的多特征融合纤维分类算法

针对市面上常用的人工鉴别法无法对多种类纤维的识别分类的问题,提出了一种新的适用于多种类纤维图像识别分类的多特征融合纤维分类算法。首先提取10类纤维图像的灰度直方图、局部二值模式(LBP)、方向梯度直方图(HOG)、Hu不变矩和灰度共生矩阵(GLCM)特征,然后再将上述特征加权融合得到一个新特征,利用SVM模型对其进行训练(8000根纤维)和测试(2000根纤维),从而得到最终识别准确率。结果表明:该算法的平均准确率为85.8%,其中腈纶、醋酯纤维以及锦纶3类纤维的特征非常明显准确率达到90%以上,同时较难分辨的羊毛、羊绒纤维准确率也达到88%左右。该算法较好的达到了识别效果,为快速准确识别纤维提供技术基础。

基于多分类支持向量机的变压器在线监测数据错误模式识别

针对变压器在线油中溶解气体在线监测数据质量问题,统计了200多台监测装置的2020全年数据,总结了3种主要数据错误模式;提出了数据错误模式识别策略和特征参数,构建了多分类支持向量机进行错误数据识别与分类;并利用核主成分分析法和排列组合遍历寻优法对特征向量进行了降维优化。所构建的多分类支持向量机分类器对于H_(2)错误数据识别准确率达到97.5%,对于其他气体达到90%以上。应用所构建的分类器对2020全年数据进行了统计,其中H2的错误数据达到27.14%,C_(2)H_(2)的错误数据达到1.75%。

基于共空间模式的脑电信号疲劳检测

因脑电信号更能直接反映大脑皮层疲劳状况,论文提出了一种基于共空间模式的脑电信号疲劳检测方法。该方法首先对数据集进行滤波等预处理操作,然后应用共空间模式提取特征,最后用支持向量机对提取到的有效空间特征二分类。此外,实验还采用了5折和10折交叉验证法进行评估;探索了脑电疲劳特征阶数相关系数m的取值;划分了脑区并对各区域疲劳识别准确率进行了比较。研究结果表明:论文方法的识别率高于基于样本熵、模糊熵等方法的识别率,疲劳检测准确率均值可达98.54%,全头皮疲劳识别率最高,额区疲劳识别率优于其他区域,可达92.54%。论文研究可为疲劳检测设备的研发提供更简单准确的检测方法,有助于促进可穿戴脑机接口在疲劳驾驶预警中的应用。

基于特征约简与改进支持向量机的动态过程质量异常识别方法

为了有效降低特征维数并提高动态过程异常模式的识别精度,提出基于特征约简与改进支持向量机的动态过程质量异常识别方法。本文首先提取能反映质量异常模式的16个统计特征与7个形状特征,再使用粗糙集(RS)约简特征集合以剔除冗余特征与干扰特征。同时,使用遗传算法(GA)寻找支持向量机(SVM)的最优参数,并采用GA-SVM模型识别质量异常模式。仿真实验表明:粗糙集筛选后得到的12个特征具有较强区分动态过程是否出现异常状况的能力,遗传算法参数寻优后的支持向量机识别质量异常模式的精度明显高于其他同类型的模型,因此,本文提出的RS-GA-SVM模型具有良好的识别精度与稳健性,能够对动态过程进行有效监控。

基于LFP树与与代理向量的轨迹隐私数据发布

为了兼顾数据的安全性以及利用率,提出一种基于局部频繁模式树与与代理向量的轨迹隐私数据发布方法。引入一种基于网格环境的代理向量,从而有效避免隐私的泄露问题;根据基于信任用户的数据公开,可以预测整个轨迹流,并且能够得到特定区域的轨迹统计信息;引入局部频繁模式树,可以有效地跳过大量不必要的候选序列,并降低数据维数,减少时间复杂度。实验结果表明该方法能够保证良好的安全性与数据利用率。

环境和气象因素对柑橘黄龙病重要传播媒介——柑橘木虱发生规律的影响

研究了柑橘木虱(Diaphorina citri)对环境和气象因素的敏感性,以及其与柑橘黄龙病(Huanglongbing,HLB)传播的关系。总结了柑橘木虱(Diaphorina citri)的基本情况,并探究了环境因素(如海拔、纬度、土壤、田间管理、寄主和生物因素)和气象因素(如温度、湿度、降雨、光照和气压)对其发生规律的影响。这些信息有助于预测柑橘木虱的发生情况和制定有效的防治策略,从而减少柑橘黄龙病的传播风险。

面向建筑彩绘纹样的高质量贴图重构方法

建筑彩绘是绘制在木构建筑上的精美图案。在古建筑进行数字化展示时,通用处理方法是以网格模型加单张纹理的模式进行绘制。由于单张纹理贴图分辨率有限,无法展示所有细节,且常见的纹理为位图格式,使用多张高分辨率贴图会导致显存占用过大,致使数据交换效率变低。为解决上述难题,提出了一种高质量贴图重构方法。利用彩绘图案的自相似性和对称性,提取彩绘纹样最小不重复单元及版式信息。使用矢量数据表示最小图元并构建纹样素材库。在编辑三维模型的彩绘纹案时,通过复用图元并配置相应变换参数编码生成描述性文件,用以完成彩绘内容的渲染。实验结果表明,该方法有效减少了重复信息的存储,且提供更为清晰的细节,更好地进行数字化展示。

基于矩阵轮廓的时间序列Shapelet发现算法

当前时间序列Shapelet发现算法普遍采用穷举法,需要计算所有时间序列子序列的信息增益,效率较低。针对此问题,提出一种基于矩阵轮廓的Shapelet发现算法。选出最具代表性的时间序列对,计算其轮廓矩阵和差异向量,找到一簇关键区域;对找到的关键区域进行剪枝;在关键区域上搜索Shapelet并计算其信息增益,提升算法效率。在15个UCR数据集上,通过时间序列二分类实验对所提Shapelet发现算法进行验证。实验结果表明,所提算法结合Shapelet转换后具有较强分类能力,计算效率明显优于现有Shapelet发现算法。

机器学习在西北太平洋热带气旋生成前期大尺度环流场分型与识别中的应用

基于1979~2020年6~11月的热带气旋最佳路径(IBTrACS)和欧洲中期天气预报中心的第五代再分析(ERA5)资料,本文根据以热带气旋(TC)生成位置为中心的850 hPa水平风场特征,采用自组织映射网络(SOM)将西北太平洋TC生成前期的低层大尺度环流场分为5型:季风辐合型(MC)、季风涡旋型(MG)、强季风槽型(SMT)、弱季风槽型(WMT)及东风波型(EW)。MC型TC生成于副热带高压南侧辐合带中,占比最高;MG、SMT与WMT三型的TC生成受季风槽相关的气旋性切变或辐合区影响;EW型TC由东风波增幅发展生成,占比最小。在对历史资料分型的基础上,为选取合适的机器学习方法用于TC环流型的自动识别,本文还对比分析了支持向量机(SVM)、k近邻(KNN)及随机森林(RF)三种方法的识别效果,结果表明:SVM的准确率达0.965,对五类环流型识别的召回率和精确率均达到0.94以上,对样本不均衡问题不敏感,并且对样本量的敏感性分析显示其在有限样本量下即可充分学习各型的环流场特征,识别效果明显优于KNN和RF。

MIWOA-LSSVM方法的构建及其在生物质炭模式分类中的应用

【目的】最小二乘支持向量机(least square support vector machine,LSSVM)的性能受惩罚因子和核函数参数的影响较大,为了优化这些参数,提出一种基于多策略改进的鲸鱼优化算法(multi-strategy improved whale optimization algorithm,MIWOA)。【方法】首先,采用Logistic混沌初始化方法替代随机初始化,以提高种群的多样性,进而提高搜索效率;然后,引入了非线性收敛因子和动态惯性权重,以增强算法的全局搜索能力;最后,采用具有长尾分布的Lévy飞行策略,以跳出局部最优解,扩大搜索范围。【结果】将本研究所构建的MIWOA-LSSVM集成方法用于多类别生物质炭的模式分类,结果显示MIWOA算法在参数寻优上速度更快,仅迭代7次就能得到参数最优组合。随后,利用MIWOA算法优化的参数,结合LSSVM模型进行分类,成功将分类准确率提升至96.38%。【结论】本研究结果证明了MIWOA算法在参数寻优上的可行性和高效性,同时表明MIWOA-LSSVM集成方法在多类别模式识别中具有良好的应用前景,可为优化算法在参数寻优上提供一定的参考。

基于人工神经网络的电力变压器声纹识别技术

针对变压器运行状态声纹识别的应用需求以及BP神经网络识别模型准确率较低等问题,提出了一种改进人工神经网络的变压器声纹识别技术。该技术以变压器声纹信号中的MFCC系数作为模型的输入特征向量,在BOA算法中引入动态权重因子和变异因子对BP神经网络权值和阈值进行寻优,开展声纹识别。实验结果表明,利用变压器声纹信号的32维MFCC特征系数可使识别准确率达到90%以上,优化后算法的运算速度比PSO-BP神经网络与BOA-BP神经网络提高了9.24%和8.64%,具有更高的运算效率和识别准确率。

基于SDP和2DLNMF的变压器偏磁状态识别方法

为了有效检测变压器直流偏磁状态,从多通道振动信号融合的角度出发,提出了一种基于对称点模式(SDP)和二维局部非负矩阵分解(2DLNMF)的变压器偏磁状态识别方法。利用SDP算法将采集的多通道振动信号融合成SDP图像特征;然后应用2DLNMF算法对其进行了降维优化,据此构建了基于支持向量机(SVM)算法变压器偏磁状态识别模型。研究结果表明:基于SDP-2DLNMF的信息融合方法充分了展现不同信号间的特征差异,获取的低维特征可有效反映变压器直流偏磁程度,据此建立的SVM状态识别模型具有较高的识别精度,为变压器的状态监测提供了技术支撑。