基于小波核极限学习机的烟叶烘烤过程的智能识别

烟叶烘烤设备操作复杂、技术含量高、熟练掌握烟叶烘烤技术人员不足等问题,影响了烟叶的烘烤质量。针对上述问题,本文提出了基于小波核极限学习机的烟叶烘烤过程的智能识别方法。实验中对三段式烘烤过程中的叶片变软、主脉变软、勾尖卷边、小打筒、大打筒和干筋6个烘烤阶段分别提取了颜色、纹理和温湿度特征,组建了9维特征向量进入小波核极限学习机,通过增量型算法自适应地选择神经元个数,快速准确地识别了6个阶段,得到了98.33%的识别率。实验结果表明本文提出的基于小波核极限学习机的烟叶烘烤过程的智能识别方法具有一定的可行性,为研发烟叶烘烤智能调控系统奠定了理论基础。

基于VMD-WK-OPLS的短期风速动态预测

针对短期风速存在随机性、不稳定性难以建立准确预测模型,提出变分模态分解(VMD)和小波核潜在结构正交投影(WK-OPLS)的VMD-WK-OPLS预测模型,实现动态短期风速估计。首先利用VMD将风速序列分解为不同限带内的子模态,以降低短期风速非平稳性对预测结果的影响,然后对子模态分别建立WK-OPLS预测模型,并利用时滞差分(DTD)的策略对各模型动态更新,最后将各子模态预测结果组合得到最终短期风速预测值。通过宁夏风场风速序列进行验证,结果表明,本文所提出的VMD-WK-OPLS模型与EEMD-IDE-LSSVM、VMD-IDE-LSSVM、EEMD-WK-OPLS、VMD-WK-OPLS等三种模型相对比,在短期风速预测精度上得到显著提高。

小波DehazeFormer网络的道路交通图像去雾

针对道路交通雾图像对比度低、细节丢失、模糊和失真的问题,提出了一种小波DehazeFormer模型的道路交通图像去雾方法。为提升模型去雾能力,构建了编解码结构的小波DehazeFormer网络,编码器以DehazeFormer与选择性核特征融合模块(Selective kernel feature fusion,SKFF)级联作为骨干网络的基本单元,编码部分由三级这样的基本单元构成,以融合图像的原始信息和去雾后的信息,更好地捕获雾图中关键特征;中间特征层采用局部残差结构,并加入卷积注意力机制(Convolutional Block Attention Module,CBAM),对不同级别的特征赋予不同权重,同时融入内容引导注意力混合方案(Content-guided Attention based Mixup Fusion Scheme,CGAFusion),通过学习空间权重来调整特征;解码部分由DehazeFormer和SKFF构成,采用逐点卷积,在保证网络性能同时,减少网络的参数量;跳跃连接引入小波变换,对不同尺度的特征图进行小波分析,获取不同尺度的高、低频特征,放大交通雾图的细节使得复原图像保留纹理;最后,将原始图像和经解码后输出的特征图融合,获取更多的细节信息。实验结果表明,本文方法相比于基线DehazeFormer网络,其PSNR指标在公开数据集中提升1.32以上,在合成数据集中提升0.56,SSIM指标提升了0.015以上,MSE值有较大幅度降低,下降了23.15以上;Entropy指标提升0.06以上。本文去雾算法对提升交通雾图像的对比度、降低雾图模糊和失真及细节丢失等方面均表现出优良的性能,有助于后续道路交通的智能视觉监控与管理。

加权核范数最小化和改进小波阈值函数的图像去噪算法

针对加权核范数最小化算法存在结构残余噪声以及无法较好地保持图像边缘结构的问题,提出基于加权核范数最小化和改进小波阈值函数的图像去噪算法。利用全变分模型对噪声图像进行初步去噪,使用噪声图像与初步去噪后的图像进行差分运算,对差分后得到的噪声残差图像使用改进的小波阈值函数去噪,将小波去噪后的残差图像与初步去噪图像叠加,将叠加后的图像使用基于残余噪声水平迭代的加权核范数最小化算法进行二次去噪。相较于当下主流去噪算法,经该算法处理后的图像的PSNR和SSIM值均有所提升,能够更好地保持图像的纹理结构,且在高噪声环境下效果更佳。

基于BA-MKELM的微电网故障识别与定位

提出一种基于贝叶斯算法优化多核极限学习机的微电网故障识别和定位方法。针对极限学习机输入参数和隐含层节点数随机选取导致回归能力不足的问题,引入核函数,将多项式与高斯径向基核函数加权组合构成多核极限学习机建立故障识别与定位模型,并采用贝叶斯算法对多核极限学习机相关参数进行优化,进一步提高模型的逼近能力。为了验证所提模型的故障识别与定位性能,选用极限学习机和多核极限学习机分别建立故障诊断模型进行比较分析。实验结果表明,所提方法能够高性能地识别和定位微电网中任何类型的故障,识别和定位精度更高。

十堰烟区近30年烤烟大田生长期气候因子变化特征分析

针对气候因子概率分布、周期变换规律对烟叶大田期不同生育阶段均存在不同差异性的现状,利用湖北省十堰烟区7个国家气象站1991—2020年4—9月气候统计资料,首先采用最小二乘法研究烟叶不同生育阶段气候因子年际变化趋势;其次采用核密度估计函数,研究不同生育阶段气候因子概率分布特征;最后采用小波变换算法,研究多时间尺度周期变换差异性。结果表明:烟叶不同生育阶段气候因子均存在一定年代差异性,气温条件较为稳定;日照时数在旺长期均呈递减趋势,其他生育期日照变化较为平稳;降水量方面各生育期存在较大差异;烟叶不同生育阶段气温、降水量概率分布存在较大差异,日照时数概率分布较为集中;不同生育阶段气候因子均存在多时间尺度周期变换规律,烟叶成熟期存在长时间尺度第一主周期变换,对气候因子敏感程度远高于其余阶段。研究结果为优化烟叶种植布局和提高种植效益提供了科学依据。

基于数据分解与斑马算法优化的混合核极限学习机月径流预测

为提高月径流预测精度,改进混合核极限学习机(HKELM)预测性能,提出小波包分解(WPT)-斑马优化算法(ZOA)-HKELM组合模型。利用WPT处理月径流时序数据,构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;通过ZOA优化HKELM超参数(正则化参数、核参数、权重系数),建立WPT-ZOA-HKELM组合模型,并构建WPT-遗传算法(GA)-HKELM、WPT-灰狼优化(GWO)算法-HKELM、WPT-鲸鱼优化算法(WOA)-HKELM、WPT-ZOA-极限学习机(ELM)、WPT-ZOA-最小二乘支持向量机(LSSVM)、ZOA-HKELM作对比模型,通过黑河流域莺落峡、讨赖河水文站月径流时间序列预测实例对各模型进行检验。结果表明:(1)莺落峡、讨赖河水文站月径流时间序列WPT-ZOA-HKELM模型预测的平均绝对百分比误差分别为1.054%、0.761%,决定系数均达0.999 9,优于其他对比模型,具有更高的预测精度,预测效果更好。(2)利用ZOA优化HKELM超参数,可提高HKELM预测性能,优化效果优于GWO、WOA、GA。(3)预测模型能充分发挥WPT、ZOA和HKELM优势,提高月径流预测精度;在相同分解和优化情形下,HKELM的预测性能优于ELM、LSSVM。

基于LWKConv-DRSN-FPN的旋转机械故障诊断

针对传统旋转机械故障诊断方法难以应对强噪声干扰以及诊断准确率较低的问题,提出一种Laplace小波核卷积层(Laplace Wavelet Kernel Convolutional Layer,LWKConv)、深度残差收缩网络(Deep Residual Shrinkage Networks,DRSN)和特征金字塔网络(Feature Pyramid Networks,FPN)相结合的故障诊断方法。具体地,在DRSN模型结构基础上,构造LWKConv,通过更新尺度因子和平移因子,多尺度提取故障引起的突变冲击特征;引入FPN融合深层和浅层特征,提高模型对浅层细节信息的利用程度,实现对旋转机械的故障诊断。研究表明:所提的LWKConv-DRSN-FPN方法基于轴承和齿轮数据集的诊断准确率最高能达到100%,尤其在-4 dB强噪声干扰条件下的诊断准确率达到97.75%,能有效提取突变冲击特征,具有较好的通用性和抗强噪声干扰能力。

基于匹配追踪与核主成分分析的地震信号高分辨率处理方法

分辨率是影响地震资料解释结果的一个重要因素,地震信号分辨率低,将导致小断层、薄互层难以识别。为此,将匹配追踪算法与核主成分分析(KPCA)方法应用于地震资料处理,提出了基于匹配追踪与核主成分分析的地震信号高分辨率处理方法。首先,利用匹配追踪算法通过稀疏分解不断迭代得到地震信号的最有效信息;然后,将子波替换为宽带Ricker子波进行整形处理,有效压制子波旁瓣,提高地震资料分辨率;最后,用核主成分分析方法将原始地震信号非线性映射到高维空间,在高维空间内重建地震信号,消除冗余信息。实际资料应用表明,经所提方法处理后的地震信号,波形更清晰,细节更丰富,处理结果有利于断层识别、薄层刻画,为后续地质资料解释、储层预测提供数据基础。

基于卷积神经网络的肌电信号人体运动模式识别技术

随着外骨骼机器人等肌电控制设备的快速发展,表面肌电信号此类非平稳、非周期信号在高性能运动识别系统中的应用已成为相关研究领域的重点。为实现肌电信号跨域特征融合,提出一种基于肌电信号的双卷积链神经网络模型,采集7块关键肌肉的原始肌电信号,经特征提取,转化为能量核相图和离散小波变换系数特征图,分别输入双卷积链神经网络的卷积神经网络分支和MobileNetV2分支,利用融合模块提取高层隐藏特征并进行充分交互。制备包括以上两种特征图像和传统肌电信号图谱在内的3种数据集。3组交叉实验结果表明:所提方法对6种自测下肢运动的平均识别准确率达94.19%,显著优于其他特征组合与网络架构;在ENABL3S开源数据集识别7种下肢运动中取得98.32%的稳态识别准确率,进一步验证了所提方法优良的肌电特征捕捉能力和模式识别准确性。

基于核函数支持向量回归的盾构姿态预测方法

盾构机在掘进过程中,常因盾构机姿态控制不良导致一系列工程事故。为满足盾构隧道施工需求,需要找到一种能准确预测盾构姿态的方法,以达到合理纠偏的目的。提出了一种基于小波阈值去噪和支持向量回归(SVR)的盾构姿态预测方法,利用箱型分析法筛选并清洗原始数据异常值,采用小波阈值去噪对数据训练集进行降噪处理,有效地提高了模型的性能。以可决系数R 2平均绝对误差MAE作为评价指标,评估了4种核函数的SVR盾构姿态预测效果。依托杭州某盾构工程,验证了该方法的有效性。研究结果表明:原始数据经过异常值清洗、小波阈值去噪后,线性核函数SVR预测表现最好,刀盘水平姿态的R 2和MAE分别达到0.930和8.180 mm,盾尾水平姿态的R 2和MAE分别达到0.949和7.061 mm。

一种基于改进多任务联合稀疏表示的道岔故障检测算法

为提高道岔维护人员人工检查的工作效率,研究准确率更高的智能道岔故障检测算法,提出一种基于改进多任务联合稀疏表示分类的道岔故障检测算法。该算法以道岔转辙机设备的功率曲线为基础数据,应用小波包分解算法提取电流曲线的频域特征向量,并融合曲线时域特征向量,选用多任务联合稀疏表示分类算法,辅以新型动态时间规整算法衍生核函数进行故障建模。经仿真实验,对收集的实际数据进行检测,模型正确率可达100%,验证了该算法的有效性,实现了智能道岔故障检测。

电力变压器绕组故障智能诊断优化方法研究

由于电力变压器绕组不同故障状态具有不同的特征,难以保障诊断效果,为此,提出电力变压器绕组故障智能诊断优化方法。以电力变压器绕组振动信号为对象,通过缩放和平移的方式将其分解为一组小波包基函数,并将每个分解得到的频带能量作为特征值,形成电力变压器绕组故障信号的特征向量。在诊断阶段,引入了核极限学习机,实现对特征对应电力变压器绕组故障状态的诊断。结果表明,该方法对不同类型绕组故障状态的有效诊断率均达到了85.0%以上,与对照组相比具有明显优势。

多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

基于IKPCA-GA-BP算法的心电情绪识别研究

目的 为了提高使用心电信号特征参数进行情绪识别的准确率与效率,提出一种基于改进核主成分分析的遗传算法:优化遗传算法反向传播(improved kernel principal component analysis-genetic algorithm-back propagation, IKPCA-GA-BP)神经网络。方法 首先,以心电传感器记录的数据为试验样本,利用自适应选取γ值的改进核主成分分析算法,对二进样条小波变换提取的多组特征进行数据降维和数据重构,得到综合变量;其次,建立反向传播神经网络模型,并利用遗传算法优化网络的初始权值和偏置值;最后,通过改变模型训练样本与测试样本比例,对比分析IKPCA-GA-BP算法与传统识别算法的情绪分类效果。结果 该算法在保证准确率达到96%的前提下,可在1 s左右识别相关情绪。另外,对于悲伤情绪的识别,大多数模型表现得并不理想,而IKPCA-GA-BP算法可实现接近100%的准确率。结论 心电信号中,P波、QRS波群和T波包含许多有助于情绪识别的信息(例如R-R间期、P波振幅等),但这些信息并不能直接用于试验分析,需要通过有效的组合与处理才能发挥最大作用。此外,在高兴、轻松、悲伤和恐惧这四种情绪中,多数识别算法通常较难准确辨别悲伤情绪。

基于改进EMD-小波包的爆破振动信号降噪方法研究

针对经验模态分解(empirical mode decomposition, EMD)存在模态混叠和降噪效果不佳的问题,依据分解—正交—聚类—降噪—重构的思想,提出了改进EMD-小波包的爆破振动信号降噪方法。该方法融合了核主成分分析的正交性、K-means算法的聚类特性以及小波包的降噪优势,不仅可以消除EMD的模态混叠,也具有良好的降噪效果。研究结果表明:与自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis, CEEMDAN)和EMD方法相比,在模拟信号降噪试验中,改进EMD-小波包方法的信噪比(7.9 dB)最大,均方根误差(2.96)最小。在实测爆破振动信号降噪中,改进EMD-小波包方法降噪后的信号与原始信号相关系数最大为0.91。改进EMD-小波包和CEEMDAN方法的降噪效果相对理想,且改进EMD-小波包方法对10~60 Hz低频信号能量保存效果较好,对60 Hz以上中高频噪声的滤除效果最好。

基于改进核极限学习机的风电功率短期预测

针对环境变化造成风力发电功率波动大和核极限学习机易陷入局部最优解的问题,构建了一种基于完全噪声辅助聚合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis,CEEMDAN)、小波阈值去噪和粒子群算法优化核极限学习机的风电功率短期预测模型。首先,利用CEEMDAN对风力发电输出功率密切相关的环境因素进行分解,得到若干个规律性较强的模态分量,利用阈值去噪法对含噪声较多的第一模态分量进行去噪,削弱环境因素的非平稳性;然后,将分解后的子分量和风电功率历史数据作为粒子群优化后的核极限学习机算法的输入进行预测;最后,选用河北张家口某风电场的实测数据进行实验对比分析。实验结果表明:所提出的改进风电功率预测组合模型的预测精度更高,适应于不同季节环境下的风电功率预测。

基于深度置信网络的三相串联故障电弧检测方法

针对三相串联故障电弧的研究大多只是提供一种能够识别出故障电弧的方法,没有考虑用于工业实时检测的可能性,提出了一种基于深度置信网络的故障电弧检测方法。首先,通过搭建三相异步电机故障电弧实验平台获取不同故障情况下的电流数据,并利用提升小波变换对其进行去噪;其次,通过核主成分分析法KPCA(kernel principal component analysis)提取去噪之后的数据的主成分,减少需要分析的变量;最后,通过PSO优化的DBN网络进行故障识别,与BP神经网络和极限学习机相比,其检测速度更快且准确率达到了98.8%,为应用于实时检测提供了可能性。

基于改进极限学习机的配电网高阻接地故障检测方案

配电网高阻接地故障特征突变微弱,且与负荷接入、电容投切等正常运行工况特征相似,难以被有效检测。基于此,提出一种基于改进极限学习机的高阻接地故障检测方案。首先,详细分析高阻接地故障特征,并基于离散小波分解对零序电压高频分量进行特征提取,结合细节系数构建特征库。在此基础上,利用核主成分分析法改进极限学习机输入层,实现特征库非线性降维,并提出一种改进的高阻接地故障检测方案。最后,通过大量的仿真测试与对比分析,验证所提方案的准确性与有效性。

基于小波包-核偏最小二乘的滚动轴承故障检测法

为了解决滚动轴承故障检测中出现的振动信号非线性问题,课题团队提出了一种基于小波包-核偏最小二乘(wavelet packet and kernel partial least squares method, WP-KPLS)的故障检测方法。首先对采集到的信号进行小波包分解,将振动信号分解到独立的频段,提取不同频段的能量谱,并构建反映频谱状态改变的能量谱特征向量;再对得到的能量谱特征向量进行核偏最小二乘分析,建立故障检测模型,利用T^(2)及SPE统计量来检测故障是否发生。实验结果表明:该方法能够较为准确地检测到轴承的内外圈故障,证明该模型是有效的。该方法综合了小波包对信号的分析优势和核偏最小二乘法在非线性情况下的数据处理优点,为解决故障检测中的非线性数据处理问题提供了一种新方法。