基于在线HHT和SVM的汽油机轻微漏气故障识别方法

针对汽油机轻微漏气故障会被闭环反馈控制所掩盖,提出了一种基于在线希尔伯特变换(Hilbert-Huang Transform,HHT)和支持向量机(Support vector machine,SVM)的两阶段微小故障识别方法(Online HHT-SVM,OHS).第一阶段在嵌入式两滑动时间窗内通过HHT对发动机空燃比数据流进行在线时频分析,以实时获取空燃比发生异常的时刻;第二阶段通过SVM对异常时刻的数据流故障模式进行离线识别.根据氧传感器信号特征,对经验模态分解(Empirical mode decomposition,EMD)算法进行了改进,并从理论上进行了证明.基于两款发动机的实际运行数据验证了该方法的有效性.     

大环分子衍生物在人工跨膜离子通道领域中的研究进展

大环分子如环糊精、冠醚等因具备独特的空腔结构, 能够通过主-客体相互作用实现对分子、离子的特异性识别, 因此常被应用于人工跨膜离子传输系统的研究和开发. 与天然的通道蛋白相比, 大环分子具有价格低廉、性质稳定、结构易于修饰和功能化等诸多优点, 因而备受科研工作者们的关注. 本综述详细介绍了大环分子在人工离子通道领域中的研究进展, 按照不同的大环分子进行分类, 系统归纳了基于大环结构的人工跨膜通道的制备方法、结构调控以及其在生物医药领域中的潜在应用. 最后对大环类人工离子通道做了简要的总结和展望, 该综述对于发展新型人工离子通道以及发掘其潜在的应用价值具有重要意义.     

液晶分子印迹整体柱的制备及其分子识别热力学

液晶分子印迹聚合物(MIPs)因刚性液晶单体的加入而在超低交联度水平下也能印迹和识别模板分子,有效解决了传统MIPs因高交联度造成的位点包埋、结合容量低、传质慢等问题。尽管液晶MIPs具有如此独特的优势,但却面临着由于交联度的大幅度降低而导致印迹效果下降的问题。为了研究液晶MIPs的结合特性,制备具有良好印迹效果的低交联液晶MIPs,该文通过二次接枝聚合,制备了一系列不同交联度的液晶分子印迹整体柱,用高效液相色谱法研究了聚合参数与印迹整体柱亲和性的关系。实验中选用三羟甲基丙烷三甲基丙烯酸酯(TRIM)为交联剂,以甲苯和十二醇为致孔剂合成整体柱骨架,并在此基础上以(S)-萘普生为模板,加入液晶单体4-氰基苯基单环己基乙烯(CPCE)进行二次聚合接枝。实验中系统考察了流动相中乙腈比例及缓冲液pH值对色谱保留的影响,结果发现液晶单体的加入使得MIPs对萘普生保留控制机制由原来的氢键作用变为了疏水作用;通过动态吸附实验得到的突破曲线经前沿分析及对吸附等温线Langmuir、Freundlich和Scatchard分析拟合,发现交联度为15%时液晶MIPs印迹因子最大(3.78)、非均一性最强,且特异性吸附量高于非特异性吸附量。液晶MIPs的计量置换模型(SDM-R)分析表明,液晶印迹整体柱对模板分子的总亲和力(ln A=0.645)明显高于其类似物;而从空间匹配程度看,与液晶印迹整体柱空间匹配程度最高的是酮洛芬而非模板分子,但液晶印迹整体柱对酮洛芬的总亲和力(ln A=0.242)不及模板分子的一半,表明在本低交联液晶印迹系统中,空间效应不是决定印迹系统识别能力的主要因素。进一步的分离热力学研究发现,低交联液晶印迹柱的|ΔΔH|<T|ΔΔS|,而交联度为70%的非液晶MIPs柱的|ΔΔH|>T|ΔΔS|,表明液晶MIPs的分离过程是一个熵控制过程,而常规无液晶MIPs的分离过程是一个焓控制过程。上述结果表明,液晶单体的加入改变了MIPs的识别机制,适当的低交联度可显著提高液晶MIPs的识别性能,因此液晶MIPs这些特质有望使其成为新一代的MIPs。     

采用GAF-D3Net深度学习网络的水下目标有源识别方法

提出一种基于格拉姆角场(GAF)和卷积神经网络(CNN)的水下目标有源识别方法。该方法利用GAF将目标回波信号编码为二维图像,使用空洞卷积构建轻量级的卷积神经网络GAF-D3Net实现对目标的特征提取与分类识别。实验表明,与基于传统图像特征的分类方法相比,所提方法的分类精度有显著提高,达到99.65%。在泛化性测试中,对比了经典CNN使用声呐图像的迁移学习方法,本文方法的曲线下面积(AUC)达到89%,具有更好的泛化性能以及抗干扰能力,为实现水下目标有源识别提供了一种可靠方法。     

气体放电随机现象的图像智能化分析

本文采用高速相机记录气体放电信息,获得高分辨率的空间与时间的视频数据.通过分析其放电图案,发现其为树状分形结构,其单个放电点和多个放电点的分形维数分别为1.64和1.71.利用课题组采用python编写的软件,对获取的大量的图像信息进行智能化的轮廓识别和质心标记,获取了每个放电条件下,5911张相邻时间间隔为0.5 ms的图像的放电点的位置分布信息.结果显示,放电点数在空间内出现的位置概率接近高斯分布,其出现的时间间隔分布接近指数衰减.     

基于改进的反向匹配的拉曼光谱识别方法研究

针对传统的反向匹配方法中存在的强弱峰权重差异和噪声峰的干扰问题,提出了改进式反向匹配方法,通过引入权重衰减函数来优化强峰和弱峰之间的权重占比关系,使得谱图中各特征峰的权重分布在合理的范围内,避免了强峰权重掩盖弱峰的情况;通过概率分布函数动态滤噪的方法,实现了噪声峰的自适应过滤,从而提升了反向匹配方法的识别性能。实验以大量的常规拉曼和表面增强拉曼的谱图为验证样本,基于大型常规拉曼与表面增强拉曼数据库进行拉曼谱图识别验证。实验表明该方法在大量数据测试下综合准确率达到91.52%,相比于命中质量指数方法(51.08%)和传统的反向匹配方法(16.57%)有大幅度的提升。     

电击死与死后电击的心脏组织光谱模式识别

在司法鉴定领域,涉及电击死亡的案件多发,鉴别死者是生前还是死后受到电击仍是法医病理学鉴定的难点问题之一。为此通过傅里叶变换红外光谱融合机器学习模型对心脏组织视角下的电击死和死后电击两种情况开展分类识别研究。将30只大鼠进行电击死、死后电击和对照处理,通过光谱仪扫描得到其心脏组织光谱,采用竞争性自适应重加权算法共提取到70个光谱特征波长,建立随机森林模型对特征波长提取前后的心脏组织光谱进行模式识别;结果表明,特征波长提取前后模型分类识别的准确率分别为34.9%和73.7%,验证了特征波长提取方法的有效性和必要性。同时建立偏最小二乘模型、传统支持向量机以及粒子群算法和灰狼算法优化的支持向量机模型进行分类识别,结果表明,模型分类识别的准确率分别为61.07%、 34.48%、 100%和98.46%,对比发现经特征提取后的粒子群优化支持向量机模型分类识别效果最好。为排除“生物学死亡期”的干扰,又取60只大鼠按同种方式对其处理,每组又分死后0.5 h和死后1 h 2个亚组,再次通过傅里叶变换红外光谱仪扫描得到光谱数据,数据预处理后将其与之前得到的数据进行一并处理并结合粒子群优化支持向量机模型分...     

偏振光谱多维信息的重构融合算法

针对传统光学手段难以实现复杂背景下光谱伪装目标的准确识别,同时,常规的数据融合方法易导致图像信息丢失的缺点,提出了一种基于非下采样轮廓波变换的偏振光谱多维信息融合方法。该方法结合自研的新型偏振光谱多维信息探测仪器,根据其获取的目标空间、光谱、偏振等多维信息,设计了多维信息重构算法流程,提取了偏振态基础数据斯托克斯参量以及偏振度和偏振角,利用NSCT对基础偏振参量进行图像融合,提升图像的信息含量以提高伪装物的识别准确率。先对具有相同边缘信息的图像Q和U采用NSCT分解,低通子带取均值,高通子带取最大值进行初步融合,获得偏振特征S,最后对偏振特征S、强度图像I以及偏振度DoLP进行NSCT分解,对分解所得低通子带进行区域能量加权融合;对高通子带,根据偏振特征图像具有灰度值小,受光照影响大等特点,采用LBP特征进行加权融合。同时,本方法与四类融合方法进行对比,据信息熵、标准差、平均梯度、对比度以及峰值信噪比五项指标对融合结果进行客观评价,并结合普通图像,偏振融合图像,偏振高光谱图像对目标识别精度进行对比。融合后的图像信息熵为6.998 6,标准差为45.599 8,平均梯度为19.808 6...     

铁质破片的高光谱图像识别研究

高光谱成像凭借高的光谱分辨率、图谱合一、波段多的特点,能够为待分类目标提供多维的参考信息,从而提高分类精度。爆炸破片的识别回收能够为爆炸威力的评估和防爆措施的设计提供参考。针对当前破片检测中多采用可见光波段或红外波段等单个波段进行检测,忽略了破片目标与背景对不同波长的光有着不同的吸收程度,没有将多波段破片特征充分利用,为此结合高光谱检测手段,提出了一种空间分割结合光谱信息的爆炸破片识别方法。在实验室环境下,首先采集铁质破片、石头、树叶的高光谱图像,对采集的样本图像数据做预处理,包括去噪声以及黑白校正反演反射率信息等,感兴趣区域随机提取三类样本像素点共750个,随机选取600个点作为训练集其余作为测试集,通过训练后得到预测准确度分别为88%、 88%、 94%的决策树模型。其次模拟了铁质破片散落在含有石头树叶的沙土中的场景并采集其高光谱数据,通过前后级联的空谱融合方法,在空域经过图像增强和去噪等预处理之后,采用边缘检测结合区域生长以及形态学处理的方法对空间图像进行分割,得到沙土上有形态的目标,空间分割的交并比(IOU)达到93.5%,真阳率(TPR)达到97.4%;然后结合光谱域训练得到...     

Att-U-Net：融合注意力机制的U-Net骨导语声增强*

近年来大量全卷积网络、U-Net等编解码网络结构应用于语音增强,它们具有计算复杂度低、模型参数少等优势。然而,与长短时记忆模型等方法相比,这些编解码结构仍存在不能充分利用先后时间之间和高低频率之间的关联信息等缺点,尤其对于长序列数据的输入,编解码结构存在信息丢失的问题。为保持计算效率的同时考虑更充分的时频关联信息建模,本文提出一种融合注意力机制的U-Net网络的骨导语音增强方法（Att-U-Net）,通过在跳跃连接中引入注意力机制,生成一个权重矩阵,将编码层中的全局信息根据权重融入对应的解码层中,使网络在编解码过程中能够关注输入数据中与增强目标相关程度高的重要信息,同时抑制不相关的信息。在骨导语音数据集上的实验表明,融合注意力机制的U-Net网络能在保持模型轻量化的同时有效提升骨导语音的增强效果,增强后的语音在各项客观评价指标上均优于基线模型。通过对编解码网络中间层的可视化分析发现,在解码过程中注意力机制有效地保留了有声段的信息,滤除了骨导语音由于骨导传声特性带来的中频共振,从而使得增强后的骨导语音具有较好的听觉效果。