基于多波段漫反射光谱古陶瓷窑口无损鉴定

古陶瓷是历史的遗存, 具有不可再生性，因而理想的古陶瓷分析技术应该是无损的。为客观、有效地对古陶瓷窑口进行无损鉴定，提出了一种基于紫外、可见光和近红外的多波段漫反射光谱无损鉴定方法。针对传统单一波段古陶瓷窑口鉴定对目标特征描述不足的问题，即在可见光波段区域，漫反射光谱数据可反映古陶瓷的颜色特征，但在同一窑口烧制的陶瓷也会有不同的颜色属性，仅仅根据可见光波段的漫反射反射率来鉴定窑口来源是不合理的，在紫外与近红外波段，古陶瓷内部分子与此波段光发生作用后的漫反射光谱数据，可反映古陶瓷携带的丰富样品结构和物质属性信息，结合紫外与近红外光谱漫反射光谱数据可有效提高特征的表达，因此提出利用紫外、可见光和近红外的多波段特征提取方法。在实验过程中，基于多波段线性特征融合窑口平均鉴定准确率为92.9%，相比于单波段的窑口鉴定平均准确率91.1%提高了1.8%，实验结果验证了所提多波段方法相对单波段方法的有效性；在特征提取过程中，常用小波变换对光谱信号进行处理，但由于古陶瓷漫反射光谱波信号在紫外、可见光与近红外波段形波动大，频率变化大，因此，在小波基的选取上存在很大困难，提出利用自适应时频分析特征提取方法，其特点是可自适应分配不同频率子波本征模态函数，通过选择合适的本征模态函数来提取古陶瓷不同波段的光谱特征，但在分解过程中存在过分解现象，即虚假的本征模态函数，将所有样本与分解的本征模态函数的平均相关系数和平均方差贡献率作为选择本征模态函数的标准，实验结果表明，随着分解阶次的递增平均相关系数和平均方差贡献率递减，当分解阶次为4时，相关系数和方差贡献率都为0.30，但当分解阶次为5时，相关系数和方差贡献率仅为0.15和0.18，因此选择4阶分解，用于不同波段的特征提取；所提取的特征给与分类器进行分类时，不同波段的特征对分类的准确率贡献不同，因此在此基础上，计算不同光谱特征的散布矩阵，利用类内与类间散布矩阵的迹，计算特征融合时不同波段特征的权重，自适应分配权重并进行非线性特征融合，权重越大，表明该类特征对鉴别的贡献越大，非线性特征融合时，平均鉴定准确率为94.5%，相比于线性特征融合鉴定平均准确率92.9%提高了1.6%；其中分类器采用k最近邻分类器对来自不同窑口的古陶瓷进行无损分类识别。通过客观定量地将该方法与同类方法进行对比，朱旭峰等利用非线性特征融合方法，窑口平均鉴定准确率为86.97%，该方法比其高7.53%。刘峰等采用基于协方差阵进行特征级融合多波段方法，窑口平均鉴定准确率为89.63%，该方法比其高4.87%。实验结果表明所提方法有效、可行，可作为古陶瓷窑口鉴定的有效辅助鉴定方法。     

基于改进单神经元的四旋翼PID控制器设计

针对传统PID控制算法对四旋翼飞行器的姿态角进行控制时,其控制参数很难随着环境的变化进行自整定,进而影响四旋翼飞行器的稳定性的问题,提出了一种改进的PID控制算法;该算法通过改进单神经元中的K值公式提高了K_p、K_i、K_d的学习速率,从而提高了系统的响应速度;通过增加超调惩罚措施,通过适当的放大或缩小超调,可以使系统超调达到最小;通过与增量型PID、标准二次型单神经元PID算法进行比较,并且进行仿真实验;结果表明:所提方法具有参数自整定能力强且快速响应、鲁棒性强及稳定性好。     

可见-近红外光谱的古陶瓷断代分类识别

为客观、有效对古陶瓷进行无损断代,提出了一种基于可见-近红外光谱古陶瓷断代分类识别方法。耀州窑古陶瓷跨代较多,且不同朝代之间具有物理相似性,因此耀州窑的断代具有一定的挑战性。以耀州窑为研究对象,在采用紫外-可见-近红外光谱分析仪获取古陶瓷不同朝代的多光谱数据的基础上,提出基于分数阶微分对光谱数据进行预处理,避免微分预处理常用的一阶微分和二阶微分遗漏中间过渡信息,同时压制并消除光谱数据中的背景信息和噪声干扰。实验结果表明,未进行微分处理(0阶)时,耀州窑不同年代古陶瓷的分类准确率仅为84.8%,而基于不同分数阶微分的分类准确率均较0阶明显高,分数阶微分的最优阶数为0.7阶。另外,提出基于深度信念网络对不同朝代古陶瓷进行断代分类,首先采用层叠的受限玻尔兹曼机(RBM)对深度网络进行预训练,提取光谱数据高层特征以消除光谱数据中的冗余特征。实验结果表明,光谱数据经RBM降维之前特征间的相关系数为0.885 7,经第一层和第二层RBM降维后的相关系数分别为0.544 6和0.391 5,特征间的相关性明显下降,冗余度明显减少。然后将RBM预训练得到的权值参数对BP神经网络进行初始化,并对深度信念网络进行微调,在克服BP神经网络因随机初始化权值参数而陷入局部最优局限性的同时,提升网络训练主动性。实验可得,深度信念网络的最优RBM数量为2,RBM隐藏层最优节点数为100。最后,为避免小样本数据基于深度信念网络进行训练易出现过拟合,提出了一种Dropout随机丢弃策略,在深度信念网络训练阶段以一定概率随机让网络某些隐含层节点的权重不工作,以减少网络训练过程特征之间的相互依赖性,实验可得当Dropout丢弃比例为0.45时,分类性能最高。采用所提方法,耀州窑不同朝代古陶瓷分类的平均准确率为93.5%,而耀州窑五代时期的分类识别率最高为96.3%。通过与同类古陶瓷断代分析方法的客观定量对比,表明所提方法有效、可行,为古陶瓷的断代提供了新方法。