基于边缘线分析与聚合通道特征的港口舰船检测

针对可见光学遥感图像港口舰船检测过程中,人造目标造成检测结果准确率低、虚警率高的问题,提出了一种基于边缘线梯度特征定位和聚合通道特征的舰船检测方法。基于多尺度多结构元素形态学滤波实现海陆分割;并结合遥感图像中港口的矩形形状特点,定义边缘梯度正切角和港口凹凸度特征以对港口进行定位,获取港口感兴趣区域集合。提取舰船目标的聚合通道特征,并通过聚合通道特征构建的样本训练库和AdaBoost算法完成分类器的训练,利用训练完成后的分类器完成舰船目标的最终判别确认。实验结果表明该算法相较于传统的HOG特征和Haar特征,检测效果良好,准确率和召回率得到较大的提升。     

空-谱二维蚁群组合优化SVM的高光谱图像分类

提出了一种空-谱二维特征蚁群组合优化支持向量机的高光谱图像分类算法。利用两类蚁群分别在光谱维空间和样本分布空间交替搜索最大类间距波段组合和异质样本,提取最优特征波段,降低了高光谱的波段信息冗余,去除训练样本中的异质样本,优化了训练样本特征空间分布。将蚁群组合优化后的高光谱图像和训练样本应用到支持向量机(SVM)分类器中,扩大了特征空间类间距,提高了SVM算法的分类精度。实验表明该算法总分类精度达95.45%,Kappa系数0.925 2,是一种分类精度较高的高光谱图像分类方法。     

特征级联在车辆检测中的应用与研究

对现有的采用机器学习算法检测车辆进行研究,分析其存在的不足;表现在特征或者算法单一,对光照等条件变化鲁棒性不够;针对这些问题,提出一种融合LBP特征与HOG特征,并结合Adaboost与SVM的车辆检测算法;借鉴级联的思想,首先采用AdaBoost对训练样本提取LBP特征进行训练,得到的分类器用于初步筛选并将其分类结果作为下一层分类器的输入;然后采用SVM算法对训练样本提取HOG特征进行训练,得到的分类器用于二次筛选上一层分类器的分类结果;实验结果证明Adaboost-SVM相结合的办法检测结果精度高,准确率和召回率均达到95%以上,FPPW与FPPI的值均在5%左右;同时由于算法采用的特征对光照条件具有较强的鲁棒性,因此光照条件的变化对算法的识别结果影响较低;实时性方面,每帧图像的处理时间为75 ms,满足实时性要求。     

货车枕簧丢失故障动态图像识别方法

针对货车运行故障动态图像检测,提出无故障目标识别工作模式,解决货车枕簧丢失故障的自动识别问题。利用Haar特征提取枕簧特征信息,基于AdaBoost算法选取特征并构建层叠分类器,等比缩放搜索窗口检测货车图像,最终分选出无故障的枕簧图像,从而大大地减少了待识别图像的数量,显著地提高了人工识别效率。实验表明,该算法使用的特征简单,搜索策略高效,不受枕簧位置、缩放和旋转的影响,抗噪能力强,对分辨率低、局部遮挡、光照不足或过度曝光等质量较差的图像仍具有很强的适应性,所提出的方案能够满足全天候条件下的货车枕簧目标识别,为货车故障动态图像检测的工程化应用奠定了基础。     

基于AdaBoost算法的癫痫脑电信号识别

AdaBoost算法作为Boosting算法的经典算法之一, 在人脸检测和目标跟踪等领域得到了广泛应用, 但该算法也有一个缺点-退化问题. 为了解决这个问题, 通过对弱分类器进行筛选、引入平滑因子和权值修正函数三个措施对算法进行优化, 并将优化后的算法与小波包分解相结合应用到癫痫脑电信号的识别上. 结果表明, 本文算法对癫痫脑电信号的识别率为96.11%, 对正常脑电信号的识别率为99.51%, 具有较高的识别率, 为癫痫的正确诊断提供了一种可能有效的解决方案.     

AdaBoost算法在矿井突水水源的荧光光谱识别中的研究

矿井突水是影响矿井安全生产的重要因素之一,如果矿井发生突水,能够快速、准确地判别突水水源类型是治理矿井突水灾害保证生产安全的重要环节,因此,建立一个能够快速识别矿井突水水源的模型具有重要的意义。水化学分析法作为在传统的矿井突水水源类型识别方法里应用最为广泛的识别方法,通过获得相应的pH值、离子浓度、电导率等参数,然后利用这些参数来建立突水水源的类型识别模型对矿井突水的类型进行判别。针对这种传统矿井突水水源识别方法在判别时间上耗时长和识别准确率低等不足,鉴于LIF技术具有分析速度快、灵敏度高等优点,提出了将线性判别分析（LDA）算法作为弱分类器的自适应提升（AdaBoost）算法用于激光诱导荧光（LIF）光谱识别矿井突水水源的新方法。用于实验的九种水样（每种水样各取50个样本）由淮南地区某矿的老空水、灰岩水以及按不同比例混合的老空水与灰岩水的七种混合水构成。将405 nm激光器发射的激光打入被测水体并采集荧光光谱数据,然后对采集到450组荧光光谱数据进行分析,取其中360组光谱数据（每种水样各40组）用作训练集,取剩余90组光谱数据用作测试集。分别选取三种算法针对水样的激光诱导荧光光谱的分类进行了建模并将三种结果进行对比。首先利用决策树算法对光谱进行分类识别,在节点个数为8时决策树对测试集的分类效果最好,分类准确率达到91.11%。然后针对决策树算法分类效果的不足,利用决策树算法作为弱分类器的AdaBoost算法,当选取节点个数为9的决策树作为弱分类器的时,对训练集的分类准确率为97.78%。最后针对基于决策树的AdaBoost算法的泛化性能不足和为了获得更好的分类效果,提出了基于LDA算法作为弱分类器的AdaBoost算法,在设置迭代次数为150后对水样光谱数据分类准确率可以达到100%。通过实验结果可以发现,集成学习算法的分类能力比传统的分类算法对水样的光谱的分类识别能力更强,相较于同为九个节点的决策树算法,采用节点数为9的决策树作为弱学习器的AdaBoost算法对测试集的分类准确率从88.89%提升到了97.78%,对训练集的分类准确率从99.72%提升到了100%;然后可以发现相对于使用决策树作为弱分类器的AdaBoost算法,采用LDA算法作为AdaBoost算法的弱分类器对水样的光谱的测试集的分类准确率从97.78%提升到了100%,对训练集的分类准确率达到100%,具有更好的识别效果,并且具有更好的泛化性能。实验结果证明采用Adaboost-LDA算法为激光荧光光谱的模式分类用于矿井突水水源的判别和预警是可行且有效的。     

基于PCA-KNN聚类的通用在线故障诊断算法设计

为了克服以往故障诊断算法所具有的难以诊断效率低、诊断精度不高和模型通用性不强的缺点,提出了一种基于PCA主元分析特征优化和KNN聚类的故障诊断法算法;首先,给出了故障诊断的总体模型和诊断原理,然后在故障征兆原始样本数据的基础上,通过PCA主元分析法进行特征优化,获得维数约简的样本数据,从而提高故障诊断的效率;在此基础上,采用训练样本数据对模糊K均值分类器进行训练,并计算每个聚类的距离和阈值;最后,将在线获取的测试样本数据或离线样本数据输入到模糊K均值分类器,获得其所属分类,并采用KNN最近邻算法来获取其K个近邻,根据其与近邻的距离平方和与所属聚类距离平方阈值来判断其是否为故障样本,从而实现故障诊断;以滚动轴承故障诊断试验和模拟电路故障诊断试验为例,实验结果证明了文中方法较其它方法具有诊断效率高和诊断精度高的优点,是一种通用的和可行的在线故障诊断方法。     

基于区域增长的图像跟踪算法的研究

为了提高序列图像的跟踪精度,提出了基于区域增长的特征量提取方法。这种方法可捕获图像中所有单连通域,并能准确地提取其特征量,然后依据所提取的特征量设计分类器,实现对图像中所有单连通域进行分类识别并加以跟踪的目的。此算法有效地解决了一般传统识别算法难以区分目标和其近邻区域的干扰,而导致跟踪目标特征量提取不准确的问题。在目标特征提取识别算法的基础上,还提出了阈值预测分割算法,并应用在序列图像的跟踪中,取得了较好效果。     

光伏电池组件隐式、显式单二极管模型准确性对比研究

光伏电池组件非线性输出特性的物理建模及其优化参数的准确提取是光伏发电系统设计计算、性能评估及优化控制的重要前提.相对于传统的隐式单二极管模型,该文在光伏电池显式单二极管模型的基础上利用Lambert W函数推导了光伏组件的显式单二极管模型,提出一种基于重启边界约束Nelder-Mead单纯形算法的参数提取方法rbcNM,并利用两种典型光伏电池组件的实测数据对隐式、显式单二极管模型的准确性进行了对比测试和验证.结果表明:rbcNM算法可以快速准确的提取隐式、显式单二极管模型的优化参数,计算结果与实测数据具有很好的一致性,相对于已有文献在准确度上取得了大幅度的提升;显式单二极管模型的准确性显著高于隐式单二极管模型,对光伏电池组件的电流-电压和功率-电压特性曲线具有更高的拟合精度.     

基于高光谱图像技术和SVDD的玉米种子识别

特征提取的充分性和分类器设计的合理性是影响玉米种子识别精度的两个关键问题。采集了玉米种子的高光谱图像,并提取每粒玉米种子在不同波段下的图像熵作为分类特征;在此基础上,利用支持向量数据描述方法构建每类玉米的分类器模型,对待识别样本的测试精度达到了94.14%,对新类别样本的识别精度达到92.28%。仿真结果表明：新方法可实现玉米种子的准确识别,同时解决了传统分类器对新类别样本的错误分类问题。     

基于LM-BP神经网络的气阀故障诊断方法

提出一种基于LM（Levenberg-Marquardt）算法优化的 BP (Back Propagation)神经网络的多级往复式压缩机压缩机气阀故障诊断方法。以6M25-185/314氢氮气压缩机的 6级压差和6级温差作为网络的输入向量,建立可对往复式压缩机一至六级气阀故障进行在线监测及故障诊断的LM-BP神经网络模型。以100组故障数据作为网络训练样本,30组数据作为网络检测样本进行故障诊断,结果表明,LM-BP神经网络相比于变梯度BP神经网络和RBF神经网络诊断更快速稳定且准确率达到96%以上。利用Matlab软件平台建立的LM-BP 神经网络故障诊断模型,模型简单便于在工程实际中应用。     

基于信息融合的模拟电路故障的特征提取与融合方法

在模拟电路故障诊断中,故障特征的提取是一个非常重要的环节,其提取结果的好坏将直接影响最终的诊断正确率。对现有文献研究发现,每种特征提取方法单独使用时都有一定的局限性,为了能够更加充分的提取模拟电路故障特征,提出了小波包分析与主元分析并行应用的方法,并将两种方法提取的特征向量依据不同规则进行了三种类型的融合,方便对比实验。为获取最优小波特征,提出了特征偏离度,并以此为标准选择最优小波基。最后,通过设计一种改进的神经网络分类器模型,将融合后的三种特征向量送入其中进行仿真验证,得出最终诊断结果。结果表明,该方法能够有效克服单一特征提取方法提取不充分的缺点,提高故障诊断的正确率,并且融合因子 适中时诊断正确率最高。     

水下高分辨率声图中小目标的深度网络分类方法

针对声成像数据缺少条件下的水下沉底小目标分类问题,提出一种深度网络分类算法。首先,采用高斯混合模型对声影区统计特性进行建模并提取声图阴影,在此基础上构建仿真数据集和真实数据集。将仿真数据集输入卷积神经网络进行训练,保留其特征提取部分,用于对真实数据集进行特征提取.重建网络分类部分并采用真实数据集的特征向量进行训练。结果表明,所提出的方法分类正确率可达88.24%,与6种对照方法相比平均分类正确率分别提升8.67%,20.47%,19.78%,11.59%,9.01%,11.58%。验证了所提出方法在小样本条件下具有较好对水下沉底小目标的分类能力。其学习曲线收敛到96.25%,仅比验证曲线高5.14%,说明在一定程度上缓解了过拟合问题。将改进的卷积神经网络应用于融合分类器,通过与逻辑回归分类器、支持向量机对目标进行分类并融合决策,正确率为93.33%,可进一步提高算法的正确率和稳定性.      

基于级联网络的年龄性别识别研究

提出了一种基于深度学习技术的年龄和性别识别方法,建立了人脸识别硬件与软件系统。运用经典的反向传播算法确定预测函数的权重矩阵和偏差。针对单个识别网络准确率不高的问题,采用多个神经网络级联的方式,对输入的目标特征进行多次判定。通过设计一种投票竞争算法,让级联网络的识别结果自动进行竞争,获胜者作为最终的预测结果。预测结果与实验数据对比表明采用级联网络可有效提高对年龄性别的识别准确率,级联后的识别准确率分别达到了88%和82.61%。     

基于改进神经网络算法的PM2.5污染信号分析检测

当前为了保证污染信号分析的精度,在对PM2.5污染进行检测的过程中,需处理的数据量过大,导致经典神经网络方法遇到矛盾数据时,需要花费大量的数据校验时间,收敛速度下降,检测效率大幅降低,提出一种基于改进神经网络算法的PM2.5污染检测方法,在分析标准神经网络算法的基础上,允许信号跳变精确度范围内,在层与层之间引入容错性变量,同时在计算阈值的过程中融入松弛变量,提高收敛速度;避免神经网络陷入局部最优解。采用改进神经网络算法,通过不断调整网络的权值以及污染阈值,对PM2.5污染信号进行高效检测。以飞利浦公司的新一代检测系统为测试器材,测试结果表明,采用所提方法得到的PM2.5污染检测效率明显提高。     

Reliable Fault Diagnosis of Bearings Using an Optimized Stacked Variational Denoising Auto-Encoder

Variational auto-encoders (VAE) have recently been successfully applied in the intelligent fault diagnosis of rolling bearings due to its self-learning ability and robustness. However, the hyper-parameters of VAEs depend, to a significant extent, on artificial settings, which is regarded as a common and key problem in existing deep learning models. Additionally, its anti-noise capability may face a decline when VAE is used to analyze bearing vibration data under loud environmental noise. Therefore, in order to improve the anti-noise performance of the VAE model and adaptively select its parameters, this paper proposes an optimized stacked variational denoising autoencoder (OSVDAE) for the reliable fault diagnosis of bearings. Within the proposed method, a robust network, named variational denoising auto-encoder (VDAE), is, first, designed by integrating VAE and a denoising auto-encoder (DAE). Subsequently, a stacked variational denoising auto-encoder (SVDAE) architecture is constructed to extract the robust and discriminative latent fault features via stacking VDAE networks layer on layer, wherein the important parameters of the SVDAE model are automatically determined by employing a novel meta-heuristic intelligent optimizer known as the seagull optimization algorithm (SOA). Finally, the extracted latent features are imported into a softmax classifier to obtain the results of fault recognition in rolling bearings. Experiments are conducted to validate the effectiveness of the proposed method. The results of analysis indicate that the proposed method not only can achieve a high identification accuracy for different bearing health conditions, but also outperforms some representative deep learning methods.     

Sensor and Actuator Fault Diagnosis for Robot Joint Based on Deep CNN

This paper proposes a data-driven method-based fault diagnosis method using the deep convolutional neural network (DCNN). The DCNN is used to deal with sensor and actuator faults of robot joints, such as gain error, offset error, and malfunction for both sensors and actuators, and different fault types are diagnosed using the trained neural network. In order to achieve the above goal, the fused data of sensors and actuators are used, where both types of fault are described in one formulation. Then, the deep convolutional neural network is applied to learn characteristic features from the merged data to try to find discriminative information for each kind of fault. After that, the fully connected layer does prediction work based on learned features. In order to verify the effectiveness of the proposed deep convolutional neural network model, different fault diagnosis methods including support vector machine (SVM), artificial neural network (ANN), conventional neural network (CNN) using the LeNet-5 method, and long-term memory network (LTMN) are investigated and compared with DCNN method. The results show that the DCNN fault diagnosis method can realize high fault recognition accuracy while needing less model training time.     

基于RBF网络的断路器电流自适应保护研究

针对传统断路器电流保护方法存在受系统运行方式影响、整定困难、智能化低等问题,本文提出了基于RBF的断路器电流自适应保护算法,并给出了算法的模型。该算法融合了RBF神经网络的故障检测和电流自适应保护。首先通过RBF网络检测负载线路的电流故障,然后用电流自适应算法进行保护。在对神经网络进行训练时,利用PSO算法对RBF神经网络的参数进行优化以此来提高网络的泛化能力和学习能力;然后采用优化后的PSO-RBF神经网络对电流故障进行诊断。实验表明,该算法较大地提高了断路器智能化管理水平。     

基于强化学习和蚁群算法的WSN节点故障诊断

为了克服现有的WSN节点故障诊断方法所具有的难以实现在线诊断和诊断精度仍然不够高的缺点,设计了一种基于Sarsa算法和改进蚁群算法的WSN节点在线故障诊断方法。首先,建立了监测区域的网络模型和WSN节点故障诊断模型,然后,采用主成分分析法对节点故障样本数据进行降维,从而提高诊断效率,将样本数据作为层次,将故障诊断类作为各层节点建立层次树,采用改进的Sarsa算法求取各层节点的Q值,并将其用于初始化蚁群算法中路径的信息素,最后,提出了一种改进的蚁群算法求取从第一层出发的蚁群到各层节点之间的路径,将各层中信息素最大的节点作为最终的故障诊断类别。在Matlab环境下进行仿真实验,结果证明文中方法能有效实现WSN节点故障诊断,且与其它方法相比,具有故障诊断精确度高且能在线故障的优点,是一种有效的节点故障诊断方法。