自抗扰控制技术在高低温环境模拟系统中的应用

针对现有健康状态评估方法主观性较强,准确度不高等问题,提出一种基于DSmT理论和模糊综合评判的健康状态评估模型。首先,确定评估对象的评价指标体系,对采集的原始数据进行预处理;然后利用模糊综合评判理论确定广义基本信度赋值;接着采用DSmT融合规则对广义基本信度赋值合成,得到健康状态等级。对于多级的系统评估,可将融合后的结果作为新的广义基本信度赋值进行DSmT融合。实例验证表明,该状态评估模型能够准确有效地实现对系统的健康状态评估,而且能够克服高冲突证据的融合问题,具有良好的应用价值。     

基于MMFD-FCM的退化状态识别方法及其应用研究

为了有效地对机械设备运行状态进行监测,进而对其性能退化状态进行识别,提出一种基于形态多重分形维数(MMFD)与模糊C均值聚类(FCM)的性能退化状态识别方法;该方法首先计算机械设备振动信号的形态多重分形维数,以此作为性能退化特征指标;该特征指标能够有效反映峰值在振动信号中概率分布的不均匀程度,从而定量描述振动信号的性能退化状态,并且与多重形态分形维数相比,利用数学形态学计算的MMFD精度更高,计算速度更快;在此基础上,鉴于不同退化状态之间的模糊性,针对性地采用模糊C均值聚类方法对特征指标进行模糊聚类,从而有效识别性能退化状态;将该方法应用于滚动轴承全寿命周期振动信号中,分析结果验证了该方法的有效性。     

面向复杂装备的信息融合式健康监测分析研究

为解决当前复杂装备维修维护与状态监测所面临的问题,提出面向复杂装备的信息融合式健康监测;对复杂装备健康监测需求进行研究,明确针对复杂装备开展健康监测研究的意义;完成装备健康监测概念辨析,明确将信息融合技术引入复杂装备健康监测的意义;对信息融合技术国内外研究现状进行分析,针对信息融合技术的数据级、特征级及决策级,对各层级典型信息融合算法进行概要分析;论文研究为后续进一步深入开展复杂装备信息融合式健康监测研究奠定了良好基础。     

基于改进权值和TOPSIS质量评估方法

针对武器电子系统质量评估过程中客观性不强、实用度较差的问题,引入评估指标的区分度与重要度概念,提出基于DSmT改进权值的TOPSIS质量评估方法。首先,从主客观角度构建指标重要度和区分度作为广义信度赋值;然后采用DSmT(Dezert-Smarandache Theory)理论融合不同冲突证据源的广义信度赋值,消除证据源间的冲突,得到改进权值;接着构造基于改进权值的TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)法隶属贴近度。最后,以某型感应装定器为例进行实验验证,结果表明,该方法确定的指标权重具有更高可信度,对系统的质量评估更加准确,符合装备实际情况,具有较好的工程应用价值。     

基于相关向量机的惯性约束聚变实验靶识别技术研究

针对支持向量机(Support Vector Machine,SVM)在惯件约束聚变(Inertial Confinement Fusion,ICF)实验靶识别中稀疏性不够高而导致决策速度慢的问题,提出利用相关向量机(Relevance Vector Machine,RVM)进行ICF实验靶识别.设计了基于二叉树的RVM多类分类器,在二叉树的构建过程中同时考虑了类距离与类分布范围两种凶素的影响,获得了更为合理的二叉树层次结构.实验证明,RVM与SVM相比识别率不相上下,但由于有更好的稀疏性使RVM的决策时间远比SVM短.该算法与传统的多类分类方法‘一对一'、‘一对多'、‘有向无环图'及‘基于类距离二叉树'相比,混合识别率更高.     

基于多光谱图像融合的掌纹识别方法

生物特征识别在信息安全领域发挥着重要作用,掌纹识别作为一种新型生物特征识别方式,具有低失真、非侵入性和高唯一性等优势。传统掌纹研究大多使用自然光成像系统以灰度格式获取,识别精度很难进一步提升。为了获得更多的身份鉴别信息,提出利用多光谱掌纹图像代替自然光掌纹图像。针对现有掌纹识别算法由于没有考虑到不同光谱的特性而导致纹理细节丢失,识别精准率低的问题,提出了一种基于多光谱图像融合的掌纹识别算法。该方法通过对不同光谱下的掌纹图像进行快速自适应二维经验模式分解（FABEMD）,将多光谱掌纹图像分解成一系列频率由高到低的二维固有模态函数(BIMF)和一个残余分量,残余分量可被视为该光谱图像低频信息的初步估计。图像采集过程中光照条件很难保持稳定,而近红外光谱图像在进行FABEMD分解时对光照变换敏感,容易导致分解后的BIMF背景信息过于冗余;因此对分解后的近红外掌纹图像进行背景重建及特征细化,在对背景冗余信息进行平滑处理的同时可以有效增强高频信息的特征表达。为避免直接融合处理后引发的图像过度曝光问题,提出对近红外特征压缩后再融合。此外,提出了一种结合了注意力机制的改进残差网络（IRCANet）,用于融合后的掌纹图像分类,在网络中引入分阶段残差结构,缓解了网络的退化问题,在学习过程中有效地减少信息丢失,对于融合后的多光谱掌纹图像,分阶段残差结构能够稳定地将图像信息在网络间传输,但对图像中的高低频信息区分效果不够显著,为了使网络关注更多区分性特征,利用特征通道间的相互依赖性,在分阶段残差结构中结合了通道注意力(Channel Attention)机制。最终,在香港理工大学（PolyU）多光谱掌纹数据集上进行的综合实验表明,该方法可以取得良好的效果,算法识别准确率能达到99.67%且具有良好的实时性。     

基于主元证据理论在车辆识别中的应用

车辆识别技术作为智能交通管理系统中的研究热点和难点;在车辆识别技术中,应用Dempster- Shafer证据组合规则融合冲突信息时会产生不合理的结果;基于修正证据源的思想,提出了一种新的权重系数确定方法,该方法从证据主元角度分析,确定各组证据主元,利用该主元求出证据相容度、可信度,进而确定证据权重系数;通过新的证据冲突衡量方法,确定冲突值,归一化权重,修正证据源,按ER规则融合各组证据对目标进行识别;仿真部分以实际路面车辆车型识别为算例,将该方法与其他方法对比,结果表明:该方法能更有效地融合高度冲突的证据,减小计算复杂度,目标识别的准确性提高20%。     

基于BSS和BPNN-DS算法的光纤入侵传感网络信息的高精度识别

采用传统单路传感光纤实现对信息特征的测量,常由于交叉敏感等不可控因素使测量数据出现异常值,导致信息分析偏差较大,识别准确度低。因此,提出了一种基于双相干谱、样本熵和奇异值分解(BSS)和反向传播神经网络(BPNNDS)算法的多路光纤入侵传感系统信息的特征提取与识别方法。针对含3路传感光纤的布里渊光时域反射(BOTDR)传感入侵检测系统,该方法利用BSS算法分别对不同入侵类型的多路信号进行特征提取;采用BPNN算法对不同入侵振动特征矢量进行分类;经Dempster Shafer(DS)证据理论算法对多路传感光纤的时空信息进行融合。数值分析与仿真实验结果表明,提出的信息提取方法可以有效提取出多路传感网络的信息特征,且使用BPNN-DS证据理论的多路信息融合方法能够准确识别多路入侵传感网络的信号类型,具有较高的准确度和可信度。     

基于中红外光谱分析技术的香菇产地识别研究

采用中红外光谱分析技术对香菇产地进行识别研究,并将相关向量机(relevance vector machine,RVM)算法应用于中红外光谱判别分析之中,取得了较好的效果。通过采集香菇粉末的中红外透射光谱,去除光谱噪声明显部分,对剩下的3 581~689cm-1透射谱线采用多元散射校正(multiplicative scatter correction,MSC)进行预处理,并基于预处理谱线建立了香菇产地识别的偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、簇类独立软模式分类(soft independent modeling of class analogy,SIMCA)、K最邻近算法(K-nearest neighbor algorithm,KNN)、支持向量机(support vector machine,SVM)、RVM模型等五种判别分析模型。所有模型的识别正确率均高于80%,KNN,SVM和RVM判别分析模型取得了相近的结果,建模集和预测集识别正确率高于90%。基于全谱的PLS-DA模型的加权回归系数,利用加权回归系数法选取了6个特征波数,并基于特征波数建立了PLS-DA,KNN,SVM和RVM模型。基于特征波数的PLS-DA模型的建模集和预测集识别正确率均低于80%,而KNN,SVM和RVM模型的建模集和预测集的识别效果相近,且都高于90%。基于全谱和特征波数的模型中,RVM算法表现出较好的效果,识别正确率优于90%。结果表明,基于中红外光谱技术能用于香菇产地的识别,特征波数的选择以及RVM算法可以有效的用于中红外光谱判别分析中。本文成功将中红外光谱用于香菇产地识别研究,为香菇品质以及其他农产品品质分析提供了一种新的想法,具有实际意义。     

RVM有监督特征提取与Seyfert光谱分类

特征提取是光谱自动识别中的一个基本问题,它决定着光谱识别系统的性能和复杂度。目前的天体光谱自动分类研究主要使用的是基于以线性主成分分析(PCA)、小波变换(Wavelet transform)、人工神经网络(ANN)等为代表的非监督特征提取方法,而它们在特征提取时没有考虑到训练数据中的类别信息,并非按照分类能力进行特征选择和降维。文章研究了相关向量机(RVM)有监督特征提取方法及其在Seyfert光谱细分类中的应用。RVM是机器学习领域在近几年提出的一种Bayesian学习方法,它能有效地融合已有的先验知识、对问题的信念、训练数据和相应的类别信息,并按照分类能力提取特征,在理论上具有很大的潜在优势。另外,初步的实验结果表明,基于RVM的有监督特征提取方法在Seyfert光谱细分类中具有较好的性能。     

一种多尺度边缘测度融合加权HD算法

一般的边缘加权Hausdorff算法,由于单尺度边缘检测算子本身对噪音敏感,会造成真实和虚假边缘显著性差异小,从而加权后对噪音鲁棒性改善有限.为此,提出了一种基于多尺度边缘测度融合加权的Hausdorff景象匹配算法.对图像提取多尺度边缘测度后,引入证据推理理论,提出一种双向指数基本置信指派构造方法,并构造出多尺度边缘测度的基本置信指派函数,然后采用冲突再分配DSmT组合规则进行融合.为了进一步区别真实边缘与高频噪音,对加权Hausdorff公式进行了一些改进,给出了更为有效利用融和后边缘测度的加权Hausdorff公式.对可见光和SAR景象的匹配实验证明:本文算法所提取边缘在抑制噪音的同时保留了大量景象细节信息,并通过横向对比验证本文算法提高了噪音鲁棒性.     

Feature fusion of palmprint and face via tensor analysis and curvelet transform

In order to improve the recognition accuracy of the unimodal biometric system and to address the problem of the small samples recognition, a multimodal biometric recognition approach based on feature fusion level and curve tensor is proposed in this paper. The curve tensor approach is an extension of the tensor analysis method based on curvelet coefficients space. We use two kinds of biometrics: palmprint recognition and face recognition. All image features are extracted by using the curve tensor algorithm and then the normalized features are combined at the feature fusion level by using several fusion strategies. The k-nearest neighbour (KNN) classifier is used to determine the final biometric classification. The experimental results demonstrate that the proposed approach outperforms the unimodal solution and the proposed nearly Gaussian fusion (NGF) strategy has a better performance than other fusion rules.     

Relevance vector machine technique for the inverse scattering problem

A novel method based on the relevance vector machine(RVM) for the inverse scattering problem is presented in this paper.The nonlinearity and the ill-posedness inherent in this problem are simultaneously considered.The nonlinearity is embodied in the relation between the scattered field and the target property,which can be obtained through the RVM training process.Besides,rather than utilizing regularization,the ill-posed nature of the inversion is naturally accounted for because the RVM can produce a probabilistic output.Simulation results reveal that the proposed RVM-based approach can provide comparative performances in terms of accuracy,convergence,robustness,generalization,and improved performance in terms of sparse property in comparison with the support vector machine(SVM) based approach.     

基于特征级融合的多波段舰船目标识别方法

针对复杂情况下海上舰船目标单波段特征识别能力不足的问题,研究可见光、中波红外和长波红外三波段特征图像融合技术,重点解决图像融合方法中存在的算法耗时和融合策略选择的问题,提出了一种新的基于区域协方差矩阵的多波段特征级融合方法,针对可见光图像和红外图像分别设计11维和5维特征向量,协方差矩阵可以将多个特征进行融合,既保证了不同目标之间的区别性,同时又减小计算量。该方法首先利用显著性检测,快速定位图像中的目标区域,然后,针对不同波段图像设计的特征向量定义协方差阵的距离计算公式并进行匹配,通过对图像的一次遍历操作获得积分图像,在协方差计算时达到快速计算的目的,最后利用k-阶最近邻算法对多种舰船目标进行分类识别。利用实拍的3 400余张三波段舰船目标图像作为测试数据。实验主要分为两部分,首先对比单波段和三波段融合识别的识别率,验证所提出的融合方法具有更广的应用范围;然后,在计算效率上对比多种传统的像素级方法,验证采用的特征级融合在计算时间上的优势。实验结果表明,该方法可达到95.1%的识别率,单帧计算耗时约为0.5 s,在实时性和检测率方面都有明显提高。     

语音情感识别中的特征选择方法

为了解决传统卷积神经网络在识别中文语音时预测错误率较高、泛化性能弱的问题,首先以深度卷积神经网络(DCNN)-连接时序分类(CTC)为研究对象,深入分析了不同卷积层、池化层以及全连接层的组合对其性能的影响;其次,在上述模型的基础上,提出了多路卷积神经网络(MCNN)-连接时序分类(CTC),并联合SENet提出了深度SE-MCNN-CTC声学模型,该模型融合了MCNN与SENet的优势,既能加强卷积神经网络的深层信息的传递、避免梯度问题,又可以对提取的特征图进行自适应重标定。最终实验结果表明:SE-MCNN-CTC相较于DCNN-CTC错误率相对降低13.51%,模型最终的错误率达22.21%;算法改进后的声学模型可以有效地提升泛化性能。     

基于DIGNET网络的数据融合方法

针对数据融合和目标识别的特点,提出了基于DIGNET自组织聚类人工神经网络的数据融合方法。考虑到多传感器系统测量多个参量的特点,用并行的子网络结构代替中间隐层,实现了基于决策层的信息融合目标识别。利用仿真数据对基于DIGNET的数据融合方法进行了实验研究。实验结果表明,该方法具有数据正确分类率高和抗噪能力强等优点,有效地实现了融合识别。将该方法应用于前视红外和可见光双传感器目标跟踪系统的数据融合识别是可行的。     

多特征融合的鸟类物种识别方法

针对短时窗平均/长时窗平均算法从次声台站监测数据中提取的信号仍然包含噪声的问题,对支持向量机和人工神经网络的机器学习方法进行了研究。采用小波包分解的方法对信号进行重构,提取出各频带内的重构信号能量特征,对事件信号和噪声进行了识别实验,并分析了提高识别能力的方法,为工程应用提供理论参考。实验结果表明,在训练数据集不大的情况下,通过优化模型结构可以将两种方法的识别能力提高到可以接受的水平。