基于奇异点和HMM的指纹分类数据融合方法

指纹分类技术是指纹数据库的一个重要索引机制。当待识指纹图像与模板图像之间存在较大平移和旋转时或遇到低质量的图像时,识别算法的性能会受到很大的影响。本文提出了一种基于奇异点和HMM的指纹分类数据融合方法。首先,分别对基于奇异点的指纹分类方法和基于HMM的指纹分类方法的信任度函数进行分配。然后,利用D-S证据理论进行融合完成指纹纹型分类,并在国际指纹竞赛数据库上作了测试,总的纹型辨识正确率可达94.5%,并且对平移、旋转和低质量的指纹图像具有良好的鲁棒性,具有一定的实用价值。     

基于Radon方向场检测指纹奇异点

为了快速、准确地检测与定位指纹奇异点(核心点、三角点)以实现指纹分类与匹配,本文引入了Radon算子来提取指纹的纹理方向特征以实现指纹方向场的分割.提出了方向熵的概念来描述方向场的分布特征,给出了基于方向熵的奇异点区域搜索方法.定义了方向密度函数以衡量奇异点搜索的优劣,指导奇异点侦测的方向熵阈值调整.最终实现了对奇异点的准确定位,准确率达到83％.跟同类算法分析比较,提出的方法在准确性与检测效率方面均更具优势.抗噪实验还表明该方法具有良好的抗干扰能力与实用性,能满足实际应用要求.     

基于区域分割的指纹奇异性检测及中心点计算

提出了一种基于区域分割的指纹奇异性检测以及中心点计算算法。该算法在对指纹奇异性分析的基础上,采用Gabor滤波、方差分析、图形二值化等分析手段,将指纹图样按不同的指纹脊线方向进行区域分割,根据合成图样每个元素邻域的灰阶变化次数以及相应的灰阶信息来检测指纹的奇异区。最后通过计算各奇异区质心的方法,实现指纹奇异点的定位,并进一步讨论了通过指纹奇异点计算指纹中心点的方法。实验结果表明,本算法可以有效实现不同类型指纹奇异性的检测及中心点的准确定位,算法简单,具有较好的鲁棒性。     

基于QPSO⁃HMM的滚动轴承故障程度辨识

综合量子粒子群优化算法（quantum particle swarm optimization,简称QPSO）的全局搜索能力与隐马尔科夫模型（hidden Markov model,简称HMM）良好的时间序列分类能力,提出一种基于QPSO?HMM的滚动轴承故障程度辨识方法,并利用实测振动信号对该方法的性能进行验证。首先,采用变分模态分解对实测振动信号进行分解,并用奇异值分解进行信号特征提取;其次,利用QPSO算法和样本信号对HMM进行训练;最后,将测试信号输入训练得到的HMM中进行滚动轴承故障程度辨识。结果表明,该算法解决了HMM的参数估计局部最优化问题,对滚动轴承不同故障程度的辨识准确率较高。     

利用方向场结构确定指纹的参考基准点

确定指纹的参考基准点是进行指纹识别的一个重要的技术环节.选择指纹的一些健壮的特征作为参考基准点,然后根据参考基准点获得两个带匹配指纹的对齐信息,进而对齐两个指纹,就可以有效的进行指纹特征的匹配.传统的参考基准点确定方法通常是选择指纹的纹理奇异点("核心"点)作为参考基准点.这种方法简单,执行速度快,但是在实际应用中存在算法健壮性差的缺点.提出并且实现了一种快速的参考基准点提取方法.该方法利用了指纹的方向场结构信息,具有很高的健壮性和有效性.     

利用方向场结构确定指纹的参考基准点

确定指纹的参考基准点是进行指纹识别的一个重要的技术环节.选择指纹的一些健壮的特征作为参考基准点,然后根据参考基准点获得两个带匹配指纹的对齐信息,进而对齐两个指纹,就可以有效的进行指纹特征的匹配.传统的参考基准点确定方法通常是选择指纹的纹理奇异点("核心"点)作为参考基准点.这种方法简单,执行速度快,但是在实际应用中存在算法健壮性差的缺点.提出并且实现了一种快速的参考基准点提取方法.该方法利用了指纹的方向场结构信息,具有很高的健壮性和有效性.     

滚动轴承故障的振动信号诊断方法

针对滚动轴承损伤类故障振动信号的特点,充分利用HMM、SVM在序列行为的分类和小样本方面的优势,把SVM的输出转化为HMM中观察值概率矩阵模型,建立了动态过程时间序列分类器,提高模型的学习速度和分类性;基于对包络解调信号提取AR模型参数构建的用于训练和故障识别的特征矢量,提出了一种基于SVM-HMM混合算法的滚动轴承故障诊断方法.将该方法应用到滚动轴承故障诊断中取得了较好的效果.     

基于奇异值分解的滚动轴承故障诊断的神经网络方法

径向基函数神经网络是一种三层前馈型神经网络,它具有较强的非线性函数逼近能力和分类能力.根据径向基函数神经网络的优点,在对滚动轴承振动信号故障特征分析的基础上,提出一种应用奇异值分解将高维相关变量转化为低维独立变量,并利用其特征值建立径向基函数神经网络的方法,同时将该网络用于对滚动轴承的故障诊断.理论和试验证明了该方法的有效性,且具有较高的故障分类精度.     

一种基于奇异值分解的射频指纹排序定位算法

针对RSS指纹特征性不强、无法解决环境异构性问题,提出了基于RSS值排序的RSSR指纹,并从网格内鲁棒性和网格间差异性2个维度出发,设计了基于方差的网格内指纹鲁棒性和基于奇异值分解的网格间指纹差异性的度量方法,给出了指纹区分度的概念.实验数据表明RSSR指纹较RSS指纹有更高的网格内鲁棒性和网格间差异性,较高的指纹区分度也使其获得更高的定位精度.     

基于量子粒子群优化Volterra时域核辨识的隐Markov模型识别方法

将量子粒子群优化算法引入Voherra级数模型的非线性辨识中,并结合隐Markov模型(hidden Markov model,HMM),提出了一种基于量子粒子群优化的Voherra时域核特征提取的HMM识别方法,在提出的方法中,利用量子粒子群优化算法辨识得到的前三阶Volterra时域核作为故障特征,输入到各种状态的HMM中,其中,输出概率最大的HMM对应的状态即为设备的当前运行状态.提出的方法克服了传统的基于Volterra模型系统的机械故障诊断要求目标函数连续可导、容易陷入局部最小以及抗干扰能力差等缺陷.最后,将提出的方法应用到旋转机械故障诊断中.实验结果验证了该方法的有效性.     

主分量分析和因子隐Markov模型在机械故障诊断中的应用

主分量分析(principal component analysis,PCA)是统计学中分析数据的一种有效方法,可以将高维数据空间变换到低维特征空间,因而可用于多通道冗余消除和特征提取.因子隐Markov模型是隐Markov模型的扩展,它比隐Markov模型更有优势,适用于动态过程时间序列的建模,并具有强大的时序模型分类能力,特别适合非平稳、信号特征重复再现性不佳的信号分析.文中结合主分量分析与因子隐Markov模型,提出一种新的故障识别方法,即以主分量分析方法进行冗余消除和故障特征提取,因子隐Markov模型作为分类器.并应用到机械故障诊断中,同时与基于主分量分析的隐Markov模型的识别方法相比较,实验结果表明基于PCA的因子隐Markov模型识别法和基于PCA的隐Markov模型识别法在故障识别上都是有效的,但对于相同的状态空间,前者的训练速度快于后者,尤其是状态空间越大,这种优势越明显.     

基于合成模板的指纹匹配

提出了一种新型的 ,利用同一指纹多幅图像 ,复合细节特征与纹理特征进行指纹识别的方法 ,主要包括利用多枚指纹产生指纹匹配综合模板 ,以及利用指纹细节的位置、方向、类型和局部纹理特征与指纹综合模板比对。经实验证明 ,该方法对于小面积固态采集器件获取的指纹图像 ,相比其他单纯利用细节或纹理特征识别的方法 ,显示了很好的鲁棒性。     

基于Wavelet-HMM的旋转机械故障诊断方法研究

隐Markov模型是一个双随机过程，适用于动态过程的时间序列的建模并具有强大的时序模式分类能力，特别适合非平稳、重复再现性不佳的信号分析；小波变换具有多分辨率分析的特点，在时频两域都具有表征信号局部特征的能力。文中将小波变换和隐Markov模型相结合，提出基于小波变换的HMM状态识别法，利用Daubechies小波进行8尺度的小波分解，然后从小波分解结构中提取一维信号的低频系数作为特征向量，将其输入到各个状态HMM来进行训练，其中输出概率最大的状态即是机组运行状态，从而实现状态的识别，实验结果表明该方法很有效。     

基于LMD和HMM的旋转机械故障诊断

提出了基于局部均值分解（LMD）和隐马尔科夫模型(HMM)的旋转机械故障诊断方法。首先,对故障信号进行局部均值分解,提取瞬时能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态的似然概率;以最大似然概率所对应的故障状态为诊断结果。通过滚动轴承点蚀故障诊断试验验证了该方法的有效性,并将其与基于EMD-HMM的故障诊断方法进行了比较。结果表明,基于LMD-HMM的故障诊断方法更适用于旋转机械的故障诊断。     

基于无限隐Markov模型的旋转机械故障诊断方法研究

针对传统隐Markov模型(HMM)在机械故障诊断中存在的不足,即HMM过学习或溢出问题以及隐状态数需要事先假定,提出了基于无限隐马尔可夫模型(i HMM)的机械故障诊断方法。在提出的方法中,以谱峭度为特征提取,i HMM为识别器,并以最大似然估计来确定设备运转中出现的故障类型。同时,将提出的方法与传统的HMM故障识别方法进行了对比分析。实验结果表明,提出的方法是有效的,得到了非常满意的识别效果。提出的方法能够有效避免了HMM在建模初期遗留下的不足,可以自适应确定模型中隐藏状态数和模型数学结构,因此,提出的方法明显优于HMM故障识别方法。     

Tool condition classification in turning process using hidden Markov model based on texture analysis of machined surface images

Tool condition monitoring has found its importance to meet the requirement of production quality in industries. Machined surface texture is directly affected by the extent of tool wear. Hence, by analyzing the machined surface images, the information about the cutting tool condition can be obtained. This paper presents a novel technique for tool wear classification using hidden Markov model (HMM) technique applied on the features extracted from the gray level co-occurrence matrix (GLCM) of machined surface images. The tool conditions are classified into sharp, semi-dull and dull tool states. The proposed method is found to be cost effective and reliable for on-machine tool classification of cutting tool wear with an average of 95% accuracy.