基于多模态特征融合的自主驾驶车辆低辨识目标检测方法#br#

针对自主驾驶车辆在真实驾驶环境下对低辨识目标的识别问题,提出了基于多模态特征融合的目标检测方法。基于Faster R-CNN算法设计多模态深度卷积神经网络,融合彩色图像、偏振图像、红外图像特征,提高对低辨识目标的检测性能;开发多模态（3种）图像低辨识度目标实时检测系统,探索多模态图像特征融合在自动驾驶智能感知系统中的应用。建立了人工标注过的多模态（3种）图像低辨识目标数据集,对深度学习神经网络进行训练,优化内部参数,使得该系统适用于复杂环境下对行人、车辆目标的检测和识别。实验结果表明,相对于传统的单模态目标检测算法,基于多模态特征融合的深度卷积神经网络对复杂环境下的低辨识目标具有更好的检测和识别性能。     

基于多模态特征融合的自主驾驶车辆低辨识目标检测方法

针对自主驾驶车辆在真实驾驶环境下对低辨识目标的识别问题,提出了基于多模态特征融合的目标检测方法。基于Faster R-CNN算法设计多模态深度卷积神经网络,融合彩色图像、偏振图像、红外图像特征,提高对低辨识目标的检测性能;开发多模态(3种)图像低辨识度目标实时检测系统,探索多模态图像特征融合在自动驾驶智能感知系统中的应用。建立了人工标注过的多模态(3种)图像低辨识目标数据集,对深度学习神经网络进行训练,优化内部参数,使得该系统适用于复杂环境下对行人、车辆目标的检测和识别。实验结果表明,相对于传统的单模态目标检测算法,基于多模态特征融合的深度卷积神经网络对复杂环境下的低辨识目标具有更好的检测和识别性能。     

基于改进的二进制蚁狮算法的特征选择模型及应用

为了降低滚动轴承故障数据集的特征维度,选取最有效的数据特征,首先提出一种改进的二进制蚁狮算法,该算法通过引入种群保护集机制,对具有寻优潜力的部分蚂蚁进行保留,并将保护集内群体与主群并行迭代,以加强算法的全局寻优能力,然后通过0-1背包问题验证了该算法的有效性;最后将上述改进融入混合式特征选择模型中,在UCI标准测试数据集与凯斯西储大学滚动轴承故障数据集上分别应用该模型进行特征选择.实验结果表明,融合改进二进制蚁狮算法的混合式特征选择模型的识别精度与特征约简能力均得到明显的提升.     

基于离散特征的跌倒检测智能方法及应用

随着人口老龄化现象加剧,对老年人跌倒的检测与报警越来越重要。为提高跌倒检测的准确率,提出一种基于离散特征的跌倒检测智能方法。通过对人体运动数据的分析,提出7类人体运动特征;并建立了以BP神经网络为基础的跌倒检测模型,将提取的离散特征作为模型的输入,模型的输出作为跌倒检测结果;通过对模型的学习与训练后,实现跌倒检测。方法验证和产品应用结果表明:采用基于离散特征的跌倒检测智能方法能够有效地区分跌倒与非跌倒,提高了跌倒检测正确率,降低了误报率和漏报率。     

基于自归一化神经网络的电弧故障检测方法

电弧故障是电气火灾的重要原因。低压线路发生串联电弧故障时,回路电流波形的时域特征与正常工作状态类似,采用传统的特征提取方法无法完整表达时域信号的全部数据特征,限制了电弧故障的特征表达能力,导致检测结果的误报率和漏报率较高。针对此问题,提出基于自归一化卷积神经网络的电弧故障检测方法。该方法将采集到的不同种类负载的电流时间序列按照半周期截取,然后进行归一化处理,将灰度矩阵变换生成电弧故障及正常工作的二维图像;利用卷积神经网络提取电弧故障的灰度变换特征;通过全连接层拟合计算下采样信息实现电弧故障卷积特征的识别。验证表明,所提方法对电弧故障的识别率达到99.67%,优于传统卷积神经网络,具有良好的泛化性能。     

递推PLS方法及其在过程监控中的应用

针对处理批量数据时传统的偏最小二乘(PLS)模型无法在线更新的问题,提出了结合遗忘因子法的递推PLS算法,进而更新Qa控制限,有效地克服了传统PLS中Qa无法反映系统时变性的缺点。并对异丁烯酸甲酯(MMA)聚合反应过程中的数据进行了仿真分析。研究结果表明,递推PLS方法大大降低了监控过程中的误报率和漏报率,提高了监控系统的性能。     

基于Markov特征的油气管道泄漏检测与定位方法

针对传统的基于压力信号的管道泄漏检测方法误报率和漏报率偏高,同时定位误差较大的缺点,设计了一种基于Markov特征的管道泄漏检测与定位方法。首先,将管道压力数据构造为Markov链的形式,并提取其动态特征;然后,将所提取的特征应用于Neyman-Pearson异常检测方法之中,检测全部压力数据样本的状态,并对检测到的异常样本进行同源信号匹配,修正检测结果;最后,将相似性定位方法与连续小波定位方法结合,确定管道首末两端响应压力变化的时间差,并根据管道长度和压力波传输速度等信息,对泄漏源定位。所提方法能应用于小泄漏和缓慢泄漏的检测与定位,易于实现,误报率与漏报率显著降低,定位精度提高。通过对历史数据的分析,验证了所提方法的可行性和有效性。     

基于支持向量机的跌倒检测算法研究

实时跌倒检测能有效降低老人因跌倒导致的身心伤害,提高老人的独居能力和健康水平。为提高基于惯性传感器的跌倒检测系统的准确率,降低系统误报率和漏报率,提出了应用基于径向基函数的支持向量机算法实现跌倒判定。首先,应用佩戴在人体腰间的便携式跌倒检测系统完成数据的采集;然后,利用基于径向基函数(RBF)的SVM分类器标记疑似跌倒行为,并利用粒子群算法完成分类算法中惩罚因子C和RBF参数g的优化。结果表明,在区分跌倒与类似跌倒的日常活动时,基于SVM算法的跌倒检测系统准确率、误报率和漏报率分别为97.67%,4.0%和0.67%。与传统的阈值方法相比,跌倒检测性能有很大提高,从而加强了该系统在老人跌倒检测中的应用。     

基于心电和脑电多模态特征组合的自动睡眠分期方法研究

准确的睡眠分期能够评估睡眠质量,在睡眠紊乱或疾病诊断干预中起关键作用。本文利用多尺度熵分析和经验模态分解方法获取多通道脑电信号于睡眠状态下的非线性动力学特征,利用心率变异度时频域指标及多尺度样本熵构建了心电信号睡眠特征。基于最大相关-最小冗余特征选择算法及主成分分析降维,实现了高效多模态特征组合构建。多模态特征组合驱动的多种传统机器学习自动睡眠分期模型在ISRUC-S3数据集上达到了最高84.05%准确率,Kappa系数最高为0.7810,表明所提出多模态特征组合的有效性及准确性。     

卷积神经网络在轴承故障识别的应用

针对传统故障诊断方法在轴承故障诊断识别率低、人为干预多等问题,提出一种基于卷积神经网络的故障识别方法。通过对轴承各类故障信号进行数据处理,提取出故障信号的特征,构建故障类型数据集,建立卷积神经网络图像识别模型,将故障数据集送入模型训练获得较优识别模型,最后将待识别故障信号特征图送入模型进行故障类型识别。经实验验证,该方法满足多类轴承故障识别的要求,具有较高的故障识别率。该方法无需人为参与,只需将待测信号进行数据处理送入模型进行识别,符合智能故障诊断的发展趋势,在机械故障领域具有一定的应用价值。     

基于驰振的压电能量采集器建模与实验研究

针对低信噪比环境下核电站松动件的检测，以降低误报率、漏报率为目标，提出了一种基于盲解卷积算法的松动部件冲击响应提取方法，并进一步结合支持向量机分类辨识算法，给出了一种低信噪比环境下核电站松动部件检测方法。利用叠加实堆背景噪声的平板钢球跌落实验数据开展了报警研究，并对盲解卷积算法进行了参数优化设计。结果表明：优化后的盲解卷积算法能够很好地恢复出信噪比低至-20dB的冲击响应信号，并使噪声能量降低了75%，有效抑制了噪声；给出的松动部件检测方法在信噪比低至-14dB时，仍具有极低的漏报率，并且噪声误报率和脉冲干扰误报率为零，因而具有良好的抗误报、抗漏报能力。     

无标签数据下基于特征知识迁移的机械设备智能故障诊断

对于智能故障诊断方法,大量有标签数据是实现智能模型训练的必要条件,但该条件在部分工业应用场景下难以满足。难以采集足够有标签数据,尤其是故障状态下的数据,在一定程度上限制了智能故障诊断方法的工业化应用。为解决该问题,提出基于特征知识迁移的机械设备智能故障诊断方法,将实验设备或其他相关设备所采集的足量有标签数据所蕴含的特征知识迁移至工业现场设备所部署的智能模型中,完成不同机械设备之间监测数据的特征知识迁移,从而实现无标签数据下的机械设备智能故障诊断。提出方法首先构建一维深度卷积神经网络,实现从原始振动信号到机械设备故障类别的深度映射。然后在深度卷积神经网络中加入领域适配正则约束项,实现不同机械设备监测数据间特征知识的深度迁移适配。最后,通过全连接神经网络进行机械设备健康状态的识别。为验证提出算法的有效性,通过两种机械设备的轴承在不同性能状态下所采集的监测数据进行迁移故障诊断实验,实验结果表明:提出方法实现了不同设备间监测数据特征知识的迁移适配;相对于传统智能诊断方法,提出的方法在两个数据集之间的迁移故障诊断识别率提高20%以上。     

基于改进LLE-LSTM的化工过程故障诊断

针对化工生产过程数据多样性、高维性以及相似性的特点,传统的局部线性嵌入难以发掘数据高维非线性、不均匀特征的问题,本文提出一种改进LLE-LSTM算法。首先,运用改进LLE算法求出样本集的协方差矩阵,计算权重系数矩阵,将样本集映射到低维空间。其次,将重构的低维样本集输入LSTM模型,进一步提取样本特征。最后,对故障类型进行诊断和分类。将该方法应用到田纳西-伊斯曼（TE）过程,实验结果表明该方法具有更高的准确性和优越性。     

基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断

为充分提取非线性、非平稳的轴承故障信号特征信息，进而提高轴承故障诊断精度，提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先，使用VMD将轴承故障振动信号分解为了多个模态分量，通过评估原信号与模态分量信号的互相关程度，筛选了其有效模态，并对其进行了信号重构，实现了故障信号的降噪处理目的；然后，使用精细复合均值化代替了传统粗粒化方法，利用RCMMDE方法提取了重构信号的多尺度熵值，构成了特征样本集；最后，通过鲸鱼算法(WOA)对支持向量机(SVM)进行了超参数寻优，构建了最优的故障检测模型，并将特征样本集输入到WOA-SVM模型中进行了轴承故障诊断，并通过实验评估验证了模型的有效性。研究结果表明：该模型准确率达到99.67%,精确率、召回率等各项性能指标均在99%以上，并具有很强的鲁棒性。     

基于多模态数据全信息的概率主成分 分析故障检测研究

针对工业过程复杂的数据分布特性,本文提出了一种基于局部近邻标准化(LNS)的概率主成分分析(PPCA)故障检测方法(LNSPPCA)来解决由于过程数据的多模态特性和不确定性所引起的故障检测效果不理想问题。首先,通过LNS解决数据多模态问题,使标准化后数据尽可能的服从单一高斯分布,然后,使用PPCA方法从概率的角度对数据进行分析,能够考虑到数据的随机性,从而更真实的描述数据,提取更加全面有价值的信息,有效的在复杂的数据分布过程中对故障进行检测。因此,LNSPPCA方法可以有效提高多模态过程复杂数据分布的工业过程故障检测能力。利用数值例子和TE过程进行应用实验,并将测试结果与主成分分析法(PCA)、PPCA方法进行对比,验证了LNSPPCA方法的有效性。     

一种新的多阶段间歇过程在线监控策略

为克服多阶段间歇过程硬划分和误分类导致漏报率和误报率高的缺陷,同时也为了实现更精确、有效地过程监控,提出一种基于模糊聚类软过渡的多PCA监控策略,实现多阶段间歇过程的在线监控.首先计算每个时刻数据矩阵的相似度指标作为聚类输入,采用模糊聚类算法实现阶段划分,根据隶属度辨识相邻阶段间的过渡过程,之后建立一系列具有时变协方差的加权PCA模型,该方法能客观地揭示各阶段及过渡过程的特征多样性,较好地解决存在过渡过程的多阶段监控问题.最后通过将所提出的方法应用于工业青霉素发酵过程的监控中,验证了该方法的可行性和有效性.     

多传感器数据融合机动目标跟踪算法

机动目标的运动特性具有复杂性、多变性、无先验性.多传感器信息融合的机动目标跟踪问题可以描述为数据关联和状态估计两个相关功能的最优化问题.本文分析了运用于多传感器数据融合机动目标跟踪的数据关联和状态估计算法,得出了高效费比的模糊数据关联算法(FDA)和变结构多模算法(VSMM).此外,并分别介绍了模糊数据关联算法和相似模型集的变结构多模算法.将模糊数据关联算法和变结构多模算法结合起来,从而提高对机动目标跟踪的性能.     

基于MSST和双通道CNN技术的变转速轴承故障诊断研究

针对变转速滚动轴承振动信号具有非平稳性特征,且故障特征难以有效提取的问题,提出了一种基于多次同步压缩变换和双通道卷积神经网络的滚动轴承故障智能诊断方法。首先,对变转速工况下滚动轴承的振动信号进行了多次同步压缩变换,获得了能量集中的时频图谱;然后,将其输入到采用不同尺寸的小卷积核双通道CNN中,提取了其故障特征信息,并通过Concatenate机制将其融合;最后,通过SoftMax函数输出轴承的故障识别结果;在一组变转速工况滚动轴承故障实验数据上取得了99%以上的故障识别率,验证了该方法的有效性,并与单通道CNN模型进行了对比。研究结果表明:TCNN的分类精度更高,准确率可达99.67%;该结果证明了改进后的模型具有较好的非线性拟合能力,同时也具有较强的鲁棒性,可有效应用于变转速滚动轴承故障诊断中。     

基于神经网络的气体传感器故障诊断

该文介绍了一种基于人工神经网络进行了气体传感器故障检测的新方法，文中利用单个气体传感器的输出信息为气体传感器建立了动态非线性神经网络气体传感器输出模型，并利用该模型进行在线故障检测，实际使用证明该模型具有良好的收敛性和稳定性，完全能满足对气体传感器故障在线检测的需要。     

基于群智能加权核聚类的水电机组故障诊断

针对核聚类中核参数选择依赖经验,最优聚类中心难以有效获取的问题,提出了一种仿电磁蜂群加权核聚类算法。首先,考虑不同特征对聚类结果的影响,对样本进行加权处理,利用核空间的Xie-Beni指标建立加权核聚类模型;然后,提出并引入仿电磁蜂群算法求解聚类模型,实现聚类中心、特征权重与核参数的同步寻优。利用该方法分别对3组标准测试样本集以及水电机组故障样本进行聚类测试,并与传统方法进行对比分析。试验结果表明,提出的仿电磁蜂群加权核聚类算法较传统聚类方法具有更高的精度,能够有效实现水电机组振动故障的准确聚类与识别,完成故障诊断。