一种基于特征选择的组合分类器在带钢表面缺陷分类中的应用

针对大规模数据集的分类问题,提出一种基于特征选择的新型组合分类器算法FS-Bagging。首先利用Re-liefF算法和Pearson相关算法对原始特征集进行特征选择,得到次优特征集;然后利用Bagging的思想,对次优特征集进行随机放回采样后得到一系列的特征子集;再用各特征子集对应的训练数据分别构建分类器,并将得到的多个分类器采用投票方法进行组合。最后利用国内某钢厂带钢表面质量检测系统中的实际数据,对18种缺陷进行分类实验。实验结果表明,FS-Bagging算法在效率、分类正确率方面都优于Bagging算法。     

基于相关向量机样本选择的钢铁企业副产煤气系统预测

针对副产煤气系统的运行数据冗余度高、噪声强等特点，提出了一种基于相关向量机算法(relevance vector machine, RVM)的训练样本选择的副产煤气系统预测算法。鉴于RVM算法具有相关样本自动选择的特点，提出采用此算法对原始训练集数据进行训练，以获取的相关向量作为基本训练集；之后利用K近邻算法(K nearest neighbor, KNN)实现对基本训练集合的样本增强，并以此作为新的训练集，从而实现样本的去冗余，提高训练样本质量，提升算法效率与预测准确度。采用国内某钢铁厂高炉煤气数据进行试验，试验效果表明，本文所提的方法可有效针对高炉煤气数据进行样本选择，并以较快的模型训练效率获得较高的煤气柜柜容预测精度，预测结果可为钢铁煤气系统的优化调度工作提供基础。     

激光诱导击穿光谱技术识别航空合金牌号

激光诱导击穿光谱(LIBS)作为一种多元素、高灵敏、非接触式的光谱分析技术,已经被广泛用于钢铁、铝合金等金属材料的定量与定性分析。为将LIBS技术用于航空合金牌号的高准确率识别,对6种不同牌号的航空合金进行了实验测量与分析。实验使用1064nm的Nd∶YAG固体激光器作为激发源,采集了每种合金的100组光谱,每组光谱为100次激光脉冲的平均结果。将得到的航空合金光谱按7∶3的比例划分为训练集和测试集,分别利用全光谱数据和特征谱线数据建立偏最小二乘判别分析(PLS-DA)模型进行航空合金LIBS识别。两种模型得到训练集和测试集的识别正确率均为100%。研究结果表明,LIBS技术与化学计量学结合可以快速准确识别航空合金牌号,且基于特征谱线数据的PLS-DA模型在较少数据输入的情况下可取得与全光谱数据模型相同的结果。实验可为进一步开展航空合金LIBS现场检测工作提供方法参考。     

激光诱导击穿光谱技术识别航空合金牌号

激光诱导击穿光谱(LIBS)作为一种多元素、高灵敏、非接触式的光谱分析技术,已经被广泛用于钢铁、铝合金等金属材料的定量与定性分析。为将LIBS技术用于航空合金牌号的高准确率识别,对6种不同牌号的航空合金进行了实验测量与分析。实验使用1064nm的Nd∶YAG固体激光器作为激发源,采集了每种合金的100组光谱,每组光谱为100次激光脉冲的平均结果。将得到的航空合金光谱按7∶3的比例划分为训练集和测试集,分别利用全光谱数据和特征谱线数据建立偏最小二乘判别分析(PLS-DA)模型进行航空合金LIBS识别。两种模型得到训练集和测试集的识别正确率均为100%。研究结果表明,LIBS技术与化学计量学结合可以快速准确识别航空合金牌号,且基于特征谱线数据的PLS-DA模型在较少数据输入的情况下可取得与全光谱数据模型相同的结果。实验可为进一步开展航空合金LIBS现场检测工作提供方法参考。     

基于计算机视觉技术的矿井电机车无人驾驶障碍物检测技术

针对传统计算机视觉方法难以实现障碍物实时检测和定位的问题,提出传统计算机视觉技术与深度学习目标检测算法YOLOv3相结合的障碍物智能检测方法。首先,采集电机车行驶区域（即有效检测区域）存在的障碍物数据并制作VOC格式数据集,使用YOLOv3训练数据集,得到障碍物检测模型;然后,采用传统计算机视觉技术定位到轨道,使用“3邻域”搜索法获得轨道线坐标值,根据距离信息向轨道外侧扩展一定距离,提取有效检测区域,同时网格化图片,将障碍物的坐标换算为实际距离;最后,使用障碍物检测模型对有效检测区域进行检测。试验结果表明：该方法可以识别行驶区域内多种特征差异很大的目标物体,如电机车、人和大块落石等;该方法每秒可以处理6帧图片,现场采集的实际数据测试平均精确率达到93.2%。     

带钢表面缺陷多维混合特征提取及识别

为了自动获得最具区分力的多维融合特征,提出了改进的ReliefF算法对带钢多维混合特征进行自动评估选择。针对ReliefF算法不能去除冗余特征的缺点,引入最大信息压缩准则去除冗余特征。在此基础上,采用遗传神经网络建立带钢缺陷识别的知识库,遗传算法可以自主地辨识最小的包含最优解的搜索空间,再由BP算法按负梯度方向进行权值及阈值的修正。研究结果表明:改进ReliefF算法为后续分类识别提供了最优的特征向量,减少了数据的运算量和存储量;遗传神经网络算法获得了在满足准确性前提下更高网络识别缺陷的效率。     

基于群体智能优化的MKL-SVM算法及肺结节识别

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题,提出了一种基于群体智能优化的多核学习支持向量机算法。首先,研究了五种单核函数对支持向量机分类性能的影响,进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法;其次,为增加粒子多样性及快速寻优,将粒子群优化算法引入了遗传算法中的杂交操作,并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后,分别采用深度特征与手工特征作为识别算法的输入,研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入,以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试,进一步为了验证所提算法的泛化能力,选取公开数据集LUNA16进行测试。实验结果表明,本文算法易于跳出局部最优解,提升了算法的学习能力与泛化能力,具有较优的分类性能。      

基于支持向量机算法的连铸坯端面信息码识别方法

针对传统的连铸坯端面信息码人工识别存在的受生产现场环境和人为操作因素影响大且易出错的问题,提出了基于支持向量机算法的连铸坯端面信息码识别方法.该方法使用Python语言,利用滑动窗口从采集的图像中抽取对象,进而对数据集样本进行训练,通过使用滑动窗口物体检测算法和支持向量机分类器模型,完成对连铸坯端面信息码的智能识别.详...     

基于深度学习的人体低氧状态识别

通过低氧实验提出一种快速识别人体低氧状态的方法.通过搭建深层神经网络训练实验数据识别氧气体积分数(16%~21%)与人体可耐受极端低氧气体积分数(15.5%~16%)条件下光电容积脉搏波(photoplethysmography, PPG)信号, 获得人体生理状态的模式识别网络.经测试该网络的识别正确率可达92.8%.利用混淆矩阵及接受者操作性能(receiver operating characteristic, ROC)曲线分析, 混淆矩阵的训练集、验证集、测试集、全集识别正确率分别达到97.9%、94.8%、92.8%和96.3%, AUC (area under curve)值接近1, 认为该网络分类性能优良, 并且可在4 s内完成整个识别过程.      

非线性降维在冷轧带钢表面缺陷分类中的应用

将冷轧带钢表面缺陷图像中的所有像素作为高维空间中的特征向量,利用有监督非线性降维方法对其进行减维后再进行缺陷的分类。该方法解决了冷轧带钢表面缺陷自动分类中的特征提取和特征选择的困难,避免了分类器特征维数过高的问题,并可以用于动态数据的在线识别和聚类。用这种降维方法并结合K近邻分类器与支持向量机对现场采集到的缺陷样本数据集进行试验,结果表明经过降维预处理后,2种分类器的性能都得到了很大的提高。