基于变分自编码器的WLAN定位方法

基于无线局域网络(WLAN)的定位是当前室内定位领域的主流技术之一。提出一种基于变分自编码器的WLAN定位方法,具备定位通路和接受信号强度(RSS)信号指纹重构通路,使得该方法既具备定位能力,也具备重新生成RSS信号指纹或指纹地图的能力。利用开源的数据集进行验证,证明了该方法在定位通路上,相比稀疏重构定位方法和传统k最邻近(kNN)定位方法,误差分别下降了约14%和24%;能够对指纹地图(RM)进行重新生成,利用重构的RM进行定位,相比于利用稀疏重构生成的RM定位误差下降了约11%。     

基于变分自编码器的视频异常事件检测方法

异常事件检测由于其在视频监控场景中的重要性而引起了广泛的关注。但是由于缺乏异常标注样本,使得这个问题较难解决。提出了一种新的部分监督学习方法,仅采用正常样本训练检测模型以进行视频异常事件检测和定位。假设所有正常样本的分布符合一个高斯分布,那么异常样本在这个高斯分布中将以较低的概率出现。该方法基于变分自编码器(VAE),通过端对端的深度学习技术,将正常样本的隐层表示约束成一个高斯分布。给定测试样本,通过变分自编码器获得其隐层表示,计算其隐层表示属于高斯分布的概率,并根据检测门限判断其是否异常。在两个公开的数据集(UCSD dataset和avenue dataset)上的实验结果表明,所提出的方法达到了92.3%的帧级AUC和82.1%的帧级AUC,以及571 fps的检测速度,在性能和效率上明显高于现有检测方法。     

基于小波变换和边缘模板相结合的序列B超图像边缘提取

由于B超图像的分辨率差、灰度级别少等特点,用传统的边缘检测难以得到满意的效果。本文采用了基于离散二进小波变换的门限选取法,通过检测图像直方图不上波变换的零交叉点来得到图像的边缘;进而又构造出一种边缘模板,利用小波变换和边缘模板相结合的方法提取出序列B超图像的边缘。     

基于总有界变分的森林火灾烟雾图像检测方法

森林火灾烟雾浓度升高时,所对应的图像模糊程度升高,总有界变分会逐渐下降,基于变分的特征性质,可以将边界之间的差异有效表征出来。由此,提出一种基于总有界变分的森林火灾烟雾图像检测方法。以分块平稳分析的思想对目标函数求极值,得到总有界值,通过两次比较总有界变分值从分块结果图中提取疑似烟雾分块,利用特征数据的融合聚类处理获得最终的疑似烟雾区域。为了得到更好的烟雾检测效果,对疑似烟雾特征区域进行运动特性分析,融合判定烟雾区域,给出火灾报警。算法屏蔽了对烟雾静态特征的复杂计算,在对疑似烟雾特性进行分析时,只需关注其运动特征便可以准确进行烟雾检测输出,避免了繁琐计算带来的误差,对比验证效果显示,算法结果输出高效稳定。     

基于神经网络的CT脑血管图像边缘检测算法

CT脑血管医学图像的三维重构都是源自二维断层扫描,脑血管边缘特征向量的提取是图像处理的关键步骤。为提高边缘特征的提取和保证三维重建图像的质量,在分析了某些常用的边缘检测算法性能基础上,同时结合CT脑血管图像的像素结构特点,将SA_SOFM神经网络算法成功地用于对CT脑血管图像的边缘特征信息提取中。并对算法进行有效的改进,基于真实图像的实验表明该算法提高了边缘特征信息的精度和鲁棒性。     

基于变分推断的超短期风电功率预测

为量化气象不确定性导致的预测随机性,应对超短期风电功率预测结果进行概率计算,进而给出响应新能源出力变化的电网调控安全裕度。因此,构建一种基于变分推断（Variational Inference,VI）的风电超短期功率预测模型。首先,使用完备集成经验模态分解（Empirical Mode Decomposition,EMD）对风机有功进行降噪处理。其次,分析各影响因素与风机功率的分布特征,利用神经网络构建隐变量生成模型,实现了对输入变量的特征压缩。第三,对隐变量进行高斯采样并构建回归网络实现功率预测。第四,以证据下确界（Evidence Lower Bound,ELBO）作为优化目标进行模型参数优化。最后,通过山东省内风场实际运行数据,基于变分推断的超短期功率预测模型给出的预测均值均方根误差为2.857,与对照组极限梯度提升模型表现接近;同时,根据模型的预测结果概率分布,设置为20%和80%分位点的预测区间覆盖率为99.6%。     

基于参数优化变分模态分解的间谐波检测

变分模态分解(VMD)已在谐波检测领域得到应用,但人为设定分解参数K,导致误差较大。为提升VMD在间谐波检测中的准确性,首先,采用施密特正交化理论对VMD预分解得到的各分量进行正交化处理,以避免模态混叠。然后求得不同K值对应的残差能量,利用残差能量值最小化法优化参数K,进而提取间谐波信号。最后采用对称差分能量算子,获得间谐波信号幅值与频率等特征信息。仿真实验表明：所提出的方法能有效优化参数K,降低VMD分解误差。同经验模态分解(EMD)、集合经验模态分解(EEMD)以及近年新提出的同步挤压小波变换(SST)相比,参数优化变分模态分解在间谐波检测上效果显著提升,具有更高的检测精度。     

基于GPU图像边缘检测的实时性

边缘检测是图像处理的基础,目前边缘检测算法不断完善,检测效果不断的提高,但检测速度方面的研究还存在很多不足,为了在保证检测效果的同时,提高边缘检测的速度,提出了一种基于可编程图像处理器GPU的边缘检测方法,应用GPU的像素着色器和Canny算子检测原理,用VC＋＋,Cg,OpenGL在Windows XP系统下进行仿真实验。结果表明,该方法不仅提高了边缘检测的速度,而且有效保留图像边缘信息,具有实时性,为今后基于GPU提高图像处理速度的研究提供了宝贵资源。     

基于边缘计算的低压用户窃电检测

低压用户窃电导致线损电量增加,对台区线损异动进行归因分析是识别窃电用户的有效途径。低压用户通信异常多发,可导致用电信息采集系统主站数据失真,易误导窃电检测。利用配变终端可就地完整准确采集台区数据的特点,提出基于边缘计算的低压用户窃电检测方法。首先,在通信正常和异常的条件下,分析台区窃电用户用电量与线损电量的关联关系;然后,在配变终端窃电检测模块中对真实的台区线损和用户用电量进行归因分析来识别窃电用户;最后,基于高损台区实际数据的仿真分析,验证了所提方法相比于在主站侧采用异常数据以及采用不同缺失数据填补算法修复后的数据进行窃电检测时的优势。     

基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

由于风力发电的随机性和间歇性,风功率预测不仅需要准确的点预测,而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解（variational mode decomposition,VMD）和分位数卷积-循环神经网络的风功率概率预测模型。首先,使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量,再通过卷积神经网络（convolutional neural network,CNN）提取反映各模态分量动态变化的高阶特征。然后,基于提取的高阶特征进行分位数回归建模,采用长短期记忆（long short-term memory,LSTM）循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后,利用核密度估计（kernel density estimation,KDE）得到风功率概率密度曲线。以中国某风电场数据作为算例测试,证明了所提出模型的有效性。     

基于变分模态分解的电能质量扰动检测新方法

为了更加准确地提取扰动信号特征,提出了基于变分模态分解(VMD)的电能质量扰动检测新方法。该方法由VMD和希尔伯特变换(HT)2个部分组成。首先,对扰动信号进行傅里叶变换以确定VMD的预设分解尺度;然后,利用VMD将扰动信号分解为系列调幅-调频函数之和;最后,对每个调幅-调频函数进行HT,求取瞬时幅值和瞬时频率,进而确定扰动信号特征。较之希尔伯特-黄变换和局部均值分解方法,VMD方法不仅可分析不同时间支集的扰动信号,处理复合扰动和频率相近的奇数次谐波,也不存在模态混叠,获取的瞬时幅值和瞬时频率更加准确。仿真信号和变电站电容器组投入时的电压信号分析结果证明了所提方法的可行性和有效性。     

基于改进边缘信息的ZNCC位移提取算法研究

为了解决ZNCC模板匹配算法计算量大、定位精度低等问题,提出了一种基于改进边缘信息的ZNCC位移提取算法。首先,通过曲面拟合法提高基于ZNCC位移提取算法的亚像素精度。然后利用滤波处理后的Sobel算子边缘检测算法提取视频每一帧中的重要信息特征,创建新的模板,并进行ZNCC相关值计算。为减少匹配点和运算量,根据信息点数设定不同的步长。最后,采用基于改进边缘信息的ZNCC位移提取算法提取实验视频中运动对象的位移波形图进行分析验证。实验结果显示,测量速度上提高了77.46%,测量误差为0.234 4%,证明了基于改进边缘信息的ZNCC位移提取算法不仅保留了原算法的搜寻精度与稳定性优势,并在速度上取得了显著提高。     

基于边缘计算与深度学习的输电设备异物检测方法

在输电设备上经常会出现各种异物,如鸟巢、塑料袋,如果不能及时发现并清理将会对输电系统造成很大的安全隐患。因此,及时对输电设备是否有异物进行检测非常必要。针对该问题,提出了一种基于边缘计算和深度学习的异物检测方法。该方法与现有利用无人机拍摄传回云端服务器计算方法不同,通过将检测计算下沉到边缘设备,使用Mobilenet加上优化后SSD的目标检测方法在边缘设备直接处理计算,将检测出异物的图像发回云端。该方法在CPU上的运行速度是基于VGG（目视图像生成器）的SSD方法的5倍左右,是Faster-RCNN的58倍左右;在模型大小上是基于VGG的SSD方法的2/9左右,是Faster-RCNN的2/49左右,精确度为89%;与直接将数据传回云端服务器再进行处理的方式相比,数据传输量减少约90%。该方法不仅满足实时性,还具有可靠的效果,基于该方法的系统已经得到实际部署。     

融合边缘检测和递归神经网络的视频表情识别

为有效解决传统视频人脸表情识别通常只关注单张视频帧的空间特征,而忽略了相邻帧之间隐藏的时间特征的问题,提出一种结合边缘检测和递归神经网络的视频表情识别方法,利用梯度边缘检测准确地提取输入图像的纹理信息,同时提出一种分片交叉LSTM结构,提取出图像序列中隐藏的时空特征。实验在CK+和MMI视频库上进行,在OCNN-RNN网络中分别取得88.4%和69.7%的识别率,在GCNN-RNN网络中分别取得89.8%和73.6%的识别率,最终使用提出的加权随机搜索方法融合GCNN-RNN和OCNN-RNN两个网络之后,分别取得了94.6%和79.9%的识别率,均优于单流网络算法,证明了所提算法的有效性。     

基于数学形态学的医用管制瓶边缘检测

本文提出一种改进的数学形态学边缘检测算法,对传统形态学边缘检测算子进行改进,得到一种双结构元的抗噪形态学边缘检测算子;选取了适于管制瓶视觉检测的结构元素;用基于多结构元素的数学形态学边缘检测方法进行管制瓶边缘检测.实验结果表明,与经典的边缘检测算子和传统形态学边缘检测算法相比,该算法在噪声环境下具有更好的边缘提取能力.该算法可用于管制瓶的机器视觉检测系统.     

基于自适应变分模式分解的非稳态电压闪变包络参数检测

针对非稳态时变的电压闪变包络参数准确检测难题,提出一种基于自适应变分模态分解的电压闪变包络参数检测方法.首先通过Hilbert变换检波法快速提取电压闪变包络信号;再采用损失系数和能量差作为确定模态分解个数的判断依据,利用自适应变分模态分解闪变包络信号;最后通过Hilbert谱分析求取瞬时幅值和瞬时频率,确定电压闪变包络...     

管道腐蚀视觉测量图像边缘检测算法研究

为实现管道内表面腐蚀图像的边缘检测,分析了经典的边缘检测方法,针对其存在检测精度低和抗噪声性能差等缺点,研究了一种基于BP神经网络的图像边缘检测算法。利用标准图像和经传统边缘检测算法检测得到的边缘图像作为输入输出数据,并用大量数据进行训练,构建了可实现图像边缘检测的BP神经网络。用训练好的神经网络实现管道内表面腐蚀图像边缘检测,并与传统的边缘检测算法检测结果进行了比对,实验结果表明,该算法可明显提高检测精度及抗噪声能力,具有广泛的适用性。     

基于改进的模板匹配在规则边缘零件内孔检测中的应用

许多精密仪器零件中的内孔形态各异,针对规则边缘零件内孔的质量检测,提出了一种基于规则边缘改进的快速模板匹配方法.通过对获取的零件图像进行数学形态学以及最小二乘法边缘拟合等操作,提取出只含零件内孔的感兴趣区域(ROI),最后建模对目标零件的内孔进行匹配检测.通过实验对所提算法的精度和速度进行验证,实验表明该算法能够满足零...     

基于模糊集的图像边缘检测算法

边缘检测一直是图像处理中一个热门课题,本文在对经典模糊边缘检测算法思想进行分析的基础上,提出了一种边缘检测算法,该算法通过阈值分区间定义一种模糊隶属函数,可将数字图像转化在等效的模糊特征平面上,然后选用适当的增强算子对图像进行模糊增强,增强后的图像经逆变换后进行边缘提取即可得到所需图像的边缘特征。应用这种算法计算量小,运算速度较快,提取的边缘细致,是一种很有实用价值的边缘提取算法。