基于HHT的人员脚步信号识别算法

针对地面环境监控中的人员脚步信号识别问题,提出一种基于希尔伯特-黄变换的识别算法。利用经验模态分解方法将探测得到的震动信号分解成若干个固有模态函数分量,找出各分量在频谱上的奇异点,通过对这些奇异点的希尔伯特谱进行判定,实现对人员脚步信号的识别。实验结果证明,该算法具有较高的正确识别率。     

强噪声环境下基于改进HHT的语音端点检测

为提高语音端点检测系统在低信噪比环境下检测的正确率,提出一种强噪声环境下基于改进的希尔伯特-黄变换语音端点检测方法。对每帧信号进行经验模态分解,得到有限个固有模态函数,去掉第一个固有模态函数,其他的都让其通过一个带宽为250～3500Hz的带通滤波器,消除部分噪声。对所选固有模态函数加权,再进行希尔伯特变换得到能量特征值。通过分析噪声特性,估计噪声阈值。在希尔伯特能量谱上,根据阈值搜索语音起点以及终点。仿真实验表明,在低信噪比的情况下,方法的准确率有明显的提高,并具有很强的鲁棒性。     

基于震动信号HHT的车辆分类

震动传感器是智能监控传感器系统的重要组成部分。震动信号是一种非线性非平稳信号。相比于传统的时频分析方法,对希尔伯特-黄变换是一种更有效地处理非平稳信号的时频分析方法。将希尔伯特-黄变换引入到车辆分类中,提取震动信号特征信息,利用经验模态分解(EMD)获得车辆行驶引起的地面震动信号的固有模态函数(IMF),通过选取的固有模态函数得到相应的希尔伯特谱,然后在希尔伯特谱的基础上根据谱峰对车辆进行分类。仿真测试结果表明方法具有很高的正确率。     

基于连续波多普勒雷达的手势信号识别算法

手势识别技术在人机交互系统中的需求与应用日益广泛,毫米波雷达可以对手势运动过程中的距离、速度信息进行检测,从而实现识别的目的,且具有不依赖于光线的优点。利用24 GHz微型雷达装置可接收手势信号,建立识别算法的样本库。对一维手势信号进行分段FFT运算,可将一维手势信号转化为二维的手势图像,转换后的图像不但含有运动过程中的幅度、速度信息,还包括手势运动过程中幅度与频谱的变化历程。由于每一次手势动作的不确定性,单一的物理特征统计方法很难进行判别,且识别率较差,利用机器学习SVM算法对手势信号进行学习与分类。实验结果表明,分段FFT信号处理方法结合SVM算法对手势分类的准确率达90. 25%,为手势识别算法提供了一种新的方法。     

基于自动机器学习流程优化的雷达辐射源信号识别

针对雷达辐射源信号识别课题中复杂的参数配置问题,从机器学习参数优化的研究入手,发现了一种基于树结构的机器学习流程优化方法,该方法利用遗传编程生成基于树结构的机器学习流程,并对其结构和参数进行进化,得到表现最佳的带参数的机器学习流程。该流程可以包括特征处理和建模的任意组合,实现对原始数据集的学习和识别。并与人工参数配制的一对一支持向量机在两种不同维度的雷达信号特征集上进行对比识别,相比之下,该方法无须繁琐的参数配置,最高准确率提高超过6%,证明该方法得到的基于树结构的机器学习流程有着明显的优势。     

基于机器学习的车用主动防撞预警雷达信号识别系统研究

为了避免同向和相向干扰信号对识别精准度影响,引入机器学习,研究车用主动防撞预警雷达信号识别系统。在机器学习支持下,设计预警雷达信号识别系统总体架构,采用BGT24MTR12E6327XUMA1型号原装雷达收发器,通过TendaA9信号放大器将混频信号送到信号处理系统之中,以此控制汽车行驶速度。TMS320F206 DSP通过CAN总线连接外部设备和TJA1041A总线收发器,使PC和DSP之间能够串行通信。使用抗干扰流水线结构转换方式,基于机器学习获取无干扰实时状态信号。通过计算雷达信号相似度,设计具体识别流程。依据各个子雷达在汽车上分布情况设计实验,由实验结果可知,相向干扰下机器学习技术信号识别精准度最高可达到96%;同向干扰下机器学习技术信号识别精准度最高可达到94%,为车辆安全行驶提供设备支持。     

WF-C4.5:WiFi环境下基于C4.5决策树的手持终端流量识别方法

目前移动数据流量已占全球IP流量的47%,其中WiFi流量已占整个移动数据流量的90%以上。WiFi环境下移动终端流量的识别对互联网流量管理具有重要意义。传统基于HTTP用户代理(User Agent,UA)的流量识别方法存在识别率不高的问题。分析了WiFi环境下移动终端连接持续时间、数据包大小、有效载荷大小等流量特征,提出一种WiFi环境下基于C4.5决策树的手持终端设备流量识别方法WF-C4.5,通过计算各属性值的信息增益率构建决策树模型,实现手持终端与非手持终端流量的区分。实验表明,相比UA方法65%的准确率,所提方法的准确率高达95%。     

基于HHT倒谱系数的说话人识别算法

针对LPCC只反应语音静态特征且不能突出其低频局部特征问题,提出一种以HHT倒谱系数为特征的说话人识别算法,HHT的经验模态分解使语音的低频局部特征得到更好的描述,Hilbert变换能够刻画语音动态特性,改进了LPCC的不足。用经验模态分解将语音分解为一系列固有模态函数分量并做Hilbert变换求得Hilbert边际谱,计算总边际谱的对数功率谱并做DCT得13维倒谱系数,将此特征送入高斯混合模型进行说话人识别。仿真实验结果表明,基于HHT倒谱系数的说话人识别算法,相较LPCC识别率提高了12.59%,但特征提取时间增加了19.27 s。     

基于HHT的多MEMS陀螺信号融合算法研究

基于经验模态分解方法将多MEMS陀螺信号分解为一列本征模态函数和残差函数,并采用希尔伯特变换求取其瞬时频率和瞬时能量.首先,通过本征模态函数与原信号的非线性相关系数分析来实现MEMS陀螺信号噪声的滤波处理;然后,以非线性相关信息熵作为优化指标,通过选取不同本征模态函数的组合进行加权融合,优化结果能有效地提高信号的测量精度;最后,通过仿真结果验证了所提出方法的有效性.     

大数据环境下的投票特征选择算法

随着数据的爆炸式增长,大数据问题越来越受到关注,然而由于大数据具有维度较高、数据复杂且变化迅速的特性,导致传统的机器学习算法不再适用,故解决大数据特征选择问题迫在眉睫.本文基于投票机制和决策树算法提出了大数据环境下的投票特征选择算法.具体步骤为,随机划分大数据集U为L个子集,将划分后的L个子集发送到L个map节点,在每...     

高炉透气性指数的改进多层超限学习机预测模型

高炉透气性指数是高炉操作者衡量高炉顺行状态的指标之一.针对传统透气性指数测量模型的缺陷,本文提出了一种基于改进的多层超限学习机(multi-layer extreme learning machine,ML–ELM)的高炉透气性指数预测模型.首先分析影响高炉透气性指数的相关操作参数,考虑到高炉生产数据含有大量噪声,运用小波去噪方法消除数据的噪声干扰.然后建立高炉透气性指数预测模型.在建模过程中,将偏最小二乘(partial least square,PLS)与多层超限学习机算法结合,消除多层超限学习机最后一层隐藏层的多重共线性,提高了模型预测精度.并且所提出的改进算法称为PLS–ML–ELM.最后使用现场生产数据对该模型训练和测试,预测结果表明所提出模型能够快速、精确地预测高炉透气性指数,并且为高炉的后续操作提供有效的决策与支持.     

高炉透气性指数的核超限学习机预测模型

高炉透气性指数反映了高炉内煤气流运动受到阻碍的大小,是操作人员判断高炉运行状态的重要依据.本文针对超限学习机的缺点,提出了基于核超限学习机的高炉透气性指数预测模型.首先选取了适当的高炉参数作为模型的输入.其次采用小波变换对生产数据降噪处理.然后建立基于核超限学习机的高炉透气性指数预测模型.在建模过程中,探索了不同的核函数对模型性能的影响,并对相关参数寻优.最后进行仿真实验,同其他算法对比.实验结果表明,相比于传统算法,基于核超限学习机的高炉透气性指数预测模型训练速度更快,预测精度更高,预测结果更稳定.     

基于数据驱动的高炉料面优化决策模型研究

高炉炼铁是一个典型的高能耗、高排放、高污染的工业环节.合理的炉料分布能够形成更加合理的煤气流分布,使得炉内的化学反应更加充分,对高炉长期稳顺运行和节能减排具有重要作用.本文针对基于经验的料面形状决策不能根据炉况变化做出准确和及时的调控的缺陷,提出了基于数据驱动的高炉料面形状优化决策模型.首先,基于现场采集的数据,在考虑高炉生产实际情况约束和变量上下限约束的情况下,建立了以煤气利用率为评价函数的料面优化模型.然后,为了提高模型的精度和决策性能,提出了一种误差补偿超限学习机(extreme learning machine,ELM)方法用于建立料面优化过程模型,以减少模型与实际生产过程之间的误差.在此基础上,采用带有约束条件的自适应粒子群算法对模型进行求解.最后,通过仿真实验验证了所建模型和优化方法的有效性,实验结果表明所构建的高炉料面优化决策模型能够及时根据生产情况的变化给出合理的料面形状,满足现场生产的需求,使高炉高效稳定运行.     

高炉料面形状双驱动模型研究

高炉料面形状是指导高炉布料决策的重要依据.本文在已开发的新型雷达检测手段的基础上将雷达检测数据和布料机理进行融合.首先根据牛顿运动规律计算炉料颗粒从料流调节阀至料面的运动过程,然后根据体积约束原则建立料面形状模型,最后通过高斯过程回归模型将机理模型和摆动雷达测量得到的料面信息融合,建立了基于雷达数据和机理模型双驱动的高炉料面形状模型.仿真结果表明,本文提出的数据融合的方法在结合雷达检测数据和机理模型的基础上能够更好的拟合出高炉料面形状,可以为高炉稳定运行,节能减排提供可靠指导.     

高炉煤气流分布过程的多算法融合预测模型

在高炉生产中,准确的预测高炉煤气流分布状况将有助于保证高炉的稳定顺行.针对传统高炉煤气流预测模型的缺陷,本文提出了一种将带遗传因子的自回归移动平均模型(FF-ARMAX)和基于限定记忆的正则化极限学习机(RFMLS-RELM)相结合的高炉煤气流多步预测模型.在数据预处理方面,建立FF-ARMAX模型消除原始数据中的测量误差,同时采用傅里叶变换法消除数据中叠加的环境噪声.最后采用RFMLS-RELM算法进行多步预测,对比试验表明,该算法在应用于煤气流预测时,预测精度更高,适用于对煤气流分布状况的多步预测.多步预测实验结果表明,该模型虽然仍旧无法完全解决预测误差随预测步数的增加而不断叠加的问题,但相较于其他传统预测模型能够实现更好的预测效果和更高的预测精度,为高炉操作人员分析炉况提供了有效的帮助和支持.     

高炉燃烧料面合成孔径雷达双聚焦成像算法

钢铁生产中的料位和料形是冶炼过程控制的重要指标,基于合成孔径雷达(SAR)原理的微波成像装置可有效提取热态径向料面特征.针对几何形态复杂,回波信号突变性强,甚至会出现遮蔽效应导致雷达失波的料面中心部分,本文建立了中心区域双聚焦测量成像系统.选定炉顶风罩位置对称安装两套雷达,电机控制雷达天线匀速摆动获取二维坐标矩阵,用重采样插值算法将其转换成像素点均匀的矩形灰度图像;根据尺寸参数确定炉心扫描重叠区间,并构建料面中心双聚焦融合算法(DfSAR)拼接双图像.与均值融合相比,图像互信息提高10.43%,清晰度改善23.91%.最后,采用雷达恒虚警率(CFAR)目标检测算法有效滤除高炉内粉尘颗粒物对料面图像的干扰.     

高炉红外摄像监测系统的设计与实现

论述了高炉红外摄像监测系统的中上位机各个功能的实现技术.该系统主要由三部分组成,即红外摄像头、下位机和上位机.红外摄像头获取高炉炉腔的实时图像,然后通过视频数据线传输给上位机的视频采集卡并转换为数字视频数据后在上位机显示.系统根据图像的灰度信息得到炉内的温度分布情况,并将这些数据保存到数据库以用于数据分析和问题跟踪.     

Endpoint prediction model for basic oxygen furnace steel-making based on membrane algorithm evolving extreme learning machine

The endpoint parameters of molten steel, such as the steel temperature and the carbon content, directly affect the quality of the production steel. Moreover, these endpoint results cannot be the online continuous measurement in time. To solve the above-mentioned problems, an anti-jamming endpoint prediction model is proposed to predict the endpoint parameters of molten steel. More specifically, the model is constructed on the parameters of extreme learning machine (ELM) adaptively adjusted by the evolutionary membrane algorithm with the global optimization ability. In other words, the evolutionary membrane algorithm may find the suitable parameters of an ELM model which reduces the incidence of the overfitting of ELM affected by the noise in the actual data. Finally, the proposed model is applied to predict the endpoint parameters of molten steel in steel-making. In the simulation experiments, two test problems, including ‘SinC’ function with the Gaussian noise and the actual production data of basic oxygen furnace (BOF) steel-making, are employed to evaluate the performance of the proposed model. The results indicate that the proposed model has good prediction accuracy and robustness in the data with noise. Therefore, the proposed model has good application prospects in the industrial field.     

基于复合差分进化算法与极限学习机的高炉铁水硅含量预报

针对铁水硅含量无法直接在线检测的问题,本文提出了一种基于优化极限学习机(ELM)的高炉铁水硅含量预报方法.该方法利用复合差分进化算法(CoDE)的快速定位全局最优解的能力来优化极限学习机的输入权值和隐层节点阈值,在此基础上建立了基于复合差分进化算法优化极限学习机(CoDE-ELM)的高炉铁水硅含量预报模型.以某钢铁厂2650 m~3的高炉为例,利用实际采集数据进行模型检验,结果表明,当绝对误差小于0.1时,铁水硅含量的预报命中率为89%,均方根误差为0.047,实际目标值序列与预报值序列的相关系数为0.851.所建模型的预报结果优于支持向量机(SVM)、前馈神经网络(BP-NN)、极限学习机以及差分优化极限学习机(DE-ELM),对高炉炉温的实际调控具有较好的指导意义.     

基于V形内锥式节流装置测量高炉煤气的研究

在冶金工业中,高炉煤气等含杂质煤气的测量相当普遍。高炉煤气流量测量是个难度较高的课题。由于高炉煤气具有管径大、流速低、粉尘大、易堵塞等特点,其流量用常规装置测量效果不尽理想。为此,提出了采用V形内锥式气体流量计来测量高炉煤气,着重介绍了V锥形流量计的测量原理、基本装置和应用于高炉煤气流量测量的突出优点,并根据高炉煤气的化学性质,进一步分析了其对测量准确度的影响,从而确定此流量计在高炉煤气流量测量上的可行性。此流量计在高炉煤气流量测量中有着重要作用。