矿用干式变压器局部放电模式识别方法

为提高矿用干式变压器局部放电模式识别准确率,提出了一种矿用干式变压器局部放电模式识别方法。首先,采用正交匹配追踪算法对原始局部放电信号进行去噪,最大程度保留原始局部放电信号的有用信息;然后,通过自回归模型提取去噪后局部放电信号的自回归系数特征;最后,将自回归系数特征输入随机森林集成分类器对局部放电模式进行识别。实验结果表明,该方法平均识别准确率达98%。     

基于卷积神经网络的电流互感器畸变信号识别方法

在识别电流互感器畸变信号时,主要通过基础的神经网络提取信号特征,只能得到低层特征,使得畸变信号识别结果而F1分数较低。因此,应用卷积神经网络,设计一种新型电流互感器畸变信号识别方法。明确电流互感器的工作原理,绘制整体高频等效电路图,并基于此建立畸变信号模型。应用软阈值去噪原理,对采集的电流互感器信号进行去噪处理。再依托于多通道卷积神经网络,设计信号特征提取模型结构,将去噪后的信号输入其中进行深度学习,组合每个通道输出的低层特征,输出更加抽象的高层信号特征。最后针对特征提取进一步计算,构建特征空间,以此来实现畸变信号的准确识别。实验结果表明：所提方法识别结果的F1分数保持在0.97以上,展现出极好的信号识别效果。     

基于神经网络信息融合的印刷体字符识别研究

针对印刷体字符识别,提出一种基于神经网络信息融合的方法.在对待识别目标提取特征后,分别采用2种反向传播算法的改进算法和遗传算法构造神经网络分类器模型,并进行网络的训练和识别工作.通过实验数据着重分析和比较了3种算法的特点,将此3种分类器得出的分类结果进行决策级的信息融合,最终得出识别结果.实验结果表明,此方法简单可行,具有较高的鲁棒性和识别率.     

汽车精密零件外观缺陷视觉检测方法研究

针对汽车精密零件质量检测的需求,提出了基于机器视觉的精密零件外观缺陷检测方法,搭建了相应的检测平台。采用小波去噪进行图像预处理,基于Otsu算法改进了Canny算子中的双阈值的选取问题,较好地实现了图像的缺陷分割。利用Hu矩进行缺陷特征提取并通过样本特征训练SVM分类器,实现零件外观缺陷的识别与分类。以汽车转向器内部套筒为试验对象,搭建了检测系统,实验结果表明,该算法可有效实现了零件外观缺陷自动检测。     

基于Adaboost算法的人眼状态检测

人眼检测在表情识别和人脸识别中起着非常重要的作用,作为一种预处理的手段,人眼检测和定位可以有效地提高表情识别和人脸识别的识别率.提出了一种基于Adaboost算法的实时人眼状态检测的方法.Adaboost是一个构造准确分类器的学习方法.它将一簇弱分类器通过一定的规则结合成为一个强分类器,再把这些强分类器级联成为一个快速、准确的分类器.分析和讨论训练阶段不同的人眼特征选择对最终检测的影响,并实验测试各种特征方法对特定目标的检测率,给出一个理想的分类器.     

基于改进型SDA的自然图像分类与检索

将堆叠去噪编码器应用于图像识别中,并针对自然图像检索领域,使用卷积自动编码器改进堆叠去噪编码器,采用非监督贪婪逐层训练算法初始化网络权重,使用反向传播算法优化网络参数.利用改进的堆叠去噪编码器提取自然图像特征,使用softmax分类器分类.最后将提取的特征结合尺度不变特征转换技术实现图像检索.实验证明改进型堆叠去噪编码器大幅降低网络训练时长的同时增强网络的容错能力,提高分类器的分类精度,最终改善图像的检索效果.     

基于Adaboost算法的行人检测方法

鉴于Adaboost算法简单可靠、学习精度高的特点,提出一种基于Adaboost算法的行人实时检测方法。选取了扩展的类Haar特征,采用Adaboost算法训练得到了一个识别准确率理想的行人分类器,通过VC编程将级联分类器应用到实际的行人检测系统中。试验结果表明,该方法可以快速、准确地实现行人的在线检测,具有较好的实时性。     

基于 Kanade -Lucas的人眼跟踪算法研究 *

在基于 AdaBoost算法识别驾驶员眼部疲劳状态时 ,环境光照、视角的频繁变化是影响识别稳定性的重要因素 ,为此提出了一种基于 Kanade-Lucas( K-L)光流跟踪与 AdaBoost级联分类器相结合的改进算法。该算法利用 AdaBoost算法识别并存储人眼的角点特征 ,在 AdaBoost算法无法正确识别时 ,利用 ( K-L)光流跟踪算法跟踪正确识别的角点有效地提高了人眼识别率 ,降低了误识别率 ,并降低了重复识别的运算量。     

一种改进的EMD硬阈值去噪算法

为了提升基于经典小波阈值的EMD去噪算法的性能,利用高斯白噪声的统计特征提出了一种改进的硬阈值去噪算法;首先将含噪信号进行EMD分解,把第一个固有模态函数作为高频噪声直接去除并估算出其他IMF中高斯白噪声的能量,然后根据硬阈值去噪的原理,利用滤除掉的样本点包含的能量等于白噪声的能量确定出合适的阈值;该方法能根据样本点自适应地确定阈值;最后通过对含噪正弦信号和仿真心电信号的去噪实验证实了改进后的阈值使算法去噪效果有明显提升。     

雷达辐射源信号小波变换特征提取方法

在小波域滤波算法的基础上提出一种对雷达辐射源信号进行脉内特征提取方法,该方法能够从信号中有效地提取定量信息。将小波变换后低频逼近小波系数的能量分布熵与经过尺度相关去噪计算后反映信号边缘的高频细节小波系数能量分布熵构成雷达辐射源信号的二维特征向量。通过对10种雷达辐射源信号的特征提取和分类仿真实验分析表明：提取的样本特征在0 dB下具有很好的抗噪性和可聚类性,方法是有效的。该方法能够简化分类器的设计,有利于工程应用。     

基于贝叶斯估计的杂交小波图像降噪新算法

针对传统图像去噪算法易丢失细节特征、峰值信噪比低等问题,受杂交育种学启发,借鉴遗传算法思路,提出了一种基于贝叶斯估计的杂交小波变换图像去噪算法。该算法以贝叶斯小波去噪后的图像作为父本,维纳滤波处理后图像作为母本进行杂交,对挑选出的个体进行逐代杂交和变异生成子代,将最优子代作为算法的最终解,对其解码还原为去噪后的图像。本算法去噪后的图像峰值信噪比远高于传统算法;去噪后的视觉效果也好于传统方法。实验结果表明该方法不仅能有效消除图像噪声,还能较好地保留图像边缘等细节特征。     

基于神经网络的数字信号调制方式识别

提出了一种对经过符号成形的数字信号调制方式进行识别的新算法,利用特征参数提取与神经网络分类器相结合对8种常用数字信号进行识别.首先介绍了符号成形对信号瞬时参数提取的影响,然后选取特征量并通过所设计的神经网络分类器进行识别分类,最后计算机仿真表明利用神经网络分类器在低信噪比下能较好地区分开8种经符号成形的数字信号,且选用的L-M训练算法收敛快,适合在线分析.     

基于深度小波去噪自动编码器的轴承智能故障诊断方法

针对原始振动数据无监督特征学习问题,提出一种深度小波去噪自动编码器与鲁棒极限学习机相结合的滚动轴承的智能故障诊断方法。利用小波函数作为非线性激活函数设计小波去噪自动编码器,从而有效地捕获信号特征;利用多个小波去噪自动编码器构造一个深度小波去噪自动编码器来增强无监督特征学习能力;采用鲁棒极限学习机作为分类器,对不同的轴承故障进行分类识别。对实验所得的轴承振动信号进行对比分析,结果验证了该方法在原始振动数据无监督特征学习的条件下优于传统方法和标准深度学习方法。     

基于傅氏描绘子的三维目标飞行识别算法

本文介绍了一种改进的傅氏描绘子的方法，它可提取出目标在任意仿射变换下都不改变的特征，该方法基于边缘的描述，将其进行傅氏变换后计算不变量，同时我们构造Hopfield网络使其具有平移不变的特性，对六种不同的飞行进行特征提取并结合Hopfield网络作为分类器，可以实现对三维目标的有效识别，实验证明，该算法对三维目标识别是很很有效的。     

基于去噪自编码器和长短时记忆网络的语音测谎算法

为进一步提升语音测谎性能,提出了一种基于去噪自编码器（DAE）和长短时记忆（LSTM）网络的语音测谎算法。首先,该算法构建了优化后的DAE和LSTM的并行结构PDL;然后,提取出语音中的人工特征并输入DAE以获取更具鲁棒性的特征,同时,将语音加窗分帧后提取出的Mel谱逐帧输入到LSTM进行帧级深度特征的学习;最后,将这两种特征通过全连接层及批归一化处理后实现融合,使用softmax分类器进行谎言识别。CSC（Columbia-SRI-Colorado）库和自建语料库上的实验结果显示,融合特征分类的识别准确率分别为65.18%和68.04%,相比其他对比算法的识别准确率最高分别提升了5.56%和7.22%,表明所提算法可以有效提高谎言识别精度。     

一种异步电动机故障诊断新方法

针对基于RBF神经网络的异步电动机故障诊断方法存在参数确定较困难的问题,提出了一种基于差分进化算法优化RBF神经网络的异步电动机故障诊断方法。首先采用小波变换对异步电动机运行状态信号进行消噪处理,然后采用主元分析法与小波包分析法相结合方式提取消噪后的异步电动机运行状态信号特征,最后采用差分进化算法优化后的RBF神经网络对异步电动机运行状态信号特征进行诊断。实验结果表明,与未优化的RBF神经网络相比,采用差分进化算法优化后的RBF神经网络可有效识别出异步电动机故障。     

基于改进小波去噪和EMD方法的轴承故障诊断

将改进的小波阈值去噪与EMD分解相结合应用于轴承故障诊断中。该方法首先利用改进的小波阈值去噪法对原始信号进行去噪,然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量之和,通过能量-相关系数法选取能够反映故障特征的IMF分量进行包络谱分析提取故障频率。实验结果表明该方法能够有效识别故障特征频率。     

一种异步电动机故障诊断新方法

针对基于RBF神经网络的异步电动机故障诊断方法存在参数确定较困难的问题,提出了一种基于差分进化算法优化RBF神经网络的异步电动机故障诊断方法。首先采用小波变换对异步电动机运行状态信号进行消噪处理,然后采用主元分析法与小波包分析法相结合方式提取消噪后的异步电动机运行状态信号特征,最后采用差分进化算法优化后的RBF神经网络对异步电动机运行状态信号特征进行诊断。实验结果表明,与未优化的RBF神经网络相比,采用差分进化算法优化后的RBF神经网络可有效识别出异步电动机故障。     

降质图像高密度斑点批量智能识别仿真

针对降质图像中高密度斑点识别速度慢、识别位置不精准问题,提出了一种基于频域滤波法和相交测定中心法的降质图像高密度斑点批量智能识别技术。首先使用小波域内非线性软门限选取方法对图像进行去噪处理,选取小波域内非线性软门限,根据门限剔除图像冗余干扰,并确保滤除斑噪的同时保证边缘信息安全,然后使用相交测定中心算法对去噪后图像进行梯度识别,获得高密度斑点的中心面积,最后通过斑点细来设定阈值,从而完成降质图像高密度斑点批量智能识别的目的。仿真证明,相对于传统方法,所提方法在降质图像高密度斑点的批量智能识别上效率更高,并且识别精准度较高。     

基于便携式脑电设备的快乐和悲伤情绪分类

驾驶员情绪状态的识别对车辆主动安全技术的研究具有重要的应用价值.本研究通过情绪视频诱发的方法采集17位被试前额双通道脑电信号,提取不同情绪的脑电特征,并对数据进行降维处理后采用多种分类器进行情绪分类.结果显示,与单核分类器和集成学习分类器相比,基于梯度提升决策树（GBDT）算法得到快乐和悲伤的识别准确率最高.本研究为驾驶员情绪状态的实时监测和识别提供新方法,为提高行车的安全性提供了理论保障.