基于模板匹配的舰船螺旋桨叶片数识别方法

针对在舰船辐射噪声DEMON线谱信噪比低时,传统使用的基于模型或专家系统的叶片数识别方法存在错误率高且识别结果不稳定的问题,提出了一种基于模板匹配的螺旋桨叶片数识别方法。该方法建立了不依赖于样本的模板库,设计了模板匹配算法和识别结果置信度算法,较好地解决了传统的叶片数识别技术所存在的数学模型失配或规则不全、样本不完善性等问题。对实测数据的分析表明,该方法明显降低了叶片数识别的错误率,使目标类型识别结果趋于稳定。     

基于DEMON谱信息提取算法的目标识别方法研究

宽带噪声解调(Detection of Envelope Modulation on Noise,DEMON)谱中的轴频叶频,对应螺旋桨转速和叶片数等舰船自身相对特征,这些特征可以作为目标识别的依据。综合运用改进的最大公约数算法和余数门限算法提取DEMON谱中的轴频和叶频,解决了传统最大公约数算法提取轴频叶频误差较大的问题。仿真数据与实测数据的实验结果均验证了DEMON谱信息提取算法的有效性。     

基于图像数据重排的产品表面缺陷检测算法研究

产品检测时许多无关图像信息增加了参与计算的图像数据量,为解决该问题,提出了一种基于图像数据重排产品表面缺陷检测算法.根据先验知识将产品表面结构明显且不会出错的特征作为产品成像后的周向位置特征,建立起样本周向位置特征库图像序列;同时提取每个周向方位下样本表面各个待识别子目标区域图像数据或变换特征进行有效数据重排作为产品的检测识别特征,建立起产品的检测识别特征库图像序列.检测识别过程中,提取产品位置特征寻找其在标准样本库中最优解确定产品的周向方位,然后提取产品不同方位下的多个待检测区域并进行相同的数据重排,最终完成快速检测识别.经过仿真验证,本文的算法可以大大节省缺陷检测所用时间.     

基于改进双流卷积递归神经网络的RGB-D物体识别方法

为了提高基于图像的物体识别准确率,提出一种改进双流卷积递归神经网络的RGB-D物体识别算法(Re-CRNN)。将RGB图像与深度光学信息结合,基于残差学习对双流卷积神经网络(CNN)进行改进:增加顶层特征融合单元,在RGB图像和深度图像中学习联合特征,将提取的RGB和深度图像的高层次特征进行跨通道信息融合,继而使用Softmax生成概率分布。最后,使用标准数据集进行实验,结果表明,Re-CRNN算法的RGB-D物体识别准确率为94.1%,较现有基于图像的物体识别方法有显著的提升。     

全卷积循环神经网络的语音情感识别

语音情感识别是人机交互的热门研究领域之一。然而,由于缺乏对语音中时频相关信息的研究,导致情感信息挖掘深度不够。为了更好地挖掘语音中的时频相关信息,提出了一种全卷积循环神经网络模型,采用并行多输入的方式组合不同模型,同时从两个模块中提取不同功能的特征。利用全卷积神经网络（Fully Convolutional Network,FCN）学习语音谱图特征中的时频相关信息,同时,利用长短期记忆（Long Short-Term Memory,LSTM）神经网络来学习语音的帧级特征,以补充模型在FCN学习过程中缺失的时间相关信息,最后,将特征融合后使用分类器进行分类,在两个公开的情感数据集上的测试验证了所提算法的优越性。     

复杂背景下飞行目标的快速提取与跟踪

为了对飞行目标(典型目标为导弹和飞机)进行跟踪,利用差分图像结合最大空穴检出算法进行目标的提取和捕获,以模板评价函数为准则对模板进行适时更新,利用归一化的互相关系数确定目标在图像中的位置.为了提高速度,尽量采用IPP函数处理大部分的算法,相比较于传统的函数,IPP函数大幅度地提高了运算速度.实验证明,该方法能够在目标变化较大、图像模糊、对比度较低的情况下准确识别并跟踪目标,处理速度基本满足了使用要求.     

BP神经网络在油井示功图识别中的应用

在油井的管理中,对实时的示功图数据进行识别可以及时的发现抽油机井的异常情况,并及时的采取对应的措施,可以大幅度提高生产效率。伴随自动化技术在油田的应用,可以采集到油井的实时生产数据,而传统的凭借采油工经验识别功图的方法已经不能满足现场应用需求,论文应用不变矩理论对十七种典型泵故障示功图形状分析,建立了神经网络训练样本库,使用神经网络方法识别油井示功图达到工况诊断的目的。现场实施的结果显示该方法切实可行,具有一定的理论意义和实践价值。     

基于局部线性嵌入和云神经网络的转子故障诊断方法

提出了一种基于流形学习的汽轮机转子故障诊断方法。利用振动信号构造一个能够表示该信号的矩阵作为流形学习的输入数据,使用局部线性嵌入算法对矩阵进行维数约简,实现了高维数据向低维空间的嵌入,从而有效提取了故障特征。文中使用云神经网络分类器测试LLE算法输出维数大于3时的故障诊断率,并分析了各个参数对诊断率的影响。该方法克服了在样本较少的情况下故障诊断的困难,能在有限的故障数据中发掘故障特征并进行故障诊断。     

基于均值特征和改进深度神经网络的说话人识别算法

为提高神经网络在说话人识别应用中的识别性能,提出基于高斯增值矩阵特征和改进深度卷积神经网络的说话人识别算法。算法首先通过最大后验概率提取基于梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）特征的高斯均值矩阵,并对特征进行噪声适应性补偿,以增强信号的帧间关联和说话人特征信息,然后采用改进的深度卷积神经网络进一步对准帧间信息,以提高说话人识别特征对背景噪声的适应性。实验结果表明,相比于高斯混合模型-通用背景模型等识别框架及传统MFCC等特征,该算法可取得更高的识别准确率和最小的识别均方误差。     

基于卷积神经网络优化的水轮机振动信号识别

提出了一种基于蝙蝠算法优化卷积神经网络的水轮机振动信号识别方法。首先对水轮机时域加速度振动信号进行测量、提取和归一化处理,采用蝙蝠算法对卷积神经网络训练过程中的超参数权值和偏置值进行优化,然后对10 种不同测点的水轮机振动信号进行实验,针对每个测点的振动信号对水轮机8 种不同工况进行区分识别,最后将信号识别过程中各参数对传统卷积神经网络识别结果的影响进行针对性分析。结果表明：所建立的基于蝙蝠算法优化卷积神经网络的识别模型具有良好的稳定性和较高的识别精度,能够准确识别振动信号,识别结果准确率均在94 %以上,与传统卷积神经网络对比,信号识别准确率显著提升,最高达到20.78 %。同时可以看出,振动数据输入长度、样本尺寸和训练次数对传统卷积神经网络训练效果影响显著。研究结论可为水轮机振动识别、工况识别和故障识别提供理论依据。     

基于DNN和改进K-means的船舶辐射噪声开集识别方法

为提高船舶噪声识别系统的性能,实现开集识别,提出了基于深度神经网络(Deep Neural Network, DNN)和改进K-means的船舶辐射噪声开集识别方法。首先,采用Welch功率谱估计方法提取船舶辐射噪声的特征;然后,设计并应用DNN模型进一步提取特征向量;最后,使用改进的K-means模型实现开集识别。在实测数据上进行了实验,结果表明,所提方法能实现船舶辐射噪声开集识别,对于实测数据的平均识别正确率为93.5%,较DNN+K-means++方法提高了6.2个百分点。对实测数据添加实验船发动机噪声或渔船噪声进行实验,结果表明,识别方法在其他船只噪声干扰下具有较好的鲁棒性。     

融合时频域特征的舰船识别方法及实验研究

文章提出了一种融合舰船辐射噪声时频域特征的识别方法,将舰船辐射噪声的线谱特征和线性预测倒谱特征作为输入,分别利用反向传播（Back Propagation,BP）神经网络进行训练、降维及初步判别,并采用加权投票方式,引入置信度算法和拒判机制实现决策级融合识别。实验结果表明,对比基于舰船单一特征的识别方法,利用舰船辐射噪声时频域特征的互补性进行融合识别,减小了单一识别方法误判对总识别率的影响,具有较强的鲁棒性,可有效提高对目标的识别率。     

多通道融合下的手势识别算法研究及船舶虚拟交互平台设计

为促进船舶虚拟交互平台的人机交互方式向智能化转变,提出了一种多通道融合下的手势识别算法。在不同视角下采集手势图像并建立手势数据集;搭建基于YOLOv4目标检测算法的手势识别框架,分别对多视角手势图像进行识别,将多个识别结果通过一种多数据融合算法决策出最终手势识别结果。同时,设计了基于Unity3D的船舶航行虚拟场景,通过手势识别输出的指令实现对虚拟船舶稳定度平台的操作。实验测试了手势在复杂环境下该手势识别算法的鲁棒性,与基于YOLOv4的单视角手势识别方法的准确率进行了对比。实验结果显示:该手势识别算法能通过多数据融合剔除错误候选结果并保留最大置信度,在复杂环境下对手势的平均识别准确率达到95.06%。     

基于骨导麦克风数据的咀嚼发音类型自动识别与分类方法

口腔运动与人们的饮食规律息息相关，该文通过对口腔运动状态的分析识别来监测人们的饮食规律，以此来指导人们的饮食习惯。借助语音识别技术的思想和方法，分析识别口腔运动产生的骨导音，为提升识别效率，采用了传统的隐马尔可夫模型。基于隐马尔可夫模型建立了一套骨导音识别系统，在进行骨导音识别之前，通过分帧加窗、提取梅尔频率倒谱系数，对其进行模型训练；在识别过程中，找出与待测音频信号和模板库中匹配度最高的模型，以其模型输出结果作为最后的识别结果。该方法的识别结果可以达到 84%，实验结果表明该方法具有一定的可行性。     

基于Hausdorff距离的工件焊缝接头类型识别

提出了一种以Hausdorff距离为度量准则的工件焊缝接头类型识别方法.通过激光结构光视觉方法,CCD摄像机采集被焊工件焊缝接头的激光图像,并提取出激光条纹中心线.根据焊缝接头图像特点,提出6种焊缝接头条纹形状基准模型.以Hausdorff距离度量激光条纹图形与基准模型库之间的匹配程度,当条纹形状与基准模型的距离具有最小容差时,认为与相对应的焊缝接头类型相匹配.为实现算法加速,采用Hough变换和Hotelling变换来标准化图形,并利用图像特征对搜索空间进行了降维.实验结果验证了该识别方法的有效性.     

自适应选取阈值的三层快速匹配算法

提出一种自适应选取阈值的三层快速匹配算法。采用了由粗到精的匹配策略,先分别用环形模板和十字形模板进行粗匹配来淘汰大量非匹配点,再用全模板进行精匹配确定匹配位置以减小计算量。以模板和实测图的平均灰度差来自适应选取阈值,增强了算法的稳定性,从而弥补了环形法的模板信息单一且阈值固定的缺点。实验结果表明,该算法的匹配位置准确,匹配速度比相关法提高5倍,比环形法提高10倍,且在目标发生明显运动变化时仍具有很强的可靠性。     

冰区航行船舶冰阻力及六自由度运动响应的离散元分析EI北大核心CSCD

冰阻力是冰区船舶航行过程中的重要影响因素,对船舶航行性能及航行安全带来严峻挑战。该文采用扩展多面体离散元方法建立冰船动力作用过程的三维离散元方法,基于船舶推进功率与推进力间近似关系,将螺旋桨推力、冰载荷、舵力及水动力等载荷分开考虑,开展恒功率破冰船六自由度非线性操纵直航冰阻力及运动响应计算。为验证该离散元方法的可靠性,对比了碎冰区DUBROVIN及平整冰区LINDQVIST冰阻力公式计算结果。基于船舶在不同主机推进功率及复杂冰况下的直航冰阻力计算结果,展开对船舶破冰航速的影响因素分析。在此基础上,给出了船舶垂荡、横摇、纵摇等冰区船舶运动响应模拟结果和极地船舶运动响应预报结果,最后对碎冰及平整冰区船舶冰阻力及运动响应展开了对比分析。该方法可有效计算船舶冰阻力,其模拟结果可为冰区船舶运动响应及航行安全预警提供重要参考。     

基于加权硬度特征的仪表数字识别

仪表数字识别是智能仪表应用的关键,针对现有方法对角度倾斜、半字识别效率低的问题,引入硬度特征参数来衡量数字图像目标区域在某方向上的抵抗变形的能力,提出了一种结合数字结构特征和统计特征的识别方法。通过对仪表盘上采集的数字进行分析,建立数字自上而下及自下而上的硬度特征库。并依据每个特征重要程度的不同,引入权重,采用加权特征匹配的方法进行数字识别。实验表明,算法不仅简单高效,对于整字和半字都能够取得很好的分割和识别效果,而且对旋转和畸变有较强的容错。     

基于小波包分解和PCA-Attention-LSTM的舰船辐射噪声识别技术

为了改进舰船辐射噪声分类系统的性能,进一步提高识别准确率,文章提出了一种基于多特征的小波包分解在长短期记忆(LongShort-TermMemory,LSTM)网络中分类的方法。该方法首先通过小波包分解技术,分频段提取舰船辐射噪声的多种特征,将提取的特征利用主成分分析法(Principal Component Analysis, PCA)进行数据降维,通过添加注意力机制(Attention Mechanism)算法的LSTM网络,对辐射噪声结果分类,提高了学习效率和识别准确率。为了更精细地提取特征,分频段提取了舰船辐射噪声的时频域特征、小波变换特征和梅尔倒谱系数等特征,并将分频段与不分频段的特征、多特征与单一特征、不同信噪比间的算法性能进行对比。实验结果表明,基于小波包分解和PCA-Attention-LSTM的模型可以有效地提高舰船辐射噪声分类的性能,是一种可行的分类方法。