基于四分位偏差分形维与高斯混合模型的故障识别算法研究

针对四分位偏差分形维对信号幅值大小和分布敏感的缺点,提出了适用于故障识别的四分位偏差分形维改进算法,将四分位偏差分形维及其截距组成特征向量,应用高斯混合模型进行故障模式描述(QDFD-GMM),并采用贝叶斯分类器进行故障识别.分别采用QDFD-GMM和基于重构相空间与高斯混合模型算法(RPS-GMM)对同一组故障齿轮振动信号进行分类,结果表明:QDFD-GMM具有更高的识别率和运算速度,具有更强的鲁棒性.     

基于高斯和粒子滤波的动态称重数据处理

由于动态称重过程中的噪声干扰,导致动态称重信号处理中存在数据处理速度慢与精度低等不足.为了提高动态称重的快速性与准确性,本文将高斯和粒子滤波算法应用于动态称重数据处理.在对动态称重系统建立状态空间模型的基础上,引进高斯和粒子滤波算法,利用高斯和逼近状态的后验密度,提高了对状态分布估计的精确性.实验结果证明,高斯和粒子滤波方法有效地提高了动态称重的速度与精度,比较实验结果说明本文方法优于传统的扩展卡尔曼滤波和粒子滤波效果.     

基于CDA和MoG-BBN的齿轮磨损状态识别研究

提出了基于混合高斯输出贝叶斯信念网络模型的齿轮磨损状态识别新方法,建立了变量消元算法和期望最大化算法相结合的模型推理算法,通过计算待识别磨损特征向量的概率值来确定齿轮磨损状态。针对期望最大化算法容易局部收敛的问题,对其进行了改进,使其更容易获得全局最优值。根据磨损特征之间的非线性关系这一特性,应用曲线距离分析方法对特征进行降维。最后,利用五种不同工况下的齿轮磨损实验数据对模型进行验证。结果表明,该模型可以有效地识别齿轮磨损状态,识别正确率可以达到99%,为齿轮箱的健康管理提供了科学依据。     

混响的混合高斯概率密度建模

混合高斯模型能够有效地拟合混响背景的一维概率密度分布。常用的混合高斯概率密度模型参数估计方法是EM迭代算法,但这种算法的主要缺点是估计精度过分依赖于初始值。而GreedyEM算法通过往混合模型中不断地加入高斯分量,能很好地解决这一问题。文章将多维图象处理中的GreedyEM算法加以合理简化,并给出模型自动定阶方法,从而成功应用于水声混响的一维混合高斯模型建模中。实验结果表明:应用新算法能从混响接收数据中准确拟合其概率密度曲线,并且能适应不同的数据长度,具有很好的通用性。     

基于C藤Copula的多维随机环境变量极限状态曲面EI北大核心CSCD

针对联合分布模型较为复杂时Rosenblatt变换难以实施的现状,提出了基于C藤Copula的多维随机变量极限状态曲面计算公式及数值算法。在该方法中联合分布模型由C藤Copula建立,Rosenblatt变换以二维Copula偏导数的形式表达,采用数值算法求解。结合观测数据研究了平均风速、有效波高和谱峰周期的极限状态曲面,提出了根据极限状态曲面等值线确定风浪参数组合值,并讨论了不同Copula的影响。结果表明,C藤Copula在局部和整体上均能最优表达变量间的相关结构,更适用于建立多维随机变量的联合分布模型;基于C藤Copula的极限状态曲面能有效表达二维变量间的相关结构,其等值线的外包络是二维极限状态曲线;与风浪参数极值相比,根据等值线确定的组合值在保证多维变量各自及联合重现期的前提下有所降低,可使结构设计更加经济合理。     

基于多模型结合优化的非结构化道路检测算法

非结构化道路检测一直是道路检测算法中的难点．提出一种基于彩色混合高斯模型与抛物线模型相结合的优化的非结构化道路检测算法．首先采用中值滤波和二次采样法将待处理彩色图像由高分辨率变为低分辨率图像, 并对图像进行光照补偿;然后建立基于优化聚类中心的K means算法的混合高斯模型,通过最小二乘法求解左右道路抛物线模型参数;最后完成对道路边界线的拟合,实现其提取．实验结果表明,该算法对光照不均、阴影等影响的图像处理具有较强的抗干扰性,提高了运算速度,具有一定的鲁棒性和实时性．     

小波域高斯混合模型方差估计近红外降噪方法

针对抑制近红外光谱噪声与保留光谱信号细节的矛盾,提出一种基于噪声方差估计的小波域降噪方法.该法对光谱信号小波域高频系数建立了两状态高斯混合模型,用EM算法估计模型系数,推证模型对噪声方差准确估计特性,将估计得到的噪声方差建立了阈值降噪模型.实验建立黄酒近红外光谱快速预测酒精度偏最小二乘模型,对比分析Penalty阈值、...     

一种新的基于声信号的故障分类算法

提出采用相空间重构与高斯混合模型相结合的方法,利用声信号对设备进行故障分类.此方法首先将一维声信号时间序列进行相空间重构,在高维相空间展示各故障状态下的动力学特性,然后通过最大期望值算法建立相空间的高斯混合模型,最后采用贝叶斯分类算法进行故障的识别.从齿轮故障试验台上采集常见齿轮故障的声信号并进行分类实验,验证了该方法的有效性.     

一种新的基于声信号的故障分类算法

提出采用相空间重构与高斯混合模型相结合的方法,利用声信号对设备进行故障分类．此方法首先将一维声信号时间序列进行相空间重构,在高维相空间展示各故障状态下的动力学特性,然后通过最大期望值算法建立相空间的高斯混合模型,最后采用贝叶斯分类算法进行故障的识别．从齿轮故障试验台上采集常见齿轮故障的声信号并进行分类实验,验证了该方法的有效性．     

混合高斯概率密度模型动态簇算法参数估计

混合高斯概率密度模型可以很好地拟合样本的概率密度。在各高斯分量概率密度互不重叠的条件下，使用动态簇算法可以快速而精确地估计出混合高斯概率密度模型参数。这是一种基于最小均方差原则的递推算法，在正向推导出各种可能簇边界后，再根据确定的最末边界值逆向推定各前导簇边界，从而得到混合高斯概率密度模型参数估计值。算法介绍之后，给出了两个拥有不同概率密度分布的仿真建模实例．最后总结分析了该算法的优劣，并简介了算法的推广．     

混合高斯概率密度模型参数的期望最大化估计

混合高斯模型是对非高斯数据进行概率密度拟合典型模型,其参数估计可以通过期望最大化(EM)迭代算法获得。多维混合高斯模型参数的EM估计因结构庞杂而难以求解,而对主动检测背景的统计特性拟合来说,一维的混合高斯模型一般即已足够。描述了该情形下的混合高斯模型及其参数估计问题之后,导出了一种工程实用的、简化的EM迭代算法,并给出了可计算机编程实现的算法流程图。然后详细探讨了对EM估计精度与速度有着重要影响的参数初始化问题,给出了三种可选择的初值设置方案:高速度方案、高精度方案和二者的折衷方案,并分析了它们各自的适用场合。最后,结合一组数值仿真实例,演示了EM迭代算法的良好的混合高斯模型参数估计性能。     

基于Gabor滤波器的指纹图像增强

通过对传统指纹图像增强算法的研究,提出一种基于Gabor滤波的指纹图像增强算法。根据指纹纹线间距均匀且局部平行的特点,建立了用于指纹图像增强的Gabor滤波函数的物理模型,并利用二维Gabor滤波器可分解为正交方向的一维高斯带通滤波器和一维高斯低通滤波器的特点,将二维滤波分解为两次一维滤波,从而解决了计算量过大的问题,降低了算法的复杂度。实验表明该算法具有良好的增强指纹图像的脊线和抑制噪声的作用。     

基于L型线阵的二维分布源参数估计方法

针对二维分布源信号波达方向估计问题,提出了一个新的二维分布源模型及其参数估计方法。将基于角度信号密度函数的一维相干分布源模型扩展至二维,推导了二维分布源的广义阵列方向向量。在L型线阵下,利用广义MUSIC算法,首先估计出俯仰角及其扩散参数,然后利用估计出来的俯仰角及扩散参数对方位角及扩散参数进行估计。仿真实验表明,所提出的二维相干分布源参数估计算法具有良好的定向精度。     

混合高斯参数估计的动态簇算法

混合高斯概率密度模型可以很好地拟合非高斯样本的概率密度。在各高斯分量概率密度互不重叠的条件下,使用动态簇算法可以快速而精确地估计出混合高斯概率密度模型参数。这是一种基于最小均方差原则的递推算法,在正向推导出各种可能的簇边界后,再根据确定的最末边界值逆向推定各前导簇边界,从而得到混合高斯概率密度模型参数估计值。描述模型及参数估计问题之后,动态簇算法被推导出来。然后深入探讨了该算法的实质及适用条件。最后结合数值仿真实例,分析了动态簇算法的估计性能。     

基于重训练高斯混合模型的语音转换方法

基于高斯混合模型的语音转换方法是语音转换中比较成功的方法之一,但基于高斯混合模型的转换方法训练过程复杂,训练时间长,需要大量的训练语音,这些都影响了它的实用性。对于传统高斯混合模型训练中的问题进行了分析研究,提出了训练过程中一个改进的方法（即二次训练法）,实验分析证明这个方法能有效提高模型训练速度,改善转换系统性能。     

基于高斯混合模型的非高斯随机振动幅值概率密度函数

针对非高斯振动信号的幅值概率密度函数难以用数学模型表述的问题,提出了基于高斯混合模型的非高斯概率密度函数表示方法。首先,基于时域样本信号得到非高斯振动信号的高阶矩估计值。其次,基于高斯随机过程偶次高阶矩之间的定量关系,结合二阶高斯混合模型建立方程组,求解得到混合模型中每个高斯分量的方差和权值。然后,将各高斯分量的权值和方差代入高斯混合模型,得到适用于对称非高斯振动信号的幅值概率密度函数。最后,通过仿真信号和实测振动信号,验证了该方法的有效性和适用性。     

基于空间邻域相关性的运动目标检测方法

针对传统混合高斯模型运动目标检测准确度不高的问题,本文提出了一种改进的运动目标检测算法,该方法通过利用空间邻域的相关性信息,结合混合高斯模型来提高运动目标检测的准确性.首先,对图像中的每一像素建立高斯模型,并采用模型的匹配次数确定方差更新系数的算法,解决了传统方法中方差收敛缓慢的问题;然后重新定义了马尔科夫随机场的势能函数,并融入空间邻域的相关性信息,由此获得了用于运动目标检测的自适应阈值.采用IBM研究中心的测试视频序列对本文的方法进行了测试,实验结果表明,本文的方法对复杂的场景有较好的适应性,能够得到比较准确的检测结果.     

基于改进高斯混合模型的运动物体的图像检测

传统的高斯混合模型在RGB色彩空间只对孤立像素建模,检测结果不够准确,存在拖影现象,检测到的运动物体内部容易出现空洞.针对这些问题,本文提出了一种改进的高斯混合模型.该方法从更符合人眼视觉特性的HSV色彩空间对中心像素和周边像素构成的向量进行建模,改善了原算法的性能;利用彩色分割算法提取连通区域,充分地利用了运动物体的彩色信息,并基于Phong物体光照模型进行了阴影抑制,提高了传统高斯混合模型检测的准确性.实验结果表明,与传统高斯混合模型相比,本算法能更精确地检测出运动物体,对光照变化和阴影具有鲁棒性.     

多变量非高斯风压的高性能智能预测

为了提高最小二乘支持向量机(LSSVM)对多变量非高斯风压预测的精度和泛化能力,采用混合蚁群(ACO)和粒子群(PSO)智能算法优化LSSVM的正则化参数和核参数,从而形成了混合智能优化LSSVM(称为ACO+PSO-LSSVM)多变量非高斯风压预测算法。使用现场实测多变量非高斯风压数据,对ACO+PSO-LSSVM多变量非高斯风压预测算法的性能进行验证,并与基于蚁群(ACO)和粒子群(PSO)智能优化LSSVM(分别称为ACO-LSSVM和PSO-LSSVM)的预测结果进行比较。比较结果表明,对于多变量非高斯风压预测,混合智能优化LSSVM(ACO+PSO-LSSVM)是高性能预测性算法,具有工程应用前景。     

基于随机投影和Fisher向量的人的行为识别

为了提高识别视频人物行为的效果,在定义和分析高斯混合模型(GMM)的基础上,提出了一种基于随机投影(RP)和Fisher向量(FV)的行为识别方法。该方法通过随机投影将高维轨迹描述子投影到低维子空间来实现特征轨迹的降维,然后利用GMM-FV混合模型对降维后的轨迹特征向量进行空间聚类编码,以提高行为识别的准确率,最后再利用随机投影对Fisher编码向量进行二次降维以降低计算复杂度。用KTH和UCF50两种数据集进行的试验表明,与现有跟踪识别算法相比,该方法降低了计算的复杂度,提高了行为识别的准确率,在两种数据集上的识别都表现出了良好的鲁棒性。