考虑样本类别不平衡的电网故障事件智能识别方法

电网中不同设备的故障概率存在差异,影响智能诊断技术的准确性.为解决此问题,提出了一种基于代价敏感学习和模型自适应选择融合的电网故障事件智能识别方法.首先,利用Word2vec模型将预处理后的电网告警信息向量化,并搭建2个双向长短期记忆网络作为基础分类器;然后,设计代价敏感损失函数,将交叉熵损失函数与代价敏感损失函数分别应用于2个分类器中;最后,提出一种模型自适应选择融合法,融合上述分类器,得到故障事件识别结果.实际数据测试表明,所提方法能够有效降低故障事件识别中样本类别不平衡的影响.     

核用一回路部件断裂分析

0Crl5Ni7Mo2Al封头是重要的核用一回路部件,通过宏观检查、金相分析以及断口形貌分析,对封头断裂原因进行了分析.结果表明,材料的韧性低,对缺口敏感,并存在应力集中,在检修时承受冲击载荷作用是封头断裂的主要原因,而韧性低是由于材料中含有粗大回火马氏体.     

负载敏感液控多路阀性能测试

介绍了负载敏感多路阀性能测试系统.根据多路阀功能测试的需要进行液压测试回路设计;采用多通道数据采集设备来完成液压测试系统多项性能的信号采集;以LabVIEW7.1作为开发工具,开发了适应性较强的测试软件进行测试数据保存和曲线输出.根据测试数据和曲线,分析了多路阀的性能.     

LiFePO4基正极材料容量的温度敏感特性及交流阻抗谱研究

采用原位碳包覆法制备了锂离子二次电池用LiFePO4／C复合正极材料。考察了环境温度对LiFePO4/C电池容量的影响，得到容量与绝对温度之间符合Arrhenius关系。运用交流阻抗谱分析了温度与电池电化学特性的关系，并对电极基于电荷和质量传递控制过程给出了一种新的模拟等效电路，通过Zview拟合软件得到了各个模拟元件的数值及变化趋势，从而定量地解释LiFePO4／C复合电极容量与温度的关系。     

基于混沌特征的运动模式分割和动态纹理分类

采用混沌理论对动态纹理中的像素值序列建模,提取动态纹理中的像素值序列的相关特征量,将视频用特征向量矩阵表示. 通过均值漂移（Mean shift）算法对矩阵中的特征向量聚类,实现对视频中的运动模式分割. 然后,采用地球移动距离（Earth mover’s distance,EMD）度量不同视频的差异,对动态纹理视频分类. 本文对多个数据库测试表明:1）分割算法可以分割出视频中不同的运动模式;2）提出的特征向量可以很好地描述动态纹理系统;3）分类算法可以对动态纹理视频分类,且对视频中噪声干扰具有一定的鲁棒性.     

微通道中两相流压降与传质的研究

以氮气和水为实验体系,采用均质混合模型,研究微混合器的微通道中两相流通过微通道的压降,并测定了两相流的传质系数.结果表明,微通道当量直径为95.2 μm,气体速率为1.089～4.355 m/s,液体速率为0.006 41～0.170 90 m/s的条件下,均质混合模型计算压降值与实测值吻合良好.气速为1.633～3.484 m/s,液速为0.025 6 m/s时,随着气速增加,传质系数呈递增的趋势.气速为1.633～3.484 m/s,液速为0.019 2 m/s时,随着气速增加,传质系数先增加后降低然后再增加.传质系数对液速变化更为敏感.     

基于局部重要性采样的SAR图像纹理特征提取方法

合成孔径雷达（Synthetic aperture radar,SAR）图像因为相干斑现象和目标响应的空间变化呈现出一种纹理特性,局部二进编码等局部图像特征 在光学纹理描述中获得较好的结果,但光学纹理特征在描述SAR图像纹理特性中因为相干成像特性往往失效. 本文 在前期工作纹理特征框架的基础上,提出了一种局部重要性采样二进编码的SAR图像纹理特征（Feature extraction based on local important sampling binary,LISBF）描述方法:首先,利用样本图像对局部采样位 置进行随机自适应采样,基于重要性采样（Important sample,IS）方法输出递归学习位置结果;然后,利用学习出的纹理重要采样点对进 行二进特征编码;最后,通过映射和统计生成描述算子. 该特征较固定位置采样能够获取更大范围信息,同时能通 过采样避免特征维数的急剧增大;通过自适应学习重要性关键点较随机采样 更容易捕捉纹理固有信息;较好地适应了SAR图像极低信噪比和斑点现象的纹理. 本文将该特征用于真实图像和标准纹理库的分类研究,实验结果证明了该特征的有效性.     

结合方向纹理熵的Haar-like特征在线boosting跟踪算法

针对传统基于Haar-like特征的on-line boosting跟踪算法（HBT）需要产生大规模随机特征、占用大量计算资源和存储空间的缺点,提出结合方向纹理熵的Haar-like特征在线boosting跟踪算法（HBTT）。HBTT算法利用灰度共生矩阵的熵获得目标纹理的方向信息,在此基础上有针对性地产生具有方向纹理信息的Haar-like特征,从而可有效避免无效随机特征的产生,减小特征池容量;更进一步,可根据目标纹理的复杂程度自动调整特征数量,使得算法更灵活。在跟踪过程中,在线学习模块可以使错误率较高的特征被结合了目标纹理方向信息的Haar-like特征所替换。与HBT算法比较,HBTT算法的跟踪误差降低了10%以上;在相同特征池容量下,置信度提高了2%以上。实验结果表明,该算法不仅具有较高的鲁棒性,而且在跟踪效率和性能上都有所提高。     

不平衡数据的集成分类算法综述

集成学习是通过集成多个基分类器共同决策的机器学习技术,通过不同的样本集训练有差异的基分类器,得到的集成分类器可以有效地提高学习效果。在基分类器的训练过程中,可以通过代价敏感技术和数据采样实现不平衡数据的处理。由于集成学习在不平衡数据分类的优势,针对不平衡数据的集成分类算法得到广泛研究。详细分析了不平衡数据集成分类算法的研究现状,比较了现有算法的差异和各自存在的优点及问题,提出和分析了有待进一步研究的问题。     

基于DCT和感知哈希的纹理防伪标签鉴别算法

针对纹理防伪标签在光线不足、视力不佳的情况下难以鉴别的问题,提出了一种基于DCT、感知哈希和视觉特征向量的纹理防伪标签鉴别算法.首先通过DCT和感知哈希提取图像的特征向量;然后建立特征数据库,通过特征向量之间的归一化相关系数(NC)实现纹理防伪标签的自动鉴别.实验结果表明,该方法可以有效抵抗常规攻击和几何攻击,可实现自动鉴别技术.与现有的纹理防伪技术相比,该算法可以减小占据的数据库存储空间,具有更好的实用性.