Development of a real-time non-intrusive appliance load monitoring system: An application level model

The research “Behavior Change and Energy Use” (US Department of Energy and Climate Change, 2011) [1] shows that with better information in the monthly electricity bill, the Energy Performance Certificate (EPC) can encourage people to reduce their energy usage. That is why smart meters - the emerging technology to help people to know their monthly energy consumption, are gradually replacing mechanical power meters. In this paper, we investigate a special energy monitoring process named Non-Intrusive Appliance Load Monitoring (NIALM), which is potentially the best method to give consumers pertinent information with respect to power consumption. However, real-time feedback feature in a low cost NIALM system is still a big challenge in such technology because of the complication in NIALM’s algorithms. System on Chip (SoC) technology can solve this challenge. Besides including high-speed interconnection and multi-processors, integrating Field-Programmable Gate Array (FPGA) into SoCs may be the most important evolution, which provides developers a powerful tool to develop a low cost but high performance system. Therefore, in this paper we proposed a development of a real-time NIALM system based on the SoC with FPGA acceleration.     

特征保持点云数据精简

由于三维扫描设备采集的点云数据庞大,本文提出了一种特征保持的点云精简方法以在减少冗余数据的同时更好地保持原始曲面的几何特征。首先,利用K均值聚类法在空间域对点云全局聚类,对点云构建K-d树并以K-d树的部分节点作为初始化聚类中心。然后,用主成分分析法估计点云法矢和候选特征点,遍历每个聚类,若类中包含特征点则将该类细分为多个子类,细分时将聚类映射到高斯球。最后,基于自适应均值漂移法对高斯球上的数据进行分类,高斯球上的聚类结果对应为空间聚类细分结果,各聚类中心的集合为精简结果。以多个实物模型为例验证了算法的有效性。结果表明,本文方法精简的点云在平坦区域保留少数点,在高曲率区域保留更多的点。相比于非均匀网格、层次聚类、K均值点云精简法,该方法对包含尖锐特征的曲面精简误差最小,更好地保留了原始曲面的几何特征。     

基于聚类分析的车牌定位算法的研究

提出一种基于数学形态学和均值聚类的实时车牌定位算法,将边缘处理与聚类分析相结合,得到车牌字符的垂直边缘信息,然后通过数学形态学运算处理,结合车牌的多个特征对车牌进行定位,试验证明,该算法准确率高,抗干扰性强.     

P2P网络中的数据挖掘

在分析了现有分布式数据挖掘算法的运行机制和P2P技术具有无中心、不同步等特点的基础上,通过扩展经典K-mean算法的迭代过程,设计了一种能够用于P2P网络的分布式数据挖掘算法。该算法只需要在直接相连的节点间传递数据,并且能使每个节点上的数据按照全局聚类的结果聚合。最后用模拟实验验证了该算法的有效性。     

一种基于K-SVD的说话人识别方法

为了充分提取语音中的个人特征信息,类比矢量量化,提出了一种基于K-均值奇异值分解(K-SVD)的说话人识别方法。利用K-SVD训练得到的字典可较好地保存语音信号中的个人特征信息。利用这一特性,通过K-SVD从训练数据中提取包含说话人个人特征信息的字典,利用该字典实现说话人识别。相对于传统方法,该方法能够更好地利用语音的稀疏性保存语音中的个人特征信息并减小重构误差。实验仿真结果表明,与基于矢量量化的说话人识别方法相比,该方法在多说话人的情况下具有更好的识别率,具有更高的实用价值。     

基于K-均值聚类的神经切片图像功能束类型识别研究

针对周围神经物理切片图像中不同类型的神经功能束染色后显示出的特异性,提出了一种基于K-均值聚类的神经切片染色图像中神经功能束类型识别的方法。首先通过特征分析与提取决定以灰度均值肛和方差σ2作为纹理特征,然后运用本文算法对神经切片染色图像中的不同类型神经功能束进行聚类和识别。通过在人体周围神经组织切片图像上的实验证明,该算法能对神经切片染色图像中的神经功能柬类型进行有效分类识别。     

基于空间相量模型的三相电压暂降扰动特征提取与分类

对暂降扰动进行精准类型识别是电能质量评估和治理的前提。现有暂降特征提取多是对单一扰动数据进行识别分类,采用数学变换法进行特征提取时数据维数高且计算量大。针对这些问题,提出了一种基于三相电压空间相量模型的多级暂降扰动可视化特征提取及分类方法。首先,将三相电压时域波形数据转换为空间相量模型;其次,使用 K-mean算法,将电压降落扰动聚类成平面内可视化的圆或椭圆;最后,利用逻辑回归算法对每一个聚类的圆或椭圆进行特征提取与分类。应用所提方法分别进行了单一扰动和多级扰动识别的仿真实验,结果表明,所提方法能有效识别A、Ca、Cb、Cc、Da、Db和Dc等七类电压暂降扰动。该方法降低了数据维度,减少了模型计算量,避免了对动态过渡过程的检测,降低了错误识别的风险,为多级电压暂降扰动的识别与分类提供了一种有效的辅助手段。     

Detection method for the burst signal in a low SNR

A detection method for the burst signal based on the cepstrum of the power spectrum is proposed to solve the problem of the poor burst signal detection performance in the low SNR environment. First, the maximum value of the spectrum is used as the test statistic and is smoothed by the smooth window. Then, the K-mean clustering algorithm is used to classify the decision to distinguish the signal and the noise. Finally, the detection of the burst signal is completed by the three-state transition based on the length. Simulation results show that the proposed method has a better detection performance and lower computational complexity in low SNR environments.     

基于K-均距异常因子的步态信号异常检测

针对在提取步态特征时,步态信号的有效采样距离短、模式异常多、难以满足周期划分需求的问题,提出了一种基于K-均距异常因子的步态序列异常检测方法.首先,对步态信号进行自适应小波去噪,通过边缘权重因子提取边缘点划分子模式,然后以4个特征值构建四维特征空间和特征子空间来计算异常因子,最后以异常值均值为标准,以步态周期为单位,对步态序列进行筛选.经公开数据集和自采数据集实验,结果证明在步态信号中检测步态周期模式异常的准确性、合理性和有效性.     

复合形退火的随机聚类算法

为了解决传统聚类算法易陷入局部最优解的问题,提出了一种复合形退火的随机聚类算法。该方法通过在聚类过程中设置退火准则,并且将退火过程中的生成复合形部分引入随机化的复合形节点,从而在加速收敛的过程中实现了较低的算法复杂度。理论分析及仿真实验证明,该方法的聚类效果好于传统的K-均值聚类方法,并且计算复杂度比目前基于人工智能的方法低。