基于灰度共生的多线索目标联合优化跟踪

为了提高跟踪算法对多种目标表观变化场景的自适应能力与跟踪精度,提出一种基于灰度共生的多线索目标联合优化跟踪算法。该算法首先提取目标灰度信息,通过灰度共生的高区分度特征对目标进行二元超分描述,结合三阶张量理论融合目标区域的多视图信息,建立起目标的三维在线表观模型,然后利用线性空间理论对表观模型进行双线性展开,通过双线性空间的增量学习更新,降低模型更新时的运算量。通过二级联合跟踪机制对跟踪估计进行动态调整,以避免误差累积出现跟踪漂移。与典型算法进行多场景试验对比,表明该算法能有效地应对多种复杂场景下的运动目标跟踪。     

内燃机振动时频图像的编码特征提取与诊断

针对传统内燃机振动诊断方法在参数选择和特征提取方面的难题,提出一种将S变换和模块二维主成分分析(M-2DPCA)相结合的内燃机故障诊断方法。该方法首先利用S变换将采集到的内燃机缸盖表面振动信号生成振动谱图像;然后通过M-2DPCA对图像矩阵进行模块化处理,利用所有样本子图像构建总体散布矩阵,计算最优投影向量,进行图像特征参数提取;最后,利用最近邻分类器进行分类识别,完成诊断。将该方法应用于内燃机气阀机构8种工况下振动信号的诊断实例中,识别率可达到94.17%,证明了该方法的有效性。     

结合PLS表示与随机梯度的目标优化跟踪

针对实际视觉跟踪中目标表观与前背景的非线性变化,论文提出一种基于偏最小二乘分析(PLS)表示与随机梯度的目标优化跟踪方法。该方法将目标跟踪转化为表示误差与分类损失的联合优化问题。首先,为了提高算法对前背景表观变化的稳定性,利用PLS理论的非线性对目标区域的前背景信息进行表达,并通过空间聚类构造多个线性外观模型来描述目标区域的动态变化,建立带约束条件的表观特征库;然后,提出一种确定性搜索机制,构造联合优化目标函数,使表示误差与分类损失最小化;结合表观建模特点,构建随机梯度分类器,对模型进行增量特征更新,最终实现对目标的稳定准确跟踪。经多场景对比实验验证,该算法能有效应对目标前背景的多种复杂变化。     

结合GLCM与三阶张量建模的在线目标跟踪

为提高目标跟踪算法对多种目标表观变化场景的自适应能力和跟踪精度,论文提出一种结合灰度共生(GLCM)与三阶张量建模的目标优化跟踪算法。该算法首先提取目标区域的灰度信息,通过GLCM的高区分度特征对目标进行二元超分描述,并结合三阶张量理论融合目标区域的多视图信息,建立起目标的三阶张量表观模型。然后利用线性空间理论对表观模型进行双线性展开,通过在线模型特征值描述与双线性空间的增量特征更新,明显降低模型更新时的运算量。跟踪环节,建立二级联合跟踪机制,结合当前时刻信息通过在线权重估计构建动态观测模型,以真实目标视图为基准建立静态观测模型对跟踪估计动态调整,以避免误差累积出现跟踪漂移,最终实现对目标的稳定跟踪。通过与典型算法进行多场景试验对比,表明该算法能够有效应对多种复杂场景下的运动目标跟踪,平均跟踪误差均小于9像素。     

基于振动时频图像全局和局部特征融合的柴油机故障诊断

提出了一种基于振动时频图像全局和局部特征融合的柴油机故障诊断方法。采用平滑伪维格纳分布(SPWVD)方法生成柴油机振动时频图像,分别用核主元分析(KPCA)和局部非负矩阵分解(LNMF)方法提取时频图像的全局和局部特征进行融合,并用独立分量(ICA)分析方法对融合后的特征进行降维,对降维后的融合特征进行分类完成对柴油机的故障诊断。试验结果表明,基于振动时频图像全局和局部特征融合的柴油机故障诊断方法,能够准确诊断柴油机的气门故障。     

考虑应力梯度效应的多轴疲劳寿命预估方法研究

针对局部应力应变法在多轴缺口件疲劳寿命研究中未考虑应力梯度的问题,提出了考虑等效应变、非比例附加强化和应力梯度效应的多轴疲劳损伤参量.考虑剪应力和正应力梯度效应对材料疲劳损伤的影响,引入综合反映剪应力和正应力共同作用的等效应力梯度因子;基于Von Mises等效应变准则,结合Man-son-Coffin方程,建立了一种考虑缺口件临界面上应力梯度效应的寿命预估模型方法,并且使用航空材料GH4169试件进行试验验证.结果表明,考虑应力梯度效应的多轴疲劳寿命预估方法的预测结果优于局部应力应变法.     

基于偏最小二乘特征表示与分类的联合优化目标跟踪

针对实际视觉跟踪中目标表观与前背景的非线性 变化,提出一种基于偏最小二乘(PLS)表示与 分类联合优化的目标跟踪方法,将目标跟踪转化为表示误差与分类损失的联合优化问 题。首先,为了提高算法对前背景表观变化的稳定性,利用 PLS理论的非线性对目标区域的前背景信息进行表达,并通 过空间聚类构造多个线性外观模型描述目标区域的动态变化,建立带约束条件的表观特征 库;然后,提 出一种确定性搜索机制,构造联合优化目标函数,使表示误差与分类损失最小化;结合表观 建模特点,构 建随机梯度分类器(SGC),对模型进行增量特征更新, 最终实现对目标的稳定准确跟踪。 经 多场景对比实验验证, 本文算法能有效应对目标前背景的多种复杂 变化。     

基于KVMD-PWVD与LNMF的内燃机振动谱图像识别诊断方法

为了直接对内燃机振动谱图像进行诊断识别,提出一种基于改进变分模态分解(VMD)、伪魏格纳时频分析(PWVD)与局部非负矩阵分解(LNMF)的内燃机振动谱图像识别诊断方法。该方法首先针对VMD分解过程中的层数选取问题,提出了一种中心频率筛选的VMD分解层数改进方法(KVMD),然后将内燃机振动信号利用KVMD分解成一组单分量模态信号,并对生成的各个单分量信号进行伪魏格纳分析处理后表征成振动谱图像;在此基础上,对生成的内燃机KVMD-PWVD振动谱图像分别采用非负矩阵分解(NMF)和LNMF形成编码矩阵,并采用最近邻分类器、朴素贝叶斯分类器和支持向量机对上述编码矩阵直接进行模式识别,以实现内燃机振动谱图像的自动诊断。最后,将该方法应用在内燃机故障诊断实例中,结果表明:该方法改进了传统图像模式识别中的特征参数方法,能有效诊断出内燃机气门间隙故障,三种分类器识别精度均大于93%,其中支持向量机的分类精度最高,达到99.8%,且采用LNMF形成的编码矩阵识别精度整体高于NMF,为内燃机振动诊断探索了一条新途径。