基于正交最小二乘学习算法的径向基函数网络设计

利用正交最小二乘（ＯＬＳ）方法给出径向基函数网络（ＲＢＦＮ）中心的选择算法；用ＯＬＳ学习算法选择ＲＢＦＮ中心，基本思想是以ＯＬＳ算法导出的误差下降速率指标为依据，按照每个正交向量对误差下降速率的贡献大小，依次选取作为网络的中心向量，所得到的网络不但具有唯一性，而且还有最少的中心数目；给出应用实例，实例说明，生成的网络规模小、速度快、而且能够避免数值病态情况的发生。     

用于过程软测量的多小波网络

提出了一种用于系统建模的多重小波网络，给出了网络的结构，结合偏最小二乘法的网络构造方法，最后用于辨识非线性系统和建立过程软测量模型。该方法通用性好、精度高和鲁棒性强，仿真研究表明，方法有效、可行。     

基于多传感器信息融合的汽车衡误差补偿

传统的汽车衡误差补偿方法是通过反复调节接线盒中电位器,调整每路称重传感器通道增益实现的,过程繁琐、称重结果准确度低.介绍了汽车衡称重原理,分析了称量误差产生的原因,确定了误差模型,以多路称重传感器信号为输入,提出了基于径向基函数神经网络多传感器信息融合误差补偿方法,建立了融合模型,给出r融合模型的训练算法.这种误差补偿方法建模方便,训练简单,克服了汽车衡在加工、安装过程中产生的内应力、机械形变、尺寸误差和传感器灵敏度分散性、传感器线性度误差等因素对称量结果的影响,准确度高.现场检定表明,采用这种补偿方法的汽车衡称重误差小,优于国家标准规定的三级秤指标.     

基于频域融合的氧量软测量

本文提出将给煤量信号和DEB热量信号组成一个信息融合对,通过构造互补FRF对进行频域信息融合,解决了热量信号测量快速性和淮确性的矛盾,得到性能优良的煤粉低位发热量修正信号,提高了氧量软测量的准确性和快速性。通过仿真对比,改进的氧量软测量模型能够更好的反映实际氧量的变化。     

基于数据驱动的发电机组软测量建模方法优化研究

针对发电机组中部分难测准参数的软测量及已测量参数的准确性校验等应用问题,提出了融合广义神经网络(GRNN)和B样条偏最小二乘回归(PLSR)各自优势的数据驱动软测量建模新方法NN-PLS。该方法先采用了GRNN对由机理分析初步选定的建模变量预建模,考察了各参变量对因变量的平均贡献率,并筛选得出了主要建模参数,然后采用B样条PLS对筛选后的变量建模,从而得出了简化、可靠的模型,最后以联合循环电厂的实测数据为样本进行了建模。研究结果表明,NN-PLS方法对不同工况下测量参数拟合准确、精度高、模型泛化能力强,同时由于该模型需要保存的参数相对较少,更适合作为解决上述在线问题的模型。     

基于改进RBF神经网络的非线性时间序列预测

本文基于一种改进的径向基函数(RBF)神经网络,进行了非线性时间序列的在线预测研究.该RBF网络通过次胜者受惩算法(RPCL)根据样本信息合理调节隐层中心,通过递归正交最小二乘算法(ROLS)更新网络输出层的连接权重.算法学习速率较快,从而提高了网络的实时性能.仿真结果表明该学习算法的实用性和有效性.     

基于CPSO与LSSVM融合的发酵过程软测量建模

发酵过程是一个复杂的时变、非线性、强耦合过程.发酵过程中的关键参量菌体浓度通常难以用传统物理传感器实时在线检测.为了测量该参数,将CPSO算法与LSSVM相结合构建发酵过程软测量模型.模型采用CPSO算法优化LSSVM软测量模型参数,克服了常规交叉验证法选取参数的耗时和盲目性.仿真结果表明,CPSO-LSSVM软测量模型较LSSVM软测量模型更能在较短的时间内获得较高的收敛精度,其平均误差为2.05％,说明该软测量模型可用于发酵过程不可在线测量的菌体浓度的实时在线软测量,并且预测精度高,预测速度快,预测能力强.该软测量建模方法也为发酵过程其他关键参量的实时在线测量提供了新的途径.     

基于最小二乘原理的多传感器加权融合算法

以存在随机扰动环境中的不同参数多传感器为研究对象，基于最小二乘原理，提出了一种加权融合算法，推导出各传感器的权系数与测量方差的关系。并且根据测量信息，提出了一种方差估计学习算法，实现对各传感器测量方差的估计，从而对各传感器的权值进行合理的分配。该算法简单，能快速、准确的估计出待测物理量的状态信息。     

基于特征提取的三角网格模型区域分割算法研究

提出了一种基于特征提取的区域分割的模型简化算法,采用相邻三角形的法矢夹角与预先设定的角度阈值相比较,进行特征的提取,用区域生长法进行非特征区域的划分,获得了特征区域数据。通过与单个角度阈值特征提取的区域分割算法进行比较,对分割后的区域进行最小二乘曲面拟合。结果表明,该区域分割法得到的曲面拟合后误差更小。     

基于信息熵融合提取特征的发动机气路分析

针对航空发动机多源信息冗余的健康参数估计问题,提出基于信息熵融合的特征提取方法,将其用于涡轴发动机气路分析中。分别采用近似熵和互信息熵2种方法分析不同故障模式下传感器参数,对特征信息进行融合提取,根据2种信息熵不同特点将每种故障模式下传感器参数分成强、弱2类,利用弱特征信号构建虚拟传感器,最后通过简约强特征信息和虚拟传感器信息解决最小二乘支持向量回归机的样本稀疏性问题,实现健康参数蜕化估计。仿真结果表明采用信息熵融合的特征提取方法有效地减少了输入参数维数,简约了特征样本,从而提高了发动机健康估计能力。     

基于循环提取有效信息的主轴承故障特征增强方法

针对航空发动机主轴承发生故障时特征信息提取不充分的问题,提出一种基于循环提取有效信息的主轴承故障特征增 强方法。 该方法首先对原始振动信号进行小波包分解,计算得到各个节点分量的相关系数值和峭度值,将其进行归一化融合为 一个综合参数 Pi;其次根据特征信息循环提取准则定义一个置信区间,该区间将所有节点分量划分为高信噪比信号、低信噪比 信号和高噪信号 3 个部分;然后不断筛选出高信噪比信号直至达到终止条件;最后重构所有高信噪比信号,并进行包络解调提 取出轴承微弱故障特征。 经仿真信号验证,去噪信号的信噪比相对于去噪前提升了 11. 31 dB。 基于航空发动机中介轴承模拟 试验台所测数据开展了特征信息循环提取方法有效性的综合验证,并对某型航空发动机主轴承振动信号进行了分析。 实践表 明:该方法适用于强背景噪声干扰工况下滚动轴承的特征提取,能准确诊断航空发动机主轴承故障。     

多模态特征融合与多任务学习的特种视频分类

特种视频(本文特指暴力视频)的智能分类技术有助于实现网络信息内容安全的智能监控。针对现有特种视频多模态特征融合时未考虑语义一致性等问题,本文提出了一种基于音视频多模态特征融合与多任务学习的特种视频识别方法。首先,提取特种视频的表观信息和运动信息随时空变化的视觉语义特征及音频信息语义特征;然后,构建具有语义保持的共享特征子空间,以实现音视频多种模态特征的融合;最后,提出基于音视频特征的语义一致性度量和特种视频分类的多任务学习特种视频分类理论框架,设计了对应的损失函数,实现了端到端的特种视频智能识别。实验结果表明,本文提出的算法在Violent Flow和MediaEval VSD 2015两个数据集上平均精度分别为97.97%和39.76%,优于已有研究。结果证明了该算法的有效性,有助于提升特种视频监控的智能化水平。     

基于频域分解的房间冷负荷建模及软测量技术

准确的实时冷负荷是空调运行过程节能的基础,传统的冷负荷计算方法复杂费时,无法满足实时调控的要求。软测量是一种先进的方法,但由于房间冷负荷无法直接测量,因此基于样本数据无法实现软测量模型的参数辨识。针对冷负荷软测量技术的这一瓶颈问题,通过冷负荷的机理分析与建筑能耗仿真软件模拟数据的分析,发现冷负荷在频域中集中分布在以一天为周期的频率点及其二次三次谐波上,利用冷负荷这一频域特性本文提出了一种基于房间温度响应的冷负荷实时软测量技术。该方法通过频域分解,选择不含冷负荷的频域段进行蓄热过程的参数辨识,从而避开了辨识过程对无法实测的实时冷负荷真实值的依赖。基于可测的空调供冷量、房间温度和辨识得到的蓄热系数,就可以利用房间热平衡方程进行冷负荷建模并实现其软测量。通过在建筑能耗仿真平台上的仿真及实际房间的实测实验表明,该方法可以快速有效地实现房间实时冷负荷的软测量,相对于基于机理分析或软件计算的方法更具实用性,同时本方法也为其他难测变量的软测量技术提供了借鉴思路。     

基于Wedgelet的CT体数据线特征提取

线特征是描述CT体数据的重要特征之一,是基于工业CT逆向设计的重要基础。该文通过分析单尺度下Wedgelet的组成及相互间的联系,得到一种快速Wedgelet分解方法。以此为基础,考虑到CT体数据中的大部分线特征并不是以独立的形式存在,而是以不同灰度区域相连形式存在的客观事实,提出一种基于Wedgelet的CT体数据线特征提取方法。首先将体数据按3个相互垂直的方向进行切片划分;然后对每组切片序列图像进行基于多尺度Wedgelet分解的线特征提取;最后对3个方向的线特征进行融合,从而得到CT体数据的线特征。实际数据的数字实验结果表明,该方法能有效地提取出CT体数据中的线特征。     

基于DBN的故障特征提取及诊断方法研究

随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。     

基于CAD技术实现工业零部件图像直线特征提取

针对工业零部件序列图像量测与重建中的线特征提取问题,提出了一种以CAD设计数据为引导,高精度检测图像中直线的数学模型.以三维计算机辅助设计(CAD)数据为基础,通过求解CAD三维直角坐标系与图像坐标系间的参数转换关系,将物方线特征投影至图像上,得到图像线特征初值范围.利用自适应最小二乘模板匹配提取出边缘点序列,对生成的...     

基于信息融合的钢包精炼炉元素收得率预报

为提高元素收得率的预报精度,针对元素收得率主要影响因素无法及时获得的问题,提出一种基于信息融合的预报方法。该方法对原始数据层与特征层分别进行融合操作。在原始数据层,首先将相关性较为明显的可测变量按照机理进行结合,然后使用基于改进遗传算法的特征构建方法对由可测变量与结合变量组成的变量集合进行融合,使融合后的特征作为元素收得率主要影响因素的评价指标。在特征层,使用自适应神经-模糊推理系统对构建后的特征进行融合,从而得到元素收得率预报模型。将此方法应用于Q345B钢种Si、Mn元素收得率的预报,实验结果表明所提出的方法不仅可以满足生产要求,而且比其他预报方法有更高的预报精度。     

一种基于敏感分量融合的液压泵退化特征提取方法

液压泵退化特征提取是实现故障预测的关键环节。在液压泵性能退化过程中,其振动信号复杂度高、非线性强,难以有效地提取退化特征,为此,本文提出一种基于敏感分量融合的退化特征提取方法。采用改进局部特征尺度分解（ILCD）方法对振动信号进行分解,并利用贝叶斯信息准则与所构建的敏感因子,对内禀尺度分量进行筛选,以减少干扰分量的影响,得到敏感分量,有效抓取特征信息;在此基础上,引入离散余弦变换代替传统复合谱分析中的傅里叶变换,提出离散余弦变换-复合谱（DCS）算法,以解决信息遗漏问题,并利用DCS对敏感分量进行融合,提取复合谱熵作为退化特征,以提高对退化过程的表征能力;最后,通过对液压泵性能退化试验实测振动信号的应用分析,验证了该方法的有效性。     

3D-FLIT及其在工业CT体数据线特征提取中的应用

目的：特征检测是工业CT体数据处理中的重要问题,线特征是其重要特征之一,其检测效果将直接影响模式识别和分类。方法：有限线积分变换（finite line integral transform,简称FLIT）作为近年来新出现的一种多尺度几何分析方法,尤其适合于描述2D图像的线性奇异性。文中在2D-FLIT的理论基础上,将其推广到3D的情形,并结合图像融合和数学形态学的方法提出了两种基于FLIT的提取工业CT体数据中线特征的方法：一种是直接对工业CT体数据整体进行线特征的提取（3D-FLIT提取方法）;一种是先对工业CT体数据按某个方向进行切片划分,再对每张切片进行线特征的提取（2D-FLIT提取方法）。结果：实验表明,与小波的方法相比,上述两种方法能有效地提取体数据中的线特征。结论：该文的方法能对工业CT体数据中的线特征进行有效提取,为后续相关的数据处理（如逆向工程）打下坚实的基础。