Using neural networks to select wavelet features for breast cancerdiagnosis

This study focuses on improving microcalcification classification by establishing an efficient computer-aided diagnosis system that extracts Daubechies-4 and biorthogonal wavelet features. These wavelets were chosen because they have been used in military target recognition and fingerprint recognition research with images characterized by low contrast, similar to mammography. Feature selection techniques are employed to further increase classification performance. The artificial neural network feature selection techniques are complemented by a conventional decision boundary-based feature selection method. The results using the wavelet features are compared to more conventional measures of image texture, angular second moment, and Karhunen Loeve coefficients. The use of alternative signal processing to compare wavelet and neural techniques allows for a measure of the problem difficulty. It is concluded that advances and contributions have been made with the introduction of two novel feature extraction methods for breast cancer diagnosis, wavelets and eigenmasses. Additionally, feature selection techniques are demonstrated, compared, and validated, transforming adequate discrimination power into promising classification results     

基于MODWPT与LFDA的模拟电路故障诊断

在模拟电路故障诊断过程中,存在故障特征信息提取不充分以及特征信息冗余的问题,对此,提出一种基于最大重叠离散小波包变换(MODWPT)与局部Fisher判别(LFDA)的模拟电路故障诊断方法。该方法中,首先利用MODWPT进行模拟电路原始信号处理与故障特征提取;随后,针对高维特征集中存在冗余信息,不利于模式识别与分类,利用LFDA方法进行降维,获取更有益于故障模式识别的低维特征集;最后,支持向量机(SVM)作为故障模式识别分类器,在此基础上构建模拟电路故障诊断模型。电路仿真实验结果表明,所提出方法的最大故障诊断准确率可达99.17%,从而验证了所提方法的有效性。     

基于时频分析与分形理论的GIS局部放电模式识别特征提取方法

识别局部放电(PD)的缺陷类型是评估电气设备绝缘状况的一项重要指标,通过特高频传感器(UHF)可获取局部放电信号.然而,传统的基于统计参数的信号特征提取方法存在高维数和无效信息过多的缺点,该文提出了一种基于时频分析和分形理论的气体绝缘组合电气(GIS)局部放电模式识别特征提取方法.首先利用小波变换对局部放电信号获取能量...     

一种基于Morlet小波分析与神经网络技术的局部放电识别方法

小波变换技术适合电机局部放电的模式识别,笔者从一个新的角度来描述了局部放电信号的特性。研究表明,用Morlet小波变换三维分布图计算出的特征参数可以区分空气中的尖尖放电、尖板放电和沿面放电。理论和仿真实验分析表明,小波变换三维分布图提取的特征参数可以作为识别局部放电的新特征量,这些特征量作为人工神经网络的输入量可单独使用也可结合其它方法使用。     

基于四元数局部排序二值模式特征的行人识别

行人特征提取是行人识别中关键步骤之一。传统的做法是分别从彩色图像的每个颜色通道（即R、G、B通道）中提取特征描述子（如方向梯度直方图（HOG）、局部二值模式（LBP）等）,最后合并成一个特征向量。传统方法不足之处在于难以兼顾不同颜色通道之间的关联信息。为此,采用四元局部排序二值模式(QLRBP)运算方法从彩色图像中提取局部特征描述子。与传统方法不同的是,该方法是一种整体的方法,是在彩色图像的四元数表示空间而非3个颜色通道中分别提取LBP特征。首先,将从车载摄像头中采集的彩色图像通过四元数转换获得其四元数表示;然后,对四元数空间中图像进行CTQ变换,并计算变换后的图像相位;最后,在每个四元数相位上进行LBP运算,并生成行人彩色图像的局部特征描述子。QLRBP能够同时处理所有的颜色通道,因此能够同时包含三通道之间的关系。在行人判定方法上,本文首先提取所有正负样本的QLRBP特征,并使用K-最近邻(K-NN)算法训练分类器。在INRIA数据库上测试表明,QLRBP描述子对于彩色行人的检测比其他常用的特征描述子（如HOG特征,LBP特征）具有更高的精确度,性能接近当前先进的行人识别方法。     

几种特征选择方法在局部放电模式识别中的应用

局部放电模式识别的输入特征量选择是非常关键的步骤。针对油纸绝缘中5种典型局部放电类型,从其相间局部放电（PRPD）谱图中提取出31个统计算子。分别运用K-W检验、类内类间距离比、顺序前进法以及遗传算法等4种方法对这些算子进行了选择优化。分别用这些选取的特征量组合作为输入向量,通过BP神经网络这个统一的模式识别技术来比较研究这4种特征选择方法,结果表明,顺序前进法和遗传算法由于考虑了特征量之间的相关性,所选择的特征量优于另外2种方法。     

基于 KPCA-SVM 的表面肌电信号疲劳分类研究

为了提高手臂疲劳模型识别的准确率,本研究在常用时域、频域特征的基础上,引入了时频域、非线性和参数模型特征,提取3通道的表面肌电信号,构成特征集合.特征降维一般分为特征提取以及特征选择,分别采用特征提取中的主成分分析(PCA),核主成分分析(KPCA)方法以及特征选择中的互信息(MI)度量方法进行特征降维,采用支持向量机(SVM)和K近邻(KNN)作为分类器,通过3种降维方法分与SVM和KNN的不同组合构成疲劳分类模型.结果 表明,KPCA与SVM的组合模型对于疲劳的正确识别率最高达到99％,高于其他组合算法.     

基于GA和ELM的电能质量扰动识别特征选择方法

电力系统中海量暂态扰动的分析与治理需要以高效准确的扰动分类为基础。现有扰动识别方法缺少合理的特征选择环节,分类器过于复杂,不能满足高效分类的需要。提出一种新的电能质量扰动特征选择方法。首先,对原始信号使用S变换进行预处理,提取具有代表性的25种扰动信号特征构建原始特征集合;然后,根据极限学习机识别准确率构造用于扰动特征选择的遗传算法适应度函数;最后,用遗传算法来进行迭代运算,确定最优特征集合。实验证明,新方法能够有效去除冗余特征,在保证分类准确率前提下,有效降低分类器复杂度,提高分类效率。     

基于宽带检测的局放脉冲波形快速特征提取技术

根据电工设备绝缘存在多局放的工况,提出研制基于单个脉冲的局放宽带检测与模式识别在线监测系统.并指出研制该系统需要解决脉冲群快速分类这一关键技术,其由脉冲波形的快速特征提取以及基于波形特征的快速聚类分析组成.本文针对100Ms/S采样率获取的宽带脉冲波形、-时间序列,提出分别使用幅值参数法、等效时频法和时频熵法对局放脉冲波形的特征参数进行提取.在对人工设置的多局放源产生的脉冲群数据进行波形特征提取后,使用模糊聚类对脉冲群波形特征提取结果进行了对比分析.结果表明:三种波形特征提取方法均能在一定程度上很好地分离干扰源而提取出局放数据.GIS母线尖刺缺陷的试验数据处理同样证实了该技术的有效性和可行性.这为研制基于单个脉冲的宽带局放检测与模式识别在线监测系统提供了实用的脉冲波形快速特征提取技术.     

特定辐射源个体识别算法研究

针对特定辐射源个体识别(specific emitter identification,SEI)方法,指纹特征提取需要复杂公式演算推理,特征差异小、提取困难,提取后特定辐射源个体识别正确率低的问题,提出一种基于密集连接结构与注意力机制的特定辐射源识别算法,称之为特定辐射源识别网络(specific emitter identification network,SEIN).首先使用包络提取算法提取含噪声较少的辐射源信号包络,得到含有丰富指纹特征的包络图,进而进行SEIN指纹特征的提取及个体识别.实验结果表明,SEIN可达到95.12％的分类识别效果,具有准确率高、指纹特征提取自动化特点,最终较好实现了复杂环境下特定辐射源个体识别.     

基于WAMS量测数据的电网扰动和操作类型识别

阐述了基于广域测量系统(WAMS)量测数据和模式识别方法进行电网扰动和操作类型识别的过程,主要包括基于联络线的扰动和操作区域判定、WAMS量测数据的预处理、模式特征的提取以及模式匹配.在模式特征的提取过程中,针对分析得到的不同类型扰动和操作的特征,采用了更多的电气特征量,并总结了相关的特征提取方法,提高了可识别性.采用...     

小波和能量特征提取的旋转机械故障诊断方法

转子系统和轴承是旋转机械中的关键零部件,其长期处于高速、满负荷运行极易出现故障。基于振动信号处理的诊断方法具有可在线、实时诊断的特点,针对频谱分析对非线性振动信号故障特征提取的不足,研究小波包对振动信号进行特征提取。由于传统软、硬阈值量化方法在阈值处分别存在恒定偏差和不连续的问题,设计了一种参数可调的改进连续函数对阈值进行量化。系统首先对振动信号进行小波包分解与去噪,然后采用小波包能量特征提取方法完成对旋转机械的转子不平衡故障、不对中故障、转子动静碰摩故障进行有效诊断。测试结果表明,轴承出现不同故障时,通过小波包分解后不同子带能量的不同,可用模式识别方法有效进行故障识别。     

基于IFS的局部放电超声信号的数据压缩和模式识别

变压器局部放电超声信号具有连续不可导和非平稳的特性 ,通过仿射变换建立其分段自仿射IFS (IteratedFunctionSystem)。利用该方法一方面实现局部放电信号数据的压缩 ;另一方面提取IFS分形参数 ,包括IFS分形维数和空缺率 ,为局部放电模式识别提供新的特征参数 ,两者同时进行 ,为实现局部放电在线监测提供一种新的工具。同时进一步把IFS分形参数作为特征参量输入人工神经网络对放电模式进行识别 ,结果表明了利用超声波信号进行局部放电模式识别的有效性。     

基于深度学习的PRPD数据特征提取方法

气体绝缘金属封闭开关设备(Gas Insulated Switchgear,GIS)局部放电(Partial Discharge,PD)的传统特征提取具有依赖专家经验、盲目性高、识别率低的缺点,文中将局部放电PRPD数据转变为灰度图,利用卷积神经网络强大的特征自适应提取能力提取灰度图的辨识特征,并将特征应用于经典分类器如SVM、随机森林,BP神经网络等,实现深度学习方法和传统机器学习方法的有效融合。实验表明,该方法提取的特征具有更高的辨识度,可以有效提升局部放电模式识别的准确率。     

基于MPE局部保持投影与ELM的螺旋锥齿轮故障诊断

针对工业工程各领域广泛应用的螺旋锥齿轮振动信号受环境噪声干扰大,出现故障时信号呈现非线性、非平稳特性,故障特征信息微弱,故障特征提取难、诊断效率低的难题,提出一种基于多尺度排列熵(multi-scale permutation entropy,MPE)-局部保持投影(locality preserving projections,LPP)与极限学习机(extreme learning machine,ELM)的螺旋锥齿轮状态识别方法。首先,构造MPE作为原始高维特征矢量;然后使用LPP对原始高维特征矢量降维,获得最优低维敏感特征矢量,挖掘并保留高维特征矢量的非线性结构特点;最后将所得敏感特征量输入ELM进行识别诊断。该方法应用于3种转速下4种故障状态螺旋锥齿轮的诊断中,并与基于MPE-PCA-ELM与MPE-ELM进行对比识别,结果有效地证明了方法的准确性和优越性。     

基于D-S证据组合规则的双模型融合局部放电模式识别方法

针对传统的局部放电模式识别存在的特征提取单一、识别准确率低等缺点,提出了一种基于D-S证据组合规则的双模型融合局部放电模式识别方法.根据基于相位信息的局部放电(PRPD)谱图的统计数据特征和图像特征的特点,分别建立了反向传播(BP)识别模型和卷积神经网络(CNN)识别模型.根据2个识别模型的识别结果,提出了基于信息熵改进的D-S证据组合规则以解决常见的悖论问题,基于此建立了判定模型,更好地融合了2个识别模型的输出结果,实现了2种特征识别的优势互补.根据实际数据测试,与单一模型对比,所提方法可以稳定、准确地识别局部放电模式.     

基于振动信号区间特征快速提取的断路器储能状态辨识方法

针对断路器伴随振动信号分析故障的特征提取费时、实时性差无法用于在线监测问题,提出一种基于快速提取区间特征的断路器储能状态辨识方法.首先由峭度-小波模极大值检测断路器储能状态起始点,将振动信号通过KS检验标记包络幅值差异明显区间,然后提取信号包络和作为特征向量,采用ReliefF-SFS方法对特征进行筛选降维得到最优特征...     

基于最优小波包的水轮发电机组振动信号特征提取方法

水轮发电机组振动信号的在线监测是实现机组状态检修方法的关键。在分析了水轮发电机的机组振动信号特征后,提出采用db1小波进行振动信号的特征提取,在信号分析中主要应用shannon熵。小波包的构造是基于函数空间的正交剖分;最佳小波包基的选择就是应用最优的分解方法和有效的算法寻找出最小熵标准;给出了机组振动信号特征提取的步骤。根据所构造的最优小波包对机组振动信号进行分解并运用能量特征提取分析方法对机组振动信号进行特征提取。