基于置信规则和证据推理的超声检测缺陷识别

为解决超声检测缺陷精确识别问题,综合运用检测数据和专家知识,研究一种基于置信规则库(belief-rulebase,BRB)和证据推理(evidential reasoning,ER)进行超声检测缺陷识别的方法。提出一种融合多种特征信息的BRB-ER缺陷识别模型,利用最小均方误差算法进行模型初始参数的优化,从而提高缺陷识别的准确性。通过超声检测手段获取某航空材料的缺陷数据,并对所提出识别方法进行验证。试验结果显示:该方法能够准确地进行缺陷识别,并可根据已有的产品缺陷类型进行训练,建立更加准确的缺陷识别模型。     

基于可靠度和一致强度的冲突证据组合算法

考虑到利用无线传感器网络对天然气管道进行泄漏监控时,不同传感器节点的诊断结果之间会发生冲突,致使直接利用Dempster-Shafer (D-S)组合规则或其修正组合规则进行冲突证据组合的方法难以让汇聚节点做出正确决策,为此提出了一种基于可靠度和一致强度的冲突证据组合算法--CECARCI.该算法首先利用各监测节点的可靠度对证据集进行预处理,减小不可靠证据对组合结果的影响,然后通过对所有证据进行整体分析,引入了证据一致强度和基元支持度,调整证据组合时的次序,并以合理的权重来分配证据间的冲突.算例实验结果表明,相比于D-S组合法则、Yager组合法则和Murphy组合法则,CECARCI算法可获得收敛性更好的组合结果.     

红外小目标的证据理论识别方法

提出了一种红外序列图像中小目标的Dempster-Shafer(DS)证据理论识别方法。DS证据理论在图像融合中存在两个实际问题:一是经典的DS证据理论组合算子在处理高冲突信息时会产生违反常理的结果,二是如何将图像特征转化为证据理论中各个命题的基本概率指派。针对这两个问题,引入证据距离,改进证据组合公式,解决了高冲突证据下的信息融合问题,保证了融合算法的可靠性;运用模糊逻辑,求出了图像中各像素隶属于目标的基本概率指派。对实际的红外序列图像运用改进的公式进行像素级融合,并根据最大概率准则确定出图像中的小目标。实验结果表明,新方法更为有效、可靠,识别错误率可降低到6.14%。     

A hierarchical data fusion method for detection of the leak of gas pipelines based on wireless sensor network

为提高利用无线传感器网络( WSN)监测天然气管网泄漏的准确性和可靠性,提出一种小波支持向量机( SVM)和证据理论相结合的层级式数据融合算法.该算法利用小波变换方法对原始信号进行数据级消噪处理,并提取对1泄漏敏感的特征参数;建立SVM多分类器模型,以特征参数作为输入向量在普通节点处进行泄漏检测特征级融合;采用改进的证据组合规则,在Sink节点处进行决策级证据组合,得到管网状态的最终决策.实验结果表明,该方法可有效地提高泄漏源位置检测的正确率,降低检测过程中的漏检率和误警率.     

基于数据融合的红外目标识别

为了获得良好的红外目标识别性能,综合应用了图像处理、模式识别和数据融合领域内的新技术.采用了神经网络和证据理论集成的数据融合方法进行目标识别的数据融合.根据LVQ神经网络在目标识别领域内应用特点,构造了基于证据理论的基本概率赋值函数.对此目标识别技术进行了测试,结果表明,采用此技术后的识别的可信度得到了较大提高.     

分类算法在纹理识别研究中的应用

本文将机器学习中最常用的两种分类算法——K近邻法和支持向量机应用到纹理识别的研究中,以Oumx、Brodatz以及CUReT三个公共纹理库中的纹理图像为研究对象,分别使用K近邻法、支持向量机算法进行纹理识别实验,并对最终的识别结果做了分析与比较。综合三个纹理库的识别结果,我们发现相较于K近邻法,支持向量机的识别效果较好,能够较准确的实现对纹理图像的识别。     

小波包分形与支持向量机在水声目标识别中的应用研究

水声目标分类识别是公认的水声信号处理难题,船舶辐射噪声是一种非线性非平稳信号,具有一定的混沌特性,更好地认识船舶辐射噪声的非线性性质,有助于更好地寻找有效的水声目标检测及识别算法。为了解决水声目标的分类识别问题,提出了利用小波包分形和支持向量机组合进行水声目标识别。利用小波包分解得到目标辐射噪声不同频带内信号分形维数作为特征矢量,并输入到支持向量机实现目标分类,实验结果表明,小波包分形和支持向量机的结合有比较好的分类识别效果,有一定的实际应用价值。     

基于改进加权D-S信息融合的结构多损伤位置识别

将信息融合技术中的D-S证据融合理论应用于结构的多损伤定位问题,为了解决证据融合理论中的不同证据应具有不同的重要性的问题,提出了一种新的加权证据调整的方法。这种方法利用加权平均值和优先权的证据分布形态对证据进行了加权调整,调整后的证据保证了加权平均值不变以及优先权证据分布形态的稳定。仿真结果表明,采用了证据融合方法的多损伤定位,可以产生比单一信息源更精确、更完全的估计和判决,而基于改进加权证据融合技术具有更好的对多损伤定位的识别,优于基本D-S证据组合方法以及其它加权证据组合方法。     

改进证据理论及其在电力系统故障诊断中的应用

 针对D-S证据理论中高度冲突的证据难以融合的问题,提出一种基于海明距离的证据合成规则.首先根据冲突系数的大小判断证据冲突程度,利用海明距离确定的相似度区分每条证据,并赋予权重,然后对原始基本信度分配函数进行重新分配,最终得到更加合理的合成结果.将该数据融合方法用于电力系统的故障诊断实例中,表明该方法合理有效,计算结果更符合实际.     

区域特征耦合DS证据理论的图像融合算法

目的提高融合图像视觉质量。方法提出区域多特征与改进的DS证据理论规则的聚焦图像融合算法。首先,引入二代Curvelet变换,对源图像进行分解,获取图像的粗尺度系数、细尺度系数;然后,根据区域中粗尺度系数的绝对值,构造最大值融合规则,完成粗尺度系数的融合;再联合区域方差、信息熵以及区域能量等特征,提取细尺度层的区域特征,并通过定义概率约束条件,改进DS证据理论的融合规则,增强DS合成规则的可信度,对图像的细尺度系数进行有效融合,使得融合图像保留更多的细节信息;最后,通过逆Curvelet变换完成图像的融合。结果与当前的图像融合算法相比,在对聚焦图像融合时,文中算法的融合图像具有更丰富的细节信息,其视觉质量更高,且融合时耗较短。结论所提算法考虑了像素之间的互相关性,进一步优化了图像融合质量,可用于遥感探测与包装印刷检测等领域。     

ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network

Underwater target recognition is a key technology for underwater acoustic countermeasure. How to classify and recognize underwater targets according to the noise information of underwater targets has been a hot topic in the field of underwater acoustic signals. In this paper, the deep learning model is applied to underwater target recognition. Improved anti-noise Power-Normalized Cepstral Coefficients (ia-PNCC) is proposed, based on PNCC applied to underwater noises. Multitaper and normalized Gammatone filter banks are applied to improve the anti-noise capacity. The method is combined with a convolutional neural network in order to recognize the underwater target. Experiment results show that the acoustic feature presented by ia-PNCC has lower noise and are well-suited to underwater target recognition using a convolutional neural network. Compared with the combination of convolutional neural network with single acoustic feature, such as MFCC (Mel-scale Frequency Cepstral Coefficients) or LPCC (Linear Prediction Cepstral Coefficients), the combination of the ia-PNCC with a convolutional neural network offers better accuracy for underwater target recognition.     

一种基于VGGish神经网络的水声目标识别方法

水声目标智能识别是水声装备智能化的重要组成部分,深度学习则是实现水声目标智能识别的重要技术手段之一。当前水声目标智能识别经常面临数据集较小带来的训练样本量不足的情况,针对小数据集识别中存在的因过拟合导致模型泛化能力不足,以及输入的水声信号二维谱图样式不统一的问题,文章提出了一种基于VGGish神经网络模型的水声目标识别方法。该方法以VGGish网络作为特征提取器,并在VGGish网络前部加入了信号预处理模块,同时设计了一种基于传统机器学习算法的联合分类器,通过以上措施解决了过拟合问题和二维谱图样式不统一问题。实验结果显示,该方法应用在ShipsEar数据集上得到了94.397%的识别准确率,高于传统预训练-微调法得到的最高90.977%的准确率,并且在相同条件下该方法的模型训练耗时仅为传统预训练-微调方法的0.5%左右,有效提高了识别准确率和模型训练速度。     

基于双信号对比法的水声信号重构技术

针对水声信道的多途干扰问题,提出了一种适合同态系统的信号重构方法。从同态滤波技术的解卷积特性出发,推导了水声多途信道的复倒谱表达式,对比不同地点或不同时刻接收信号的倒谱特征,通过提取相似性高的成分,实现了基于双信号对比法的水声信号重构技术。仿真和试验数据处理结果验证了方法的有效性,且性能优于常规特征滤波器。     

超短基线声学定位系统的校准技术研究

超短基线声学定位系统的应用开发和技术研究在现代海洋科学调查中起着重要作用。在安装超短基线定位系统进行水下声学定位测量过程中,很难保证换能器中心与测量船重心之间三坐标轴完全重合,即存在系统偏差,这些是导致超短基线系统定位误差的一个重要原因,必须对其进行校准。将GPS与水下声学定位系统有效结合起来,应用空间测距交会的方法确定水下应答器坐标位置,通过不同坐标系之间的转换关系,精确求出换能器与测量船之间的系统偏差,完成声学定位系统的安装校准。现场实例表明,该校准方法简单、快捷、有效。     

基于粒子群最小二乘支持向量机的前视声呐目标识别

随着声成像技术的日益发展和广泛应用,利用图像声呐进行水下目标识别逐渐成为水声探测领域的重要研究方向之一。根据前视声呐图像的特性,提出了一种水下目标识别的方法。对声呐图像进行去噪和增强处理并分割图像,来获取目标所在区域、提取目标的区域形状特征;利用粒子群算法优化最小二乘支持向量机的正则化参数和核参数,构造出高性能的多分类器;输入待识别目标的特征实现分类。实验表明:优化后的最小二乘支持向量机能够准确、有效地识别出水下目标,并且具有较高的精度。     

基于改进D-S证据理论的水下航行器声隐身性能评估

摘　要：针对传统水下航行器声隐身性能评估方法计算时间长、实时性不强的缺点,将评估由数值计算问题变为基于多传感器信息融合的模式识别问题来解决。通过将改进D-S证据理论模型和图像欧氏距离模型相结合,提出了一种新的水下航行器声隐身性能快速评估方法。首先利用加速度传感器测得壳体表面振动信息,抽取分析频段内每个频带的功率作为特征向量,然后通过图像欧氏距离方法进行证据生成,最后用一种改进的D-S证据合成方法进行识别分类,快速评估出航行器当前的声隐身状态。并利用计算机仿真和水下振动实验相结合的方式,通过类柱体结构模拟航行器舱段,详细讨论了方法的先进性,并研究指出了需要改进的问题。探讨了一种水下航行器声隐身性能快速评估的实现方法。     

复合基神经网络在水声目标分类识别中的应用

本文根据不同神经网络的分类特点，提出将径向基函数网络和多层感知器网络复合构成复合基网络，用于水声信号的分类识别，试验表明，该网络的分类能力及对未来训练目标的适应性优于ＢＰ网和ＲＢＦ网。     

基于听觉感知机理的水下目标识别研究进展

水下目标特征提取与识别技术在国防、生产等领域内有着迫切的需求,目前基于听觉感知机理的水下目标识别研究正处于起步阶段,有着较为广阔的研究与应用前景。在简要介绍听觉感知机理研究情况的基础上,对近年来国内外使用听觉感知机理进行水下目标识别的各类研究成果进行了总结与归纳,针对基于听觉感知机理的水下目标识别领域各方面的研究进展给出了相应的客观评价,并从特征提取与目标的自动识别方面提出了对未来研究方向的展望。     

用于水声目标识别的近邻无监督特征选择算法

针对水声目标数据的特征冗余问题,提出一种新的近邻无监督特征选择算法。首先利用顺序向后特征搜索算法生成原始特征集的子集,然后利用基于代表近邻选取方法的特征评价机制评价特征子集的优越性。使用实测水声目标数据集和声呐数据集进行特征选择和分类实验,在保持支持向量机平均分类正确率几乎不变的情况下,特征数目分别降低了90%和75%。结果表明,该算法选择出的特征子集,在去除冗余特征后有效地提高了后续学习算法的效率。