基于最大信息系数的变压器过热故障特征选择

改良三比值法只关注若干个气体浓度比值,信息利用不充分,而且气体浓度的随机误差对故障诊断结果有影响,因此文中将变压器故障特征气体扩充为单种气体增长率、多种气体比值和相对浓度等62个故障特征,通过具有稳健性的最大信息系数提取与变压器故障状态相关度高的故障特征。同时为了避免筛选特征之间的冗余性,采用相关系数筛选冗余性小的特征组合,并采用距离相关系数和多种分类器进行检验。结果表明与油中溶解气体相比,筛选特征集合与变压器过热故障状态联系更加紧密,且针对过热故障类型的诊断精度,筛选特征集合在样本类别不平衡时性能更优,突破了单一分类器性能上限。     

脊髓损伤患者心率变异性的局部尺度指数特征

心率变异性（heart rate variability,HRV）是目前评估脊髓损伤（spinal cord injury, SCI）患者残余自主神经功能的主要依据。分析HRV的一般方法是计算心电信号R R序列的时域、频域或非线性指标,其中去趋势波动分析（detrended fluctuation analysis, DFA）是最常用的非线性方法之一,对于R R序列,通常由DFA可得两个尺度指数α1（尺度<11）和α2（尺度>11）。本研究关注局部尺度指数α(t)（t为时间尺度）揭示谱分析和尺度指数不能表征的HRV动态特性,采集12例SCI患者和15名健康者在坐姿（10 min）和俯卧姿（10 min）时的心电信号,计算R R序列的α(t)。由于α(t)在小尺度时容易被高估,本文采用一种新的校正方法计算α(t)并用仿真信号验证其有效性。将此方法应用于采集的数据,结果显示,健康者在坐姿和俯卧姿时R R序列的α(t)在4 s相似文献   

基于音乐情感识别的灯光表演方案设计

介绍了一种新的音乐灯光表演方案设计方法。对MIDI音乐情感体现及其计算机自动识别方法进行了探讨,并分析了灯光的情感内涵。该系统以音乐情感为核心,进行结构、乐句和音符多层次匹配,自动设计出体现音乐内涵的音乐灯光表演方案。     

基于P-ReliefF特征选择方法的带钢表面缺陷识别

带钢表面缺陷纹理的复杂性和多样性、背景纹理中存在的伪缺陷等给现有的带钢表面缺陷特征提取和识别带来了极大的困难。为此,提出了一种新的带钢表面缺陷选择与识别方法。首先,通过各向异性扩散算法对带钢表面的伪缺陷干扰进行抑制;其次,利用提出的P-Relief F方法对表面缺陷特征进行选择,相比传统的Relief F方法,该方法考虑了不同维度特征之间的关联性;最后,利用筛选的特征集和支持向量机(SVM)核分类器对带钢表面缺陷进行分类与识别。实验结果表明,提出的方法能够提取出具有高区分性和鲁棒性的带钢表面缺陷特征,并且对于划痕、褶皱、凸起和污渍等不同类型的带钢表面缺陷,本方法相比传统的方法可以获得更高的识别率。     

基于HMM的语音信号情感识别研究

包含在语音信号中的情感信息是一种很重要的信息,它是人们感知事物不可缺少的部分。本文在语音识别的基础上提出了应用隐马尔可夫模型(HMM)进行语音信号情感识别的研究。从情感语音的分类、情感语音资料的获取、情感语音特征提取及情感语音识别等方面,讨论了应用连续隐马尔可夫模型进行情感识别的整个过程,并得到了比较理想的识别结果。     

基于幅值滤波与分层特征融合策略的语音情感识别

针对语音情感识别在多语言联合数据集上识别准确率低的问题,提出了一种基于幅值滤波与分层特征融合策略的语 音情感识别方法。该方法首先对梅尔谱图内幅值分布规律进行幅值滤波,通过概率叠加扩大梅尔谱图内相近幅值之间的差 异,实现谱图内的高频强增益、低频弱增益;同时,通过概率相乘缩小梅尔谱图内相远幅值之间的差异,以显示谱图内中频的 细节部分。在此基础上,使用矩形卷积提取音频信号的时间动态特征,生成梅尔谱图动态特征图,并将其作为分层特征融合 策略的输入。分层特征融合策略通过压缩特征图来提取不同尺度的时间动态特征,并提取不同深度中的时间动态特征。在 多语言联合数据集 CER 上取得了84.44%的分类准确率。     

基于SVM的汉语语音情感识别研究

随着信息技术的发展,对人机交互能力的要求不断提高,情感信息处理已成为提高人机交互能力的一个重要课题.本文提出了一种汉语语音情感分类方法,主要研究了4种基本的人类情感:高兴、愤怒、恐惧、悲伤.从汉语语音信号中提取了能量、基频、语速等特征,利用支持向量机方法识别,取得了43.7%的平均识别率.     

基于机器学习的网络流量特征选择

互联网技术水平不断提高的同时,也带来了日益复杂的网络安全问题,传统地利用端口检测和深度包检测等流量识别技术已经难以应对当下日趋复杂的网络环境.伴随着机器学习理论的成熟,机器学习方法已经成功的应用于图像识别、声音辨别、医疗等各个领域,机器学习使用计算机模拟人类的活动,通过学习现有的知识,建立有效的学习模型,进一步对未知的数据进行预测或者分类.将机器学习方法应用在网络流量识别领域,首先对网络流量识别的研究现状和机器学习作了相关的介绍,其次基于3种机器学习分类算法,对比分析了不同特征选择算法对网络流量识别准确率的影响,提出了改进的特征选择算法,并经过实验验证了改进后特征选择算法的有效性.     

基于机器学习和心率变异性的经皮耳迷走神经电刺激疼痛阈值预测

经皮耳迷走神经电刺激（taVNS）作为新兴的精神和心血管疾病的治疗方法,其刺激强度设置需要将刺激电流调整至疼痛阈值后再降低其幅值。该设置方式不仅缺乏一致性,且影响治疗效果和舒适度。本文提出了一种结合心率变异性（HRV）特征和机器学习回归模型的新方法,实现了taVNS疼痛阈值的预测。基于实验采集的数据,系统的比较了将HRV特征作为各种机器学习模型输入的预测精度。结果表明,HRV特征与极端随机树的组合性能最优,使用遗传算法去除冗余特征能够有效改善模型预测性能,均方根误差在1.18到1.56之间,均方差在0.77到0.96之间。该方法可用于不同个体的taVNS刺激强度的预测,对受试者在taVNS期间的治疗效果有积极作用。     

基于遗传优化的多级SVM语音情感识别

针对语音情感识别中特征维数高、识别率较低的问题,提出利用遗传算法进行特征降维,并构建二叉树结构的多级支持向量机(SVM)分类器进行语音多类情感识别的方案.首先对语音信号预处理后提取常用的情感特征,由于涉及特征较多,存在数据的冗余,采用遗传算法对提取的特征进行优化筛选;然后使用选出的最具情感区分能力的特征训练二叉树结构的多级SVM分类模型.在包含7种情感的柏林情感语料库上进行实验,结果证明提出的语音情感识别方案的有效性.     

基于类心和特征加权的特征选择算法

基于边界最大化的特征选择方法是一种有效的特征选择方法,它能够显著去除高维数据中的不相干特征,在机器学习中有着重要的应用.但该方法存在着计算复杂度较大的问题,为了克服这一问题,提出了基于类心和特征加权的特征选择算法.其基本思想是以某一类的类心为中心,寻找其同类和异类最近邻构成边界,根据某种准则获得一个特征空间的权重,使得权重特征空间中的边界最大.在4个UCI数据库上的实验验证了所提算法不仅有更高的效率而且有更好的分类准确度,并且对于不相干特征几乎是不敏感的.     

基于MFCC的语音情感特征提取研究

为了研究"世界记忆遗产"东巴经典古籍的音频分类,以通过语音情感特征提取的方法分类鉴别东巴音频类别,并实现对东巴经典语音的情感状态识别,同时提高人机交互性能,提出采用Mel频率倒谱系数(MFCC)实现语音情感特征的提取。通过引入MFCC的一阶差分、二阶差分描述语音特征的动态特征,并整合短时能量特征,最终形成MFCC和短时能量相叠加的语音信号特征参数,达到提取反映语音情感特征的目的。实验验证表明,该语音信号特征提取方法能够更明显地区分出包含在语音中的情感信息,为语音情感特征的识别研究及东巴古籍音频分类鉴别提供理论基础。     

基于分割注意力的特征融合CNN-Bi-LSTM人体行为识别算法

针对传统人体行为识别算法不能有效抑制空间背景信息,网络间缺乏信息交互,以及无法对全局时间相关性进行建模的问题,提出一种基于分割注意力的特征融合卷积神经网络-双向长短时记忆网络(CNN-Bi-LSTM)人体行为识别算法。首先以一定采样率采样30帧图像,通过分割注意力网络提取图像的深度特征,并引入特征融合机制增强不同卷积层间的信息交互;然后将深度特征输入到Bi-LSTM网络对人体动作的长时时间信息建模,最后使用Softmax分类器对识别结果进行分类。相较于传统双流卷积网络,该算法在UCF101和HMDB51数据集上的准确率分别提高了6.6%和10.2%,有效提高了识别准确率。     

基于时序特征选择与改进MSPCA算法的电网暂态稳定态势智能评估

在充分利用电网海量历史运行数据及大量仿真分析数据评估暂态稳定态势过程中,恰当的选择与稳定特征以及提取非正常态势关键影响特征是实现电网暂态稳定态势评估的基础。文中提出了一种基于时序特征选择的暂态稳定态势智能评估方法。给出了基于未来运行点的邻域样本在线生成方法及稳定态势等级描述,选择输电断面作为主要特征;基于时序邻域信息度量算法,依据累积贡献率对特征降序排列,并采用基于邻域互信息的计算并伴随基于SVM的特征子集搜索实现冗余特征的剔除,形成稳定特征子集;在应用电网稳定特征子集进行态势评估场景中,采用改进的多尺度主元分析法对稳定相关信息进行提取,通过特征贡献率排序实现非正常态势关键影响特征识别。结合IEEE 39节点算例系统,仿真结果验证了文中所提方法的有效性。     

基于非下采样 Contourlet 变换耦合特征选择 机制的可见光与红外图像融合算法

为了克服当下较多可见光与红外图像融合方法因忽略了光谱特征而导致融合图像存在光谱扭曲、目标内容显著度较差等不足,提出了非下采样Contourlet变换(nonsubsampled contourlet transform, NSCT)耦合特征选择机制的图像融合算法。首先,通过NSCT对可见光与红外图像计算,分离出其不同图像系数。然后,利用信息熵函数,度量图像所含信息量的丰富度,以形成低频系数的融合系数,得到富含红外目标等丰富信息的融合低频系数。采用像素点的邻点信息,度量图像的清晰度特征,并引入均值函数,度量图像的光谱特征,再联合图像的清晰度特征,构造特征选择机制,从图像中选择理想的高频系数融合函数,获取兼顾细节特征和光谱特征的融合高频系数。最后,通过实验结果发现,较现有的融合算法而言,所提算法拥有更好的融合质量,更好地保持了图像的光谱特征,且目标内容显著。