一种基于特征融合的点特征目标跟踪算法

联合目标的颜色和纹理特征,构造了由目标的颜色和纹理特征联合表示的特征点目标表示模型,利用Mahalanobis距离构造特征点匹配函数,利用自适应kalman滤波(AKF)算法预测特征点在下一帧图像中的位置,通过特征点匹配准确定位目标,达到实时、准确跟踪的目的。实验表明,该方法对于光线变化,目标形状相似以及目标被部分遮挡时的跟踪是有效和稳健的。     

一种基于图像特征点的图像匹配算法

图像匹配技术被广泛用于人脸识别、全景图像生成等领域.该文利用变比不变特征点 (Scale Invariance Feature Transform-SIFT)提取方法提取特征点,并对SIFT方法提取出的特征点用最近邻算法 (Nearest Neighbor-NN)进行匹配,在搜索最近邻特征点和次近邻特征点时使用了在K-D树搜索算法基础上进行改进的搜索算法BBF(Best Bin First)算法.实验证明该匹配算法具有匹配精度高,鲁棒性好的特点.     

一种基于二次设备仿真系统的ＳＣＡＤＡ信号核对新方法

针对新建集控中心数据采集与监控(SCADA)系统中“四遥”信号核对工作存在的困难,提出了基于虚拟技术的变电站二次设备仿真系统构建“四遥”信号传动系统.简述了信号传动系统的结构,阐述二次设备仿真系统的软件结构及主要模块功能,描述了信号传动过程.工程实际应用效果表明:仿真系统运行稳定、仿真模拟效果逼真度高,为集控中心系统调试和验收提供了一种新思路和新方式.     

基于散点集分形特征的局部放电模式识别研究

该文应用数字化测量装置采集发电机定子线棒工业仿真模型的局部放电信号，获得放电脉冲序列；在放电相位-放电量平面上，将脉冲序列表示为散点集；改变观察区域尺度，用逐段拟合法确定分形无标度区；用最小二乘拟合法计算分形维（Hausdorff维数和信息维数）；以分形维和散眯集重心坐标构成特征向量，并应用人工神经网络进行放电模式识别。研究表明分形特征在局部放电类型区分和程序判别方面均具有良好的性能。     

基于大数据标签技术的电网监控智能分析方法

在电网规模和数据量急速增长的环境下,传统存储的关系型数据库、数据集成及整合分析方式已经无法满足业务应用的需求,本文分析梳理了电网监控应用需求,引入数据标签技术来解决目前的技术瓶颈。通过对数据物理表进行梳理,将业务专家的经验与数据物理表结构融合而成,数据标签能够提供统一业务化的标签给下游使用方,节省计算资源、便于全局优化的特点,基于数据标签开展电力业务数据辨识、数据治理、数据加工,相较于传统数据存储和治理模式,能够大幅提高电网监控业务智能化水平。     

基于特征点匹配的三维点云配准算法

三维点云配准在逆向工程、机器人导航、物体形状检测和三维重建等领域有着十分广泛的应用。针对预先没有任何信息的三维点云数据配准问题,提出了一种基于特征点匹配的三维点云配准算法,根据点云区域法向量的分布特征提取特征点集,接着对特征点集采用快速点特征直方图(FPFH)进行描述,然后对FPFH特征使用双向最近邻距离比匹配方法实现初始配准。最后采用自适应收敛阈值的迭代最近点算法,对理想成像的特点进行分析,预先设置配准收敛阈值,能够有效地减少迭代次数,以此来实现更加快速、准确的点云精确配准。实验仿真结果验证了该方法的有效性。     

一种基于LabVIEW8．2提取ECG特征点的新方法

文章讨论运用LabVIEW8.2中新增的"Waveform Peak Detection.vi"来获取ECG中各特征点的实用方法,该方法与传统法相比,无须再遍历检测整个时域内的所有信号样本,采用先抽取ECG波形中一定阈值范围内的所有波峰点和波谷点,再从抽取出来的波峰/波谷点序列中检测识别出ECG特征点的方法,实验结果说明,这种方法具有使用数据量少、检测速度快、直观、简便、检出识别率高、抗干扰较强的特点,体现了新技术与传统算法完美结合的优越性。文章所讨论的信号处理方法还可为一维时域信号特征点的检测分析提供借鉴。     

一种改进的功能点分析方法

指出了功能点分析（Function Point Analysis,FPA）方法的复杂度等级划分标准的不精确性,提出了一种改进的FPA方法。该方法运用数值分析中插值函数的思想,将复杂度矩阵拟合成连续的复杂度函数,从而产生新的复杂度等级来扩展FPA复杂度矩阵。利用一个度量实例与已有的改进方法进行了比较。     

一种基于dq0变换和专家系统的电能质量信号辨识方法

提出了一种基于dq0变换和专家系统的电能质量信号辨识新方法。利用dq0变换后的d、q和0序分量，能对单相、两相或三相电压出现电能质量问题的电力系统电压进行准确有效的信号特征提取；利用这些信号特征，结合相应的基于规则的专家系统能有效地进行电能质量信号辨识。仿真计算结果表明该方法是有效的。     

基于Haar-like特征与Adaboost算法的前方车辆辨识技术研究

为了提高前方车辆的辨识效能,提出一种融合Haar-like特征与Adaboost算法的前方车辆辨识方法,基于海量车辆样本集进行离线训练,提取有效车辆轮廓与纹理特征,以Haar-like特征作为目标描述方法,采用Adaboost机器学习算法训练分类器,并构建特征样本级联分类器,对测试对象进行车辆存在性检测.试验结果表明,提出的融合Haar-like与Adaboost的车辆辨识算法检测准确率为91％以上,平均检测速率28 ms,对车辆类型和环境干扰等非确定因素具有较强的自适应能力,提高了前方车辆纵向检测的鲁棒性,满足了车辆纵向维度的安全行驶应用需求.     

基于扩展Kalman预测模型的双目立体视觉图像特征点跟踪方法

针对双目立体视觉动态测量中图像特征点快速跟踪问题,提出了一种利用Kalman预测模型进行图像点跟踪的方法。该方法以图像特征点坐标值为观测向量,将坐标值和图像特征点运动速度作为状态向量,首先建立了线性Kalman预测递推模型,在此基础上引入了极线约束条件,进一步建立了图像特征点非线性扩展Kalrnan预测递推模型。实验表明该方法得到的特征点的预测轨迹和真实轨迹符合度好,预测精度高、速度快、通用性强。     

基于五点等效法的海上风机运行荷载识别研究

可靠的荷载时程是评估风机剩余生命周期和疲劳的关键因素,但长期的荷载监测不可行.本文针对海上风机结构振动特性和荷载特点,采用五点等效法识别风机运行荷载.该方法克服了初始值影响,降低误差传递和累计误差,提高荷载识别稳定性和鲁棒性.首先采用弹质阻尼模型验证识别荷载的准确性和精度,并讨论噪声对识别方法的影响;然后将识别方法应用...     

非侵入负荷辨识的谐波特征量提取改进方法研究

基于事件分解的负荷匹配方法计算快内存少,工程应用适应性强。首先面向事件分解型负荷辨识方法分析了稳态特征量的提取方法,梳理出典型家用电器辨识特征库,并指出谐波特征量是空调及小功率电器复杂工况下负荷辨识的重要判据。然后分析了工程应用中谐波特征量提取影响因素,基于快速傅里叶变换（FFT）算法频谱泄露原理,研究了电网频率动态变化和电器谐波相角抖动对于谐波特征量提取的影响。提出了针对性解决方法,通过多点均值方法解决电网频率波动导致的非同步采样问题,并提出极值差量方法解决电器谐波相角影响,两种方法结合,可有效将基次谐波误差降到1%以下,偶次谐波误差降到2%～4%。最后通过实验平台和工程实证,验证了谐波改进提取方法的有效性,相对于改进前可有效提升负荷辨识精度5%以上。     

基于复杂网络与运行因素的电网薄弱点辨识方法

针对电网薄弱点辨识方法中存在未计及节点局部和整体特性、节点间功率传输的相互影响和对节点电压约束考虑不足的问题,提出一种基于复杂网络与运行因素的薄弱点辨识方法。通过考虑电力系统的拓扑、线路参数、潮流特性和运行参数等因素,建立了基于拉普拉斯矩阵谱半径的节点重要度指标、节点介数指标和电压越限指标。然后,采用组合赋权法对复杂网络指标和运行指标进行权重分配,得到辨识电网薄弱点的组合指标。最后,利用IEEE30和IEEE118节点系统验证所提方法的可行性和合理性。结果表明该方法辨识结果比现有方法更准确、合理,对电力系统的影响更大。     

基于多指标面板数据特征提取的同调机组分群方法

同调机群识别对电力系统的动态等值、主动解列控制具有重要的意义。针对已有同调机群识别方法存在的指标选取单一(仅依据发电机功角曲线特征)且特征提取不充分的问题,提出一种基于多指标面板数据特征提取的同调机组分群方法。首先,将反映机组同调性的功角、机端电压及转子角速度3个指标的量测数据形成面板数据。其次,基于面板数据的指标维度和时间维度特征,提取以上3个指标在时间序列上的"绝对值"特征、"波动"特征、"偏度"特征、"峰度"特征以及"趋势"特征。接着借鉴层次分析模型,利用AHP-熵权法求取每个指标及其各特征量权重,进而计算机组间的加权距离矩阵,然后利用系统聚类法实现同调机组分群。最后以EPRI-36节点系统和华北电网为例,验证了所提方法的有效性。     

基于振动和电流信号多域特征联合的高压断路器储能状态辨识方法

为实现高压断路器的储能状态辨识,提出了一种基于伴随振动和电流信号多域特征提取的储能状态辨识方法。对振动信号进行倒频谱分析提取频域周期分量特征来体现电机周期性转动轨迹的基频和高频特性;采用相空间重构理论经关联积分法获取相空间域关联维数与Kolmogorov熵,定量评估储能过程随机运动的复杂程度;计算电机电流持续时间、起始电流值及偏度时域特征,与振动信号特征构建多域联合特征向量;通过支持向量机算法实现断路器储能状态辨识。实验结果表明,基于振动和电流信号多域联合特征的辨识算法准确率达到97%,有效地提高了断路器储能典型工况的识别准确率。     

一种基于SV采样信号的局部放电监测内同步基准修正方法

高压设备局部放电信号与设备运行的工频电压具有高度的相关性,局部放电监测装置或仪器必须基于稳定可靠的工频相位信号才能正常工作。针对现有电子互感器应用场合局部放电基准相位无法引入的难题,提出一种基于SV采样信号的局部放电监测内同步基准修正方法:首先利用装置自身定时器生成一个虚拟工频周期的"内同步"信号,利用该信号对各个传感器输入信号进行相位预标定;接收合并单元送来的电压互感器的SV信号并以其作为基准对虚拟的工频相位进行修正,从而得到精确和可靠的工频相位基准。所述方案实现简单,对于常规互感器和电子互感器均适用,具有灵活性和普及性。     

一种组合重构的电能质量扰动特征提取方法

电力系统中电能质量扰动类型较多、扰动特征表征复杂,特征提取的有效性直接影响识别精度。为了保证特征提取的有效性,通常以牺牲特征向量维度作为代价,但特征向量维度过高会增加识别模型的复杂度和降低识别的速度。基于以上考虑,提出了一种基于能量熵和功率谱熵的组合重构特征提取方法。首先根据电能质量扰动信号特性和改进集合经验模态分解(modified ensemble empirical mode decomposition, MEEMD)对电能质量扰动信号进行处理。其次利用能量熵和功率谱熵对扰动特征进行组合提取,构建高精度、低维度的特征向量。最后通过双层前馈神经网络(double-layer back propagation neural network, DBPNN)对扰动信号进行识别。仿真和实验结果表明,与单一特征提取方法相比,所提出的组合重构特征提取方法的特征向量维度、识别模型复杂度和识别难度降低,准确率较高,且具有一定的抗噪性。     

基于CEP引擎的配电网运行监控信号大数据ETL方法

电力系统规模在不断扩大,配电网电气设备数量急剧增长且趋于精细化。大量且散乱的运行监控数据使得主动配电网各应用无法快速有效地提取有用信息以形成决策支持。本文利用复杂事件处理(CEP)引擎作为运行监控信号处理核心,通过Apriori机器学习算法定义和完善规则库,通过核心算法库对信号数据流进行规范化处理。整体采用ETL(Extract-Transform-Load)框架,将主动配电网中分散、零乱、标准不统一的信号数据整合、清洗后加载到数据仓库,并以多种数据接口输出至不同介质,供不同应用调用。基于CEP引擎的大数据ETL方法,可对运行监控信号进行快速、精确、有效的规范化处理,实现多数据源集成与输出,为主动配电网设备仿真、故障分析、状态估计等多种重要应用提供数据准备。