基于颜色先验的显著性物体检测

传统的显著性检测算法主要基于中心先验、边界先验建立检测模型,但是在实际应用中,这些先验信息不一定都适用,比如机器视觉领域很多图像显著性区域位于图像边界,因此针对传统显著性算法的缺点,根据实际应用需求提出基于颜色先验和高斯混合模型的算法,不需要局限于中心和边界先验。首先通过高斯混合模型在Lab颜色空间根据颜色将图像中的像素聚类,根据颜色先验和结构相似性算法将子高斯模型分为前景子高斯模型和背景子高斯模型,此时的分割结果比较粗糙、噪点较多,通过条件随机场对此进行优化,获得最终的边界准确度较高的显著性区域。所述算法直接通过高斯混合模型对像素进行聚类,没有利用中心、边界先验,应用高斯混合模型保证获得准确稳定的边界,能够检测位于边界的显著性区域,与传统的显著性检测算法相比准确度更高。     

基于子空间混合相似度的过程监测与故障诊断

针对现代工业过程多变量、过程数据通常同时包含高斯性和非高斯性分布的特点,提出了一种基于混合子空间的系统性能监控与故障诊断方法.首先使用小波去噪、PCA和ICA方法来进行过程检测,然后将基于PCA特征子空间距离相似度和基于ICA子空间余弦相似度的方法结合,建立故障诊断库,计算混合相似度,确定各类故障的诊断阈值.最后对在线的数据进行监控,判断过程是否正常.当有故障发生时,利用混合子空间相似度确定故障类型.该方法可以充分利用过程数据中的高斯和非高斯信息.通过对Tennessee Eastman(TE)过程的仿真研究,验证了该方法的可行性与有效性,与变量贡献图方法相比可以更加有效地监测出故障原因.     

基于高斯和与SCKF的非线性非高斯滤波算法

针对均方根容积卡尔曼滤波(SCKF)对非高斯情况滤波效果差的问题,在分析SCKF和高斯和滤波基础上,提出一种高斯和均方根容积卡尔曼滤波新算法。算法采用高斯和形式来逼近非高斯后验概率密度,将SCKF作为子滤波器,对每个高斯分量进行时间和量测更新,使其有效解决非线性非高斯滤波问题。仿真结果表明,高斯和均方根容积卡尔曼滤波估计精度高于粒子滤波和高斯和扩展卡尔曼滤波算法,与容积粒子滤波精度相当,但耗时约为容积粒子滤波的15%,是一种较好平衡跟踪精度和实时性的非线性非高斯滤波算法。     

基于迭代多模型ICA-SVDD的间歇过程故障在线监测

采用多向主元分析的间歇过程故障监测方法需假设过程数据严格服从高斯分布,而且要对监测批次的测量未知值进行预测,这在一定程度上限制了其应用范围.为此通过建立迭代的多模型序列,不仅有效地解决了测量未知值的预测问题,而且考虑了各个间歇过程时间片之间的关联信息.同时,利用独立成分分析方法提取出过程的非高斯信息,通过引入支持向量数据描述方法对独立成分进行进一步建模,实现非高斯特性下的间歇过程故障在线监测.通过一个实际的半导体制造过程的实验研究,表明提出的新方法可以更有效地处理间歇过程数据信息.     

基于霍尔传感器的汽车天窗防夹系统设计北大核心CSCD

针对天窗在起翘-滑动过程中,机构阻力导致天窗误防夹的问题,提出了基于高斯模型的天窗防夹控制算法。文中算法采集汽车天窗正常关闭过程中的霍尔脉冲信息,对每个位置的霍尔脉宽进行高斯异常检测模型建模。在运行中采集霍尔脉宽信息,通过高斯模型判断数据是否异常。将异常数据与均值进行差分计算,差分结果与比例因子的乘积进行窗口内累加,通过累加和与标定阈值比较,判断是否发生防夹。经实验测试,该方法可以有效减小机构阻力对天窗防夹的影响并满足国家标准要求。     

改进ILoG算子的故障检测方法

针对强背景噪声干扰下轮对轴承故障特征微弱、难以准确检测的问题,提出了一种自适应改进高斯拉普拉斯(improved Laplacian of Gaussian,简称ILoG)算子的微弱故障检测方法。ILoG算子滤波器具有优良的信号突变特征检测能力,将其用于轮对轴承故障信号的冲击特征检测,同时利用水循环算法(water cycle algorithm,简称WCA)的寻优特性,并行搜寻筛选最佳的ILoG算子影响参数,通过对参数优化后ILoG算子滤波后信号做进一步包络解调分析,提取出轮对轴承微弱的故障特征信息。对实际轮对轴承外圈和内圈故障信号分析的结果表明,该方法可以有效检测出轴承微弱故障特征频率,故障检测效果优于小波阈值和多尺度形态学差值滤波方法。     

基于SIFT-SUSAN算法的零件图像特征提取研究

把SIFT-SUSAN算法应用在零件图像的特征提取上,检测图像的特征极值点。首先对采集的图像进行均值滤波和Laplace锐化预处理,以此增强图像的边缘响应;利用高斯卷积和高斯差分建立尺度空间域;再利用SIFT算法提取空间极值点,并引入SUSAN算子检测空间角点;计算两种特征点的位置,生成特征描述子,实现零件图像的匹配。通过对垫片、螺母和轴承盖零件分别采用SIFT算法和SIFT-SUSAN算法进行对比试验,实验表明:SIFT-SUSAN算法结合了图像区域和边缘角点特征,得到更多的匹配点,提高了图片匹配的正确率。     

基于WICA-WGNPE的高斯-非高斯联合指标间歇过程监控

许多工业生产过程数据很难满足单一的分布,一般是高斯和非高斯成分共存的混合分布,并且在过程数据的提取中,会隐藏表征故障的有用信息。为了解决高斯与非高斯的混合多分布问题,充分提取过程数据的有效信息,提出一种基于WICAWGNPE的高斯和非高斯联合指标间歇过程监控方法。首先采用WICA算法提取非高斯成分;然后对提取非高斯成分后的残差使用WGNPE方法来得到高斯成分;最后基于非高斯-高斯两步策略确立监控模型并求得统计量,对非高斯与高斯统计量进行加权,从而得到混合模型的联合指标以实现过程监控。将该算法用于青霉素发酵过程和半导体实际工业过程来验证所提算法的有效性。     

一种新的动态非高斯过程监控方法

现代工业过程数据往往具有较强的动态和非高斯特性,在原有方法的基础上,提出了一种改进的动态主元分析(MDPCA)方法来处理过程数据的动态特性,同时引入支持向量数据描述(SVDD)方法对过程进行建模.由于SVDD 方法对数据的分布没有任何限制,因此,它可以很好地描述过程的非高斯信息.新方法首先采用相关分析方法确定动态步长并建立过程数据的动态矩阵,利用PCA方法进行信息特征提取,并把过程信息分为主元子空间和残差子空间,然后分别在这两个子空间上建立SVDD统计监控模型,通过构造两个新的统计量对过程进行监控.所提出的方法应用于Tennessee Eastman (TE) 过程的仿真和一个实际水泥制造过程的实验,结果均表明了该方法的有效性.     

基于差异演化算法的V带传动多目标优化设计

为研究V带传动多目标优化问题,基于高斯变异提出一种高斯变异多目标差异演化算法(Multi-Objective Differential Evolut ion Based on Gauss Mutation,GMODE)。该算法首先引入了佳点集方法对种群进行初始化,其次在差分向量选择不合适时,采用高斯变异,引导个体向非劣解进化,提高算法的收敛速度;最后在个体多次不更新位置时,采用高斯变异,以提升个体逃离局部最优点的能力。通过与其他算法的比较,发现该算法能有效避免/早熟0收敛,具有较好的收敛速度和多样性。