基于非运动区域划分的运动估计算法

针对利用角点进行运动估计时,存在一定数量的运动区域角点,导致估计速度慢、精度低的问题,提出了一种基于非运动区域划分的运动估计算法。算法采用栅格法划分参考帧图像上的非运动区域与运动区域;对参考帧图像上提取的角点进行筛选,利用非运动区域的角点与当前帧图像上角点进行匹配;根据距离不变准则去除误匹配后,估算运动矢量。实验结果表明,该算法有效地提高了运行效率和估计精度。     

基于GWO-CMFH和改进ResNet轴承故障诊断

针对不同程度的小分类轴承故障,现有故障诊断方法准确率不高的问题,提出基于GWO-CMFH和改进ResNet的滚动轴承故障诊断方法。对于同一类型不同程度故障,提出基于GWO自适应优化结构元素参数的CMFH滤波方法,增强振动信号的脉冲故障特征并抑制背景噪声;采用连续小波变换将滤波后的信号转换成二维时频图谱;最后,提出基于混合注意力机制改进的残差网络模型,提高轴承故障诊断精度。在西储大学、东南大学及所选轴承数据集上进行验证实验,不同故障程度的小分类诊断准确率分别达到99.73%、98.12%和99.07%,表明所提方法具有很好的抗噪性、鲁棒性,可提高滚动轴承不同故障程度的诊断效果。     

曲面重构算法的研究

提出了一种基于多层感知器网络的曲面重构算法 (ML PSR) ,建立了用于曲面重构的多层感知器网络模型。本文对基于二维拉格朗日局部插值的曲面重构算法 (2 DL L SR)与 ML PSR进行对比。为了更好地评估这两种算法的有效性 ,选择可用数学表达式表达的曲面作为重构对象。仿真实验结果表明 ,这两种算法在曲面重构上各有优点。当 2 DL L SR算法的阶次高于等于曲面本身的阶次时 ,曲面重构的效果很好。ML PSR算法在曲面重构的速度和精度上都比较好 ,尤其在曲面受到破坏或不完全时特别有效。     

基于RBF神经网络与LMD的滚动轴承故障诊断方法

直升机传动系统故障诊断及预测对提高其运行时的可靠性和安全性具有重要意义。本研究首先采用小波包降噪与局部均值分解相结合的方法提取滚动轴承故障特征,其次用故障样本对设计好的RBF(Radial Basis Function Neural Net-work,简称RBF)诊断网络进行训练,最后利用训练好的RBF网络实现故障的智能诊断。实验结果验证了该方法能够有效地对滚动轴承故障进行分类识别。     

基于图像的点读坐标提取方法

为快速准确地获取点读机的点读坐标,提出一种基于图像的点读坐标提取方法,该方法首先采用邻近像素差分、图像二值化、连通域检测和最小二乘直线拟合等方法建立书本坐标系;其次,利用点读笔颜色和杆状特征,并采用扫描法实现了图像中笔尖坐标的定位;最后,对图像坐标进行标定后,计算得到点读坐标。实验结果表明,该方法具有误差小、抗干扰能力强、通用性好的特点,能达到点读机对坐标精度的要求。     

基于双目视觉的直升机旋翼桨叶共锥度检测法

提出了一种基于双目视觉的直升机旋翼桨叶共锥度检测方法。首先,采用平面标定算法对双目视觉系统进行标定,获取摄像机内外参数;其次,采集不同桨叶的立体图像对,并用Bouguet算法对其进行校正,获取重投影矩阵;然后,对立体图像对中的标记点进行检测与匹配,获取标记点的视差;最后,根据双目视觉测量原理计算出桨尖距地面的高度,实现桨叶共锥度检测。通过对旋翼塔进行多次测量实验,结果表明该方法具有动态测量、非接触式、操作简单、危险性小和精度高的优点。     

基于随机森林的直升机飞行状态识别方法

针对直升机飞行状态识别训练样本数据少而导致识别率不高的问题,提出一种基于随机森林的直升机飞行状态识别方法。首先利用去野点、限幅、平滑处理对飞行数据进行预处理,并根据特征参数将飞行状态分为8个小类;然后利用随机森林识别率较高的特点,对每一小类进行随机森林分类器设计;最后利用训练样本训练每个随机森林分类器,并将训练好的随机森林分类器识别直升机全起落飞行状态。以某型直升机实飞数据作为实验数据,将该方法与RBF神经网络法和SVM法进行对比实验,结果表明在小样本情况下该方法识别率有明显提高,识别速度也有所提高,可为直升机寿命预测提供依据。     

从表面重构的体数据实现3维网格剖分

目的 针对有限元分析中网格最优化问题,提出一种改进的生成四面体网格的自组织算法。方法 该算法首先应用几何方法将三角形表面模型重新构造成规定大小的分类体数据,同时由该表面模型建立平衡八叉树,计算用以控制网格尺寸的3维数组;然后将体数据转换成邻域内不同等值面的形态一致的边界指示数组;结合改进的自组织算法和相关3维数据的插值函数,达到生成四面体网格的目的。结果 实验结果对比表明,该方法能够生成更高比例的优质四面体,增强了对扁平面体的抑制能力,同时很好地保证了边界的一致。结论 在对封闭的3维表面网格进行有限元建模时,本文算法为其提供了一种有效、可靠的途径。     

基于top-hat变换与形状特征的蛋白点检测

针对凝胶图像中蛋白质点检测存在弱蛋白质点漏检和重叠蛋白质点难分离的问题,提出了一种基于top-hat变换与形状特征的弱重叠蛋白质点检测算法。采用top-hat变换算法增强弱蛋白质点区域;采用标记控制分水岭法进行粗检测,提取蛋白质点的初始轮廓;根据蛋白质形状特征,自适应设定阈值提取蛋白质点形状标记,并利用提取的标记计算形状距离图;采用基于形状距离的分水岭方法,分离重叠蛋白质点。通过不同类型真实凝胶图像的蛋白质点检测实验,结果表明,该算法具有较高的检测精度和重叠蛋白质点分离率,而且对质量不好的凝胶图像也有较好的检测效果。     

二维凝胶图像一致蛋白质点集提取方法

针对凝胶图像间蛋白质点人工比对工作量大和易出错的问题,提出一种基于粗配准一精匹配的一致蛋白质点集自动提取方法.根据凝胶图像的SIFT特征匹配结果对凝胶图像进行粗配准;采用标记分水岭方法进行点检测;再根据蛋白质点的距离相似度和灰度相似度进行双向匹配,提取一致蛋白质点集.通过对多种不同来源的凝胶图像进行实验,提取一致蛋白质点集的正确率高于97％.结果表明,该方法在具有缩放、旋转、亮度和噪声差异的凝胶图像中提取一致蛋白质点集都具有较好的稳定性.