基于DGA和深度置信网络的变压器内部故障诊断

以油中特征气体组分比值为特征量的故障诊断是变压器内部故障诊断的重要方法,但实际应用中常出现"超码"和"缺码"问题,导致故障诊断精度低.从"信息驱动"的角度,提出一种基于深度置信网络的无监督型变压器故障诊断方法.该方法利用深度置信网络的油溶解气体特征提取,构建多隐含层的深度学习模型,采用无监督特征学习方法,实现在少样本情况下的变压器故障识别问题.算例表明,所提的深度置信网络提高了电力变压器故障诊断的准确率.     

面向复杂形面匹配的边界特征提取方法

针对车身封闭件装配过程中的匹配优化问题,提出一种面向复杂形面匹配的边界特征提取方法.对匹配边界特点进行分析,确定边界点的提取信息、采样间距大小及其搜索邻域.对采样后的点云数据,建立k-d树进行索引.对采样点在搜索邻域内的邻近点建立最小二乘微切平面,利用投影到微切平面局部坐标系内的邻近点分布特性,判断边界特征点及其匹配特征.案例分析验证了该方法在处理复杂形面匹配边界特征点提取时的有效性,在不影响匹配效果的前提下,本文方法可显著提高复杂形面边界特征的提取效率.     

深度连续卷积神经网络模型构建与性能分析

为了提升卷积神经网络特征提取能力,设计了一种基于连续卷积的深度卷积神经网络模型.该模型采用小尺度的卷积核来更细致地提取局部特征,并借助连续的两个卷积层增加模型的非线性表达能力,结合Dropout技术降低神经元之间的相互依赖,利用抑制网络过拟合对模型进行优化.人脸表情、手写数字字符和彩色图像的目标识别实验表明,在图像较为复杂时,该模型在识别的准确性和泛化性能上比手工特征提取方法及一般的2、3层卷积结构具有明显的优势.     

基于堆栈式稀疏自编码器的高光谱影像分类

为挖掘高光谱影像数据的内在光谱特征,该文基于深度学习理论,引用堆栈式稀疏自编码器构建原始数据的深层特征表达。首先通过稀疏自编码器,得到原始数据的稀疏特征表达。其次通过逐层学习稀疏自编码器构建深度神经网,输出原始数据的深度特征。最后将其连接到支持向量机分类器,完成模型的精调。实验结果分析表明:基于堆栈式稀疏自编码器的最优分类模型,总体精度可达87.82%,优于实验中的其他方法,证明了深度学习方法在高光谱影像处理中具有良好的分类性能。     

基于图像内容的常见蔬菜病害诊治研究

研究计算机视觉技术在蔬菜病害诊治中的应用,构建黄瓜、番茄等常见蔬菜的病害图片库,对图片库中的图片和待检测图片进行预处理,并使用PCA算法对图像提取特征,得到蔬菜病害的特征库;提取待检测的病害图片的特征,使用余弦相似度与病害特征库比较,检测出病害图像。实验结果表明,将PCA算法应用到蔬菜病害的图像识别,有较好的识别效果。     

基于随机子空间的多标签类属特征提取算法

目前多标签学习已广泛应用到很多场景中,在此类学习问题中,一个样本往往可以同时拥有多个类别标签。由于类别标签可能带有的特有属性（即类属属性）将更有助于标签分类,所以已经出现了一些基于类属属性的多标签学习算法。针对类属属性构造会导致属性空间存在冗余的问题,本文提出了一种多标签类属特征提取算法LIFT_RSM。该方法基于类属属性空间通过综合利用随机子空间模型及成对约束降维思想提取有效的特征信息,以达到提升分类性能的目的。在多个数据集上的实验结果表明：与若干经典的多标签算法相比,提出的LIFT_RSM算法能得到更好的分类效果。     

基于宽带时频图的多路摩尔斯信号自动检测

针对现有算法没有涉及的宽带环境下多路摩尔斯信号自动检测问题,提出一种基于宽带时频图和集成学习分类器的算法.首先,通过提出一种基于宽带时频图的信号快速窄带滤波方法,实现噪声背景中各类型信号窄带时频图的快速获取;然后,为从上述窄带时频图中识别出多路摩尔斯信号,提出3个新特征与局部二值模式特征构成特征向量;最后,采用集成学习算法设计分类器实现摩尔斯信号的自动检测.与现有算法对比实验结果表明:针对多组实际数据,该算法的正确率均可达95%以上,同时误检率低于10%,具有良好的鲁棒性和应用价值.     

基于PSO的模拟电路故障信息特征提取

为了提高容差电路故障诊断的诊断效率,改善电路故障征兆的特征描述,采用基于信息熵的方法生成被测容差电路的故障特征,并提出了基于离散粒子群的容差电路故障信息的特征提取方法,由此确定用于故障诊断的最佳特征子集,并以此训练故障分类器,对容差电路的软故障进行诊断定位。实验证明了基于粒子群和信息熵的特征描述和特征提取方法的有效性。     

基于改进CSSD的运动想象脑电信号特征提取

针对现有的共空域子空间(common special subspace decomposition,CSSD)算法在脑电信号(EEG)特征提取时,类内和类间的信号特征变化导致脑电信号特征值稳定性低、特征向量区分度差的问题,提出一种改进的CSSD特征提取方法,即基于KullbackLeibler距离的共空域子空间分解法(KL-CSSD)。在传统CSSD算法的基础上利用Kullback-Leibler距离,最大化类间距离而最小化类内差异,提取鲁棒性较强的EEG信号特征。实验结果表明:该算法相对于传统CSSD有较好的特征向量区分度,有效提高了脑电信号的正确识别率。     

基于内容的图像型垃圾邮件过滤技术研究

提出了一种图像型垃圾邮件的过滤方法,该方法不依赖于附属图像的文字信息,而是直接提取图像本身的视觉特征,包括梯度直方图、颜色直方图和LBP特征。分析了支持向量机(SVM)算法,基于该算法实现了图像型垃圾邮件的过滤,实验结果表明,LBP特征的识别效果好于梯度直方图和颜色直方图特征。