改进的Beamlet与Canny相结合提取复杂图像线特征

传统Beamlet无结构算法在提取图像线特征时不仅存在重叠模糊的缺陷,而且在提取复杂图像线特征时不能有效地检测出目标信息,细节特征更是难以刻画。针对这些问题,提出将改进的Beamlet无结构算法与Canny算子相结合的方法提取复杂图像的线特征。首先,对图像进行Beamlet变换,通过改进Beamlet无结构算法,采用新的能量统计和制定新的划线规则,以保证每个二进方块最多有一条最优基;然后,对图像用Canny算子检测边缘,通过选取较大的Sigma,只检测明显的大边缘;最后,两者结合得到图像的线特征。从检测的线特征的线型连接程度等方面对该算法的性能进行了评价,并与现有的方法进行了比较,实验结果表明,该方法克服了两种方法单独提取线特征时存在的断裂、重叠、模糊和虚假边缘的缺点,有效地提高了复杂图像线特征提取的准确性和连续性。     

改进的图像关键点特征提取形状匹配算法

研究图像特征提取匹配优化问题。传统的图像配准算法效率和精度较低等不足,导致形变图形配准和识别难,提出了一种改进的局部反射特征图像关键点匹配算法。算法首先采用了一种新的算法来对图像进行特征点信息提取,依据图像的仿射不变性原理来计算各三角形区域相对的面积。在关键点附近构造三角形区域,通过仿真表明,提出的改进的算法能够快速的检测图像的关键点,而且能够获得更加多的关键点,有效的提高了算法检测的效率,具有一定的实际应用价值。     

基于卡尔曼滤波SVM图像鉴别方法研究

研究如何区分自然图像和计算机图形判别图像问题。由于人眼难以判别真伪图像,针对传统的图像鉴别方法由于参数的设置而造成识别准确率低,从而无法准确的区分自然图像和计算机图形。提出了一种卡尔曼滤波和支持向量机分类算法相结合的高性能图像真伪鉴别方法。算法首先采用卡尔曼滤波器提取图像的各个级别的分量,求解出各级分量和判别的误差值并作为特征数据,然后采用支持向量机分类算法对特征数据进行训练判别。仿真结果表明,提出的算法可以有效的判别图像的真伪,可以有效的识别出原始自然图像和合成图像,识别率高达99%以上,同时算法的稳定性较高,具有一定的实际应用价值。     

改进的CNN-LSTM轴承故障诊断方法

为了克服卷积神经网络(Convolutional Neural Network, CNN)轴承故障诊断方法特征提取过程困难以及难以捕获时间序列数据之间的长期依赖关系的问题,提出一种改进的卷积-长短时记忆网络(Convolutional Neural Network-Long and Short Term Memory, CNN-LSTM)滚动轴承故障诊断方法。将二维轴承加速度振动信号输入CNN提取局部特征,再将轴承特征信息加载到LSTM长期记忆单元中,引入遗忘机制提取时序数据的全局特征。利用轴承振动信号的局部深层特征和全局时序特征,学习不同区间长度的序列特征,从而提高故障诊断精度。实验结果表明,该方法可用于轴承故障诊断,且具有较高的分类精度和较强的稳定性。     

桥梁健康监测中损伤特征提取的小波包方法

针对桥梁健康监测中结构损伤识别的特点,从模式识别的角度提出和分析了损伤特征提取问题.阐述了基于小波包分析的两种节点能量特征提取的方法.为了研究小波包系数节点能量和小波包信号成分节点能量对损伤信息进行特征提取的差异,通过对随机荷载激励下的连续梁进行数值模拟,得到了结构未损和损伤状态下的加速度时程信号.应用小波包变换,对不同结构状态下的加速度信号分别提取了两种小波包节点能量特征,并对它们作为结构损伤特征指标的敏感性进行了比较.认为两种特征指标的敏感性相差很小,而小波包系数节点能量特征指标的计算效率更高,更适合桥梁健康监测中损伤特征提取的要求.     

基于PCC-RBF网络的风电功率短期预测方法

风电功率预测对风电场安全平稳运行、电网调度具有重要意义。针对风电功率短期预测指标选择不合理、预测精确度偏低的问题,提出一种基于皮尔逊相关系数(PCC)和径向基函数(RBF)神经网络的风电功率短期预测方法。该方法利用PCC筛选出与风电功率密切相关的3个指标,即电流、温度、风速,然后以这3个指标作为预测模型的输入对风电功率进行RBF样本训练与短期预测。试验结果表明,所提的预测模型预测误差更小,预测精度更高,能够满足风电功率短期预测的要求,具有广泛的应用前景。     

EPR电缆终端不同位置下环切缺陷的电场及放电PSA谱图特性

动车组用乙丙橡胶(ethylene-propylene rubber,EPR)电缆终端在安装时需人工剥除外半导电层,易造成环切缺陷进而导致放电现象,同时缺陷处易填充气体形成气隙,将加速放电发展,最终引起严重的电缆击穿故障。首先对距截断处60 mm内含环切缺陷的电缆终端进行有限元分析,计算环切处最大场强;然后在25 kV工频电压下开展放电试验,分析了PRPD和PSA谱图特征,并对PSA谱图灰度值作K-means聚类特征提取。研究结果表明,环切缺陷的位置与其对EPR电缆绝缘性能的影响密切相关,距截断处60mm以内的环切缺陷不可忽视;当连续放电脉冲电压差绝对值相等时,缺陷靠近截断处且影响极其严重,距离超过60 mm时则影响较小。结合放电特性可知,PSA谱图灰度值小于255的频数在5区的最大占比、4区的最小占比和分类聚心特征,可为判断环切缺陷位置和EPR电缆绝缘状态提供重要的理论依据和数据参照。     

基于数据流特性的配用电边缘计算终端协议识别方法

电力物联网背景下海量异构配用电数据接入边缘终端,为了提升边缘终端对配用电数据的辨识分析能力, 提出一种基于配用电数据流特性的边缘终端协议识别方法.在分析配用电数据特点的基础上,从多角度提取配用电数据流特征,接着对 K-means聚类方法进行改进,以适应配用电数据流识别的需求,最后形成了一套配用电边缘计算终端协议识别方法的完整流程,能够有效进行配用电数据的协议识别.     

涡流检测信号小波除噪与缺陷特征提取

应用小波分析技术进行涡流检测的信号除噪和缺陷识别。根据信号在不同小波变换下表现形式不同的特点，提出一种综合应用多种小波除噪的方法，效果优于通常的单一小波方法。应用小波多尺度边缘检测功能进行缺陷的定位和尺寸判别。借助小波多尺度分析功能，可以对缺陷信号进行仔细分析，并对相近缺陷进行分类。