基于选择性SVM集成的模拟电路故障诊断方法

为克服支持向量机在故障诊断应用中存在的不足,设计了基于聚类分析的选择性支持向量机集成学习算法,并应用于模拟电路故障诊断.该方法采用K-means聚类算法去除相似冗余个体,提高剩余个体学习机的差异性,增强了支持向量机集成模型的泛化能力.以ITC 97标准电路中的Leap-Frog滤波电路为诊断实例进行了仿真实验.     

基于谱聚类的高分辨率全色遥感影像分割

为了协调高分辨率全色遥感影像区域和边界的最优分割,提出了一种基于像素邻域和光谱特征的谱聚类高分辨率全色遥感影像分割方法。该算法重点着手于构建影像图模型,在其中引入像素邻域作用并充分顾及像素光谱测度差异。假定邻域像素具有连接关系,并在此基础上构建影像连接矩阵,再考虑像素光谱测度差异的影响建模像素间相似性,最终结合像素连接性和相似度构建影像权值矩阵完成图模型建立;而后在图模型的基础上,采用对权值矩阵特征分解并就分解结果进行选择的方式将影像数据变至低维特征空间,进而对获取的新数据执行FCM聚类算法达到影像分割目的。为了验证提出算法的有效性,分别对模拟影像和高分辨率全色遥感影像进行分割实验,定性、定量的评价结果表明了该算法的可行性与优越性。     

Semi-supervised weighted kernel clustering based on gravitational search for fault diagnosis

Supervised learning method, like support vector machine (SVM), has been widely applied in diagnosing known faults, however this kind of method fails to work correctly when new or unknown fault occurs. Traditional unsupervised kernel clustering can be used for unknown fault diagnosis, but it could not make use of the historical classification information to improve diagnosis accuracy. In this paper, a semi-supervised kernel clustering model is designed to diagnose known and unknown faults. At first, a novel semi-supervised weighted kernel clustering algorithm based on gravitational search (SWKC-GS) is proposed for clustering of dataset composed of labeled and unlabeled fault samples. The clustering model of SWKC-GS is defined based on wrong classification rate of labeled samples and fuzzy clustering index on the whole dataset. Gravitational search algorithm (GSA) is used to solve the clustering model, while centers of clusters, feature weights and parameter of kernel function are selected as optimization variables. And then, new fault samples are identified and diagnosed by calculating the weighted kernel distance between them and the fault cluster centers. If the fault samples are unknown, they will be added in historical dataset and the SWKC-GS is used to partition the mixed dataset and update the clustering results for diagnosing new fault. In experiments, the proposed method has been applied in fault diagnosis for rotatory bearing, while SWKC-GS has been compared not only with traditional clustering methods, but also with SVM and neural network, for known fault diagnosis. In addition, the proposed method has also been applied in unknown fault diagnosis. The results have shown effectiveness of the proposed method in achieving expected diagnosis accuracy for both known and unknown faults of rotatory bearing.     

特征保持点云数据精简

由于三维扫描设备采集的点云数据庞大,本文提出了一种特征保持的点云精简方法以在减少冗余数据的同时更好地保持原始曲面的几何特征。首先,利用K均值聚类法在空间域对点云全局聚类,对点云构建K-d树并以K-d树的部分节点作为初始化聚类中心。然后,用主成分分析法估计点云法矢和候选特征点,遍历每个聚类,若类中包含特征点则将该类细分为多个子类,细分时将聚类映射到高斯球。最后,基于自适应均值漂移法对高斯球上的数据进行分类,高斯球上的聚类结果对应为空间聚类细分结果,各聚类中心的集合为精简结果。以多个实物模型为例验证了算法的有效性。结果表明,本文方法精简的点云在平坦区域保留少数点,在高曲率区域保留更多的点。相比于非均匀网格、层次聚类、K均值点云精简法,该方法对包含尖锐特征的曲面精简误差最小,更好地保留了原始曲面的几何特征。     

基于高斯映射的CAD网格法向聚类分割方法

网格模型特征的分割和识别,能够极大地提高复杂机械产品设计中模型重用、模型编辑的效率。由此,提出一种基于高斯映射的法向聚类CAD网格分割方法。对网格模型各面片法向进行高斯映射,建立各单元面片边连接邻域与高斯球面法向的对应关系。对各法向在高斯球面上进行k-means聚类分割,依据法向初始聚类类型和二面角阈值细化分割。将过分割的细小区域进行合并处理,根据各区域邻接矩阵及其类型的相似性进行特征识别和归并处理。本算法能够高效地对复杂机械产品的网格模型进行分割和识别,不受网格疏密的限制。     

基于单通道sEMG分解的手部动作识别方法

表面肌电信号(Surface electromyography,s EMG)已广泛应用于手部动作识别。为提高动作识别精度,研究者往往需要采集多个通道s EMG信号,从而增加应用复杂性,针对这一情况,提出一种基于单通道s EMG分解的手部动作识别方法。使用单通道电极采集人体上臂肌肉s EMG,将其分解为6个运动单元动作电位序列,过程包括:二阶差分滤波、阈值计算、尖峰检测、分层聚类;然后,提取绝对值积分、最大值、非零中值、半窗能量等特征,并采用主元分析法降维;最后,利用支持向量机分类识别5种不同手部动作,精度达到80.4%。而采用未融合s EMG分解的传统方法,动作识别精度仅有约70%。     

重型数控机床热误差建模及预测方法的研究

重型数控机床的热误差已经成为影响其加工精度的一个关键问题。针对一台典型的重型落地铣镗床,以机床热误差测量试验为依据,分析该类机床温度场的特点;据此提出一种旨在完成高效温度测点优化的改进系统聚类方法,该方法使用一种兼顾欧氏距离和相关系数的系统聚类准则,可以有效地降低优化后温度测点之间的共线性。基于优化后的温度测点,利用多元线性回归分析,构建了机床的热误差预测模型。现场试验数据表明,该方法可以将热误差预测的均方根误差降低到10μm以下,相较于其他方法有着更高的热误差预测精度,有望在其他重型数控机床的热误差建模和预测研究中得到更大的推广应用。     

物联网技术在电厂设备运行监测系统中的应用

当前方法对运行电厂设备进行监测时存在监测运行时间长、聚类效果差和监测效果差的问题,为此提出物联网技术在电厂设备运行监测系统中的应用方法。对电力数据的状态进行评估聚类,生成电厂设备状态信息类别,基于隶属度最大原则生成电力状态信息集;在物联网技术的基础上计算节点间的欧氏距离,并采用横向近似的方法分析电力情况,最终经过对数据点的修正,确认出设备的异常数据点,实现电厂设备运行监测。实验结果表明,所提方法的监测运行时短、聚类效果好、监测效果好,以及监测结果平均误差小。     

基于梯度聚类的有序点云边缘优化提取方法

应用传统的2D边缘检测器检测低分辨率深度图中物体边缘时,边缘检测精度较差,召回率低;而当前基于3D点云的边缘提取方法也存在实时性差、抗干扰能力弱等缺点。为此,提出一种基于梯度聚类的边缘优化提取方法,实现从有序点云中快速、稳定地检测物体的边缘。首先,通过邻域点距离分析滤除飞行像素噪声,消除边缘误检;其次,提出一种基于梯度聚类的边缘点/非边缘点分离方法,快速获取物体的粗边缘;最后,结合快速平行细化算法与掩膜滤波,优化粗边缘,获得物体精确边缘。在公共数据集和TOF相机实测数据上进行实验验证。结果表明,提出方法的实时性与检测精度均优于现有方法,在实测数据中的边缘检测精度达89%,FPS达28 fps。     

基于序关系法的建筑企业技术创新风险灰色聚类评价

目前我国建筑行业竞争激烈,技术创新作为提高建筑企业核心竞争力和可持续发展能力的重要渠道,得到越来越多企业的重视。针对建筑企业技术创新风险影响因素不确定和风险环境复杂的特点,建立了建筑企业技术创新风险的评价指标体系。选用序关系法对指标赋权,结合灰色聚类法进行评价分析,得到建筑企业的技术创新风险值。并通过实证研究证明其有效性,为建筑企业技术创新管理提供良好的指导。