高速列车转向架故障信号的聚合经验模态分解和 模糊熵特征分析

为了对高速列车转向架关键部件进行状态监测,利用转向架故障振动信号的特点,提出了一种结合聚合经验模态分解和模糊熵的特征提取方法.对故障信号进行聚合经验模态分解,得到一系列具有不同物理意义的简单成分信号,采用相关分析法选取最能反映原信号特征的本征模态函数.对这些本征模态函数和原信号分别计算模糊熵值构成多尺度复杂性度量的特征向量,输入最小二乘支持向量机中进行分类识别,与模糊熵特征相比得到了更好的识别效果,证明了算法的有效性.     

基于直方图的水墨画艺术风格研究

基于内容的照片或自然图像分析和检索已经得到广泛的研究,但多数都基于颜色特征,不能直接用于水墨画艺术作品的分析。对图像进行预处理,提出基于灰度直方图描述水墨画笔道力度分布信息及构图风格,并利用神经网络学习水墨画整体技法风格特征,依据此特征进行不同艺术家间的分类。实验结果表明,通过对整体风格特征的提取,直方图模型能够有效表征画家不同的艺术风格,实现了水墨画的自动分类。     

基于改进卡方统计的微博特征提取方法

通过对微博文本特征信息的分析与研究,提出一种基于改进卡方统计的微博特征提取方法。扩充微博信息分类特征,在传统的卡方统计量的基础上,引入了频度等因素,改进特征选择方法;在传统的特征项权值计算的基础上,提出了新的改进卡方统计量的方法,改进权重计算效果。对上述方法利用经典KNN和SVM算法进行了测试,实验结果表明该方法提高了微博信息分类的准确率。     

多尺度空间特征提取的脊柱图像拼接算法

针对脊柱图像视野有限,提出一种基于优化MSFE的脊柱图像自动拼接算法。设计出一种基于尺度因子变化的高斯卷积模板尺寸自适应调整以及双向配对办法;相似性度量采用城市距离;利用RANSAC算法去除错配,从而确定待拼接图像之间的变换参数,最后利用加权平均对图像融合。对实际取得的多幅脊柱图像拼接结果表明该算法具有很好的实时性和鲁棒性。     

基于类属属性的多标记学习算法

在多标记学习框架中,每个对象由一个示例(属性向量)描述,却同时具有多个类别标记.在已有的多标记学习算法中,一种常用的策略是将相同的属性集合应用于所有类别标记的预测中.然而,该策略并不一定是最优选择,原因在于每个标记可能具有其自身独有的特征.基于这个假设,目前已经出现了基于标记的类属属性进行建模的多标记学习算法LIFT.LIFT包含两个步骤:属属性构建与分类模型训练.LIFT首先通过在标记的正类与负类示例上进行聚类分析,构建该标记的类属属性;然后,使用每个标记的类属属性训练对应的二类分类模型.在保留LIFT分类模型训练方法的同时,考察了另外3种多标记类属属性构造机制,从而实现LIFT算法的3种变体——LIFT-MDDM,LIFT-INSDIF以及LIFT-MLF.在12个数据集上进行了两组实验,验证了类属属性对多标记学习系统性能的影响以及LIFT采用的类属属性构造方法的有效性.     

基于退化四元小波变换的纸币识别

针对如何提取纸币图像特征和提高识别率的问题,综合利用退化四元小波变换具有的相位特性,提出一种基于退化四元小波变换的纸币识别方法.该方法首先对采集的纸币图像进行倾斜校正和边缘检测,然后运用退化四元小波对纸币图像进行分解操作,并对分解系数进行统计分析,将每个分解子带系数的能量和标准差作为该纸币图像的特征向量,最后将支持向量机作为分类器对纸币图像进行识别.本文方法在资源约束的嵌入式清分系统上实现,实验结果表明采用本文提出的算法突破了传统纸币识别系统识别率很难再提高的瓶颈,同时能够满足清分系统的实时性要求.     

用于文本分类的特征项权重算法改进

TF-IDF算法是文本分类中一种常用的权重计算方法,但是TF-IDF仅仅考虑了特征项在文本中出现的次数以及该特征项在训练集中的出现频率,没有考虑特征项在各个类间的分布情况及特征项的语义信息。因此针对TF-IDF的不足提出了一种改进的TF-IDF算法,此算法既考虑了特征项在类内的分布情况又考虑了特征项的位置及长度等语义因素,能更好地反映特征项的重要性。用朴素贝叶斯分类器验证其有效性,实验结果表明该算法优于TF-IDF算法,能较好地提高文本分类的准确率。     

我国玻璃纤维复合材料新时期的特点与对策

本文综合论证了玻璃纤维及其主要用途的复合材料工业概况,指出我国玻璃纤维复合材料工业已经进入一个新的发展时期.过去是以发展速度为主要特征,现在则以产品应用、质量提高为重要标志.本文对新时期我国玻璃纤维复合材料的技术方向和行业管理提出建议.     

新型氯乙烯非均相聚合动力学和成粒机理

对以正丁烷（But)为反应介质的新型氯乙烯（VC）非均相聚合动力学和成粒机理进行了研究，根据VC-But二元体系气液平衡方程，由聚合过程气相压力或组成变化计算VC聚合转化率，VC非均相聚合的诱导期不明显，自动加速现象一般发生在聚合前、中期，后期聚合速率较小，新型VC非均相聚合PVC树脂的体粒径与悬浮PVC树脂相当，数均粒径较小，PVC颗粒由基本不熔结的初级粒子组成，颗粒内部初级粒子分布密度大，粒径大，孔隙率高；而在颗粒表层初级粒子分布密度高，粒径小，孔隙率低；树脂的增塑剂吸收率远大于悬浮PVC树脂，根据PVC树脂的颗粒特性和PVC与VC／But混合液的溶解度参数差异，推断聚合成粒机理为：PVC分子链在很低转化率时就从聚合介质中沉析出来并聚集形成微区，初级粒子和颗粒；后期成粒过程包括颗粒内部初级粒子的增长和向表层的离心聚集，颗粒对新形成的大分子链及其初级聚集体的捕捉等。     

基于机器学习的肺部CT图像非刚性配准误差预测方法

配准误差评估通常由人工完成,耗时费力;常用的Dice测度只关注组织边缘的配准误差,难以评估组织内部配准结果。针对以上问题,提出一种基于机器学习的肺部CT图像非刚性配准误差预测方法(PREML)。该方法首先构建形变场统计特征、形变场物理保真度特征和图像相似性特征三类特征,然后通过池化方法扩充特征数量,最后使用随机森林回归方法预测非刚性配准误差,并且使用自适应随机扰动方法模拟肺部配准误差空间分布,进一步提升形变场统计特征的配准误差表征能力。在三个肺部CT图像数据集上进行训练与测试,其配准误差预测结果与金标准之间的平均绝对差异为1.245±2.500 mm,预测性能优于基线方法。结果表明,PREML方法具有预测精度高、鲁棒性强的特点,可提升配准算法在临床应用的有效性和安全性。