关键词： 拉曼光谱   主成分分析   t检验   广陈皮   模式识别  

摘要： 分别采集不同年份广陈皮正面和反面的拉曼光谱数据,利用光谱预处理方法结合t检验的统计学分析方法对广陈皮进行定性和定量的分析,并且利用主成分分析的模式识别法构建广陈皮年份鉴别模型。根据t检验的结果发现,广陈皮反面的拉曼特征峰大部分均通过t检验(P<0.05),说明反面的拉曼光谱在不同年份间具有显著性差异,同时反面768, 869, 1 598和2 124 cm^(-1)处特征峰随年份的单调变化,说明可以利用这4个特征峰鉴别广陈皮的年份。将预处理后的81组反面光谱的4个特征峰数据作为训练集,取均值后新生成的39组反面数据作为测试集,通过主成分回归法建立广陈皮年份鉴别预测模型,训练集预测精度为77.78%,测试集预测精度为76.92%,初步实现不同年份广陈皮的鉴别预测。

关键词： 化橘红   超高效液相色谱指纹图谱   聚类分析   主成分分析   正交偏最小二乘法判别分析   含量测定  

摘要： 目的 建立化橘红药材的超高效液相色谱(UPLC)指纹图谱,并进行化学模式识别分析及含量测定,以鉴别不同基原的化橘红差异。方法 通过建立UPLC指纹图谱,确定20批化橘红样品共有峰及峰面积,采用《中药色谱指纹图谱相似度评价系统》(2012A版)进行相似度分析。以共有峰峰面积数据为基础,采用统计分析软件SPSS 19.0进行聚类分析,SIMCA 13.0进行主成分分析(PCA)及正交偏最小二乘法判别分析(OPLS-DA),并对指认的化学成分进行含量测定。结果 UPLC指纹图谱确定了18个共有峰,指认其中5、6、8、12、15号峰分别为7-羟基香豆素、柚皮苷、野漆树苷、佛手柑内酯、异欧前胡素;相似度评价结果显示样品S2、S3、S6、S8相似度介于0.851~0.891之间,其余16批样品相似度均>0.900。聚类分析可大致区分毛橘红和光橘红,少数批次存在偏差;PCA和OPLS-DA结果显示毛橘红和光橘红有更明显的区分趋势,并筛选出3个可能造成两种化橘红差异的标志物。含量测定结果表明,化橘红近成熟组柚皮苷含量高于幼果组和未成熟组(P<0.05),未成熟组佛手柑内酯含量明显高于近成熟组(P<0.05),各组野漆树苷、异欧前胡素含量无显著性差异。结论 所建立的UPLC指纹图谱结合化学模式识别及含量测定方法,可系统、全面地评价化橘红药材质量,筛选出的差异性标志物可为药效物质研究提供参考。

关键词： 安全监控系统   作业工序   模糊聚类分析   小波包   能量谱   模式识别  

摘要： 根据某煤矿综采工作面正规作业流程实际情况以及不同阶段CO涌出规律,合理划分采煤工序。通过收集煤矿安全监控系统KJ95X现场采集的上隅角CO浓度时间数据,采用小波包阈值去噪的方法对原始数据进行数据处理,利用小波包分解提取不同采煤工序数据的能量谱作为特征向量,模糊c-均值聚类和加权模糊c-均值聚类对比聚类识别准确率和计算耗时发现,加权模糊c-均值聚类耗时长,但是聚类准确度大大提升。

关键词： 黄精芡实汤   高效液相色谱   指纹图谱   含量测定   化学模式识别   质量控制  

摘要： 【目的】探讨黄精芡实汤的高效液相色谱(HPLC)指纹图谱及含量评定的方法,同时综合化学模式识别分析法,为其质量评估提出可靠方法。【方法】使用色谱柱为Thermo Hypersil GOLD C18柱(2.1 mm×100 mm,1.9μm),流动相为甲醇-0.1%甲酸水溶剂,梯度洗脱,速度为0.3 mL/min,柱温为30℃,测量平均波长为280 nm,计算黄精芡实汤芍药苷、芍药内酯苷、没食子酸等3个主成分含量并形成指纹图谱。同时,使用“中医色谱指纹图谱相似性度评估体系”开展相似性评估,以鉴定和指认共有峰。通过聚类分析(CA)、主成分分析(PCA)和正交偏最小二乘法-判别性分析(OPLS-DA)法,对15批黄精芡实汤的指纹图谱开展评估,筛查导致其不同品质的标志物。【结果】基于15批黄精芡实汤的HPLC指纹图谱,共形成了19个色谱峰,各批次的指纹图谱与标准对照图谱相似性率均在0.85以上。聚类分析和主成分分析结果显示15批黄精芡实汤聚为2类,通过正交偏最小二乘法计算筛查了导致各批次品质不同的5个色谱峰。15批黄精芡实汤中芍药苷、芍药内酯苷、没食子酸的含量均值分别为0.119%、0.126%、0.039%。【结论】本研究采用HPLC含量测定方法、化学指纹图谱和化学模式识别分析的技术简单、有效,可对黄精芡实汤的质量进行控制与评估。

关键词： 设计模式识别   精确率   有向图   二级子系统   软件逆向工程  

摘要： 为寻找系统中的模式实例,现有设计模式识别方法多直接将原系统与设计模式进行匹配,从而引入大量的假阳性实例或假阴性实例,导致召回率和精确率降低。为此,在前期研究的基础上,进一步探索基于相似度评分与二级子系统的设计模式识别方法。根据从系统中提取的相关信息,将系统和设计模式表示为有向图/矩阵形式。将待识别系统划分为若干个子系统,并进一步拆解和重组为类个数与待识别模式中角色个数相等的二级子系统。利用相似度评分算法判断二级子系统是否为模式实例,同时对获取的实例做进一步处理,以得到最终的模式实例。在JHotDraw、JRefactory和JUnit三个开源项目上的实验结果表明,该方法的平均召回率分别达到96.7%、91.7%和100%,平均精确率分别达到94.9%、91.5%和92.5%,而CPU时间花费分别为5408 ms、22280 ms和3284 ms,在保持高召回率的前提下提升了精确率和时间效率。

关键词： 自然语言处理   人工智能   群体智能   智能计算   模式识别   智能系统   因果推理   多智能体  

摘要： 2023年将特别关注元宇宙、人工智能、物联网、区块链、量子计算、大数据、隐私安全保护等技术的融合应用。本年度组稿包括但不仅限于以下方向:人工智能:多视图/多模态学习、统计学习、联邦学习、稳定学习、终身学习、跨模态内容生成、大数据智能、混合增强智能、群体智能、因果推理、类脑智能计算、量子智能计算、智能机器感知与模式识别、自然语言处理与理解、机器人与智能系统、多智能体协同、自主协同控制与优化决策、人工智能艺术创作。

关键词： 三维特征   UV展开   三维网格   模式识别  

摘要： UV展开是计算机图形学领域用于三维模型表面纹理贴图的一项技术,主要通过三维模型表面网格的形变,建立三维坐标到二维图像坐标之间一对一的映射关系。由于三维物体表面,特别是非刚体三维模型(例如人体)对于空间坐标不具有不变性,而其相对于表面的二维坐标一般是固定不变的,因此可以将三维模型转化到二维平面下进行研究,另一方面,三维模型的二维图像表示对于基于深度学习的三维物体识别等方面具有一定应用价值和实际意义。针对这一问题,本文主要研究如何将三维模型转化为二维图像,实现三维模型的降维处理。基于三维模型的二维图像表示进行特征提取和识别,以验证降维之后三维特征可以存储在二维图像上。三维模型的UV展开使得庞大的三维模型信息简化为二维信息,在三维特征学习和三维识别方面有着巨大意义。本文通过UV展开将三维表面映射到二维UV空间进行三维特征表示研究,主要包括以下几个方面。1)基于点云的三维特征。首先详述了点云特征并利用点云特征对点云数据进行配准,对比各个配准算法的优缺点。2)基于UV展开的三维特征。本课题主要研究三维特征的二维图像表示,通过将三维模型映射到二维的UV坐标下表示,使得庞大的点云数据转化为简单的二维图像。首先将三维模型分为封闭和非封闭模型进行UV展开,其次将三维点云进行PCA处理之后投影到二维平面生成深度图像,最后研究三维网格化之后通过不同算法展开到UV坐标下,并使用UV空间来存储三维数据集中的所有数据,让三维数据和二维图像一一对应。3)UV展开特征提取与识别。将UV展开之后的三维模型进行特征提取与识别。实验结果表明,本文提出的基于UV展开的三维特征表示方法能够将三维模型展开到二维图像上,并获得了理想的实验结果。本文能优先保证三维模型的表面完整地保存在维平面上,通过对二维坐标的索引可以提取三维模型的表面特征,最后对基于UV图像进行了三维模型的模式识别实验。

关键词： 局部放电   模式识别   支持向量机   深度卷积生成对抗网络   CvT网络模型  

摘要： XLPE电缆作为现代电力传输的核心组件,是电力系统中不可或缺的组成部分。电缆局部放电是电缆绝缘劣化的一个关键表征,其识别可以评估电缆绝缘缺陷风险等级,提供状态检修的依据。机器学习从浅层学习到深度学习均在电缆局部放电领域有所应用,并取得显著成效。传统的浅层学习算法因为电缆局部放电数据采集难度大、数据规模较小而被广泛应用于该领域。随着数据增强技术的发展,深度学习模型在电缆局部放电识别领域也得到了应用并取得了相应的成果。因此,本文以支持向量机(Support Vector Machines,SVM)和卷积视觉变换器(Convolutional vision Transformer,CvT)模型为核心模型框架,分别探究电缆局部放电模式识别效果。 首先,依照试验电路图搭建了电缆局部放电试验平台,并介绍了所使用的试验设备。其次,人工模拟了四种XLPE电缆的常见绝缘缺陷,并在试验电压下采集了原始放电数据。最后,绘制了时域波形图和局部放电相位分布(PRPD)三维谱图进行可视化分析。研究表明,不同类型的绝缘缺陷局部放电特征也有所不同,为后文的识别工作奠定了数据基础。 由于电缆局部放电原始数据集规模较小,而SVM在处理高维、小样本数据条件下有很大的优势,但SVM的性能受到核函数参数和惩罚因子的选取的影响,而这些参数的选取通常有一定的困难。因此,本文提出一种基于萤火虫扰动的麻雀搜索算法(Firefly optimized Sparrow Search Algorithm,Fo SSA)对支持向量机进行参数寻优,实现对电缆局部放电模式识别的研究。首先提取PRPD谱图的统计特征作为支持向量机模型的输入。其次,在麻雀搜索算法(Sparrow Search Algorithm,SSA)中引入Circle-Gauss混合映射模型进行种群初始化,提高了种群的多样性;在麻雀搜索过程中引入动态步长策略以及引入萤火虫扰动策略,使麻雀跳出局部最优,寻找SVM参数(c,g)的全局最佳组合。实验表明,Fo SSA-SVM的分类准确率最高,相比于SSA-SVM其分类准确率提高了5%。 为了克服浅层机器学习算法需手动提取特征且容噪能力弱的问题,本文基于优化的CvT网络模型对电缆局部放电模式进行识别研究。但深度学习优势的发挥需要大量数据作为训练基础,而在实验室条件下采集大量局部放电原始数据较为困难。本文首先利用局部放电数据图像化思想构造了2D-PRPD谱图作为CvT网络模型的输入。其次,提出了一种基于梯度惩罚优化的Wasserstein距离自注意生成对抗网络(Wasserstein Self-attention Deep Convolutional Generative Adversarial Networks,WSDCGAN)数据生成模型,该模型使用带梯度惩罚优化的Wasserstein距离代替JS散度,提高模型训练的稳定度;在判别器模型中引入自注意力,学习输入数据之间的长期依赖关系。最后,通过定性和定量评估验证了WSDCGAN模型生成样本的优越性。 为了使电缆局部放电数据集规模和深度学习模型相匹配,本文首先使用WSDCGAN模型进行数据增强来增加原始数据集的规模;其次,在CvT网络模型的各个阶段嵌入通道自注意力机制,加权特征图以提取更有效的特征;最后,为了适应数据规模,合理选择模型结构中的各阶段中卷积自注意模块的数量。实验结果表明,本文提出的方法在电缆绝缘缺陷的2D-PRPD谱图识别任务中的识别准确率达98.5%。

关键词： 相位敏感型光时域反射仪   周界安防   特征修正   神经网络   识别精确率  

摘要： 基于相位敏感型光时域反射仪(Phase-sensitive Optical Time-domain Reflectometer,Φ-OTDR)的分布式光纤传感器能同时精确检测和定位多个扰动,可用于长距离的实时监控和精确定位,已大范围应用于工程结构的健康监测、周界安防及油气管道安全防护等领域中。然而,在实际的Φ-OTDR监测系统中,外部自然环境干扰易使数据采集过程中引入背景噪声,造成人为入侵事件的样本污染,导致识别精确度下降。为了减少传感系统中的误报警,提高Φ-OTDR在复杂环境中的事件识别率,本文提出基于样本特征加权的特征修正算法。通过建立基于样本相关度的准确度评估和加权策略,并将该算法与BP(Back Propagation)神经网络结合可以对扰动事件进行准确识别。通过实验验证了该类算法可以有效的提升特征区分性,进而提高各种扰动事件的识别率。在信号预处理和特征提取阶段,对信号进行归一化、数据划分等处理。从时域和频域提取了36个特征值,通过Fisher特征选择方法进一步分析了特征数量对识别准确率的影响。在特征优化算法方面,本文提出了一种基于样本特征加权的特征修正方法,通过特征修正算法对数据集中的噪声样本特征进行了优化,提高了样本特征区分度。在扰动事件识别算法方面,本文采用BP神经网络作为分类器,结合特征修正算法,构建SWBP(Sample weighting BP)模式识别方法,通过训练得到Φ-OTDR扰动信号识别模型。在实验验证和分析阶段,本文在真实的环境下进行了扰动事件识别实验,通过建立Φ-OTDR分布式光纤传感系统采集了四种扰动事件的信号并建立了数据集。然后采用BP神经网络方法和SW-BP方法对数据进行了训练验证。实验结果表明SW-BP方法对四种扰动事件的平均识别率达到了99.38%,与BP神经网络方法对比,可提升3%的识别准确率,误报率也有明显的降低。通过在实验场景中建立新的测试数据集对已训练模型进行了泛化测试,实验结果验证了SW-BP方法的泛化能力更好。通过在训练样本中人为混入噪声样本对两种方法进行了抗噪声测试,改进的SW-BP方法对比BP神经网络方法提高4%以上的识别准确率,SW-BP方法在样本有噪声干扰的情况下平均识别精确率有较明显的提升。本文所提出的SW-BP方法在识别精度、泛化、抗干扰方面更具优势,可以有效提高Φ-OTDR系统在复杂环境中的可靠性和鲁棒性。