关键词： 人格识别   心电(ECG)   虚拟现实(VR)   情绪唤醒   模式识别  

摘要： 近年来,基于心电(ECG)信号的人格识别已受到心理学和计算机科学等领域研究人员的共同关注。前期基于ECG信号的人格识别任务主要聚焦于非沉浸式的2D视频情绪刺激场景下的研究,尚未有对于沉浸式的虚拟现实(VR)视频情绪刺激场景下的研究。由于VR技术具有高度的沉浸感等优势,已在许多领域取得越来越多的实际应用。为了便于利用可穿戴设备检测人格特质,论文设计了在VR场景下采集的ECG信号来分析其人格特质的方式,使用机器学习算法构建了VR和2D场景下的大五人格识别模型,以实现VR和2D视频场景下的分类识别任务,并对比了VR和2D视频场景的统计分析结果和人格识别结果,揭示了VR视频作为情绪刺激材料的优势。论文主要从情绪诱发实验设计、ECG信号的获取与预处理、特征提取及人格识别分类模型的构建等方面进行了研究。论文主要研究内容与结果如下:(1)构建了基于ECG信号的情绪-人格生理数据库EP-SWU。为了构建识别模型,首要任务是解决目前缺乏VR场景下的人格生理数据库的问题。论文提出使用VR和2D视频作为情绪刺激材料获取ECG数据的方法,并构建了情绪-人格的生理数据库EP-SWU。VR组和2D组共收集了103名被试在7种情绪刺激视频下的ECG信号数据。通过被试填写的大五人格量表(NEO-FFI)分数将ECG数据分为两类,为ECG数据贴上不同的人格标签。该数据库为后续的人格识别建模及其相关研究提供了数据支持。(2)构建了人格识别的机器学习模型。论文提出了基于ECG信号识别VR场景和2D场景观影者人格的方法。首先,对EP-SWU数据库中的ECG进行预处理以获取RR间期序列;然后,对RR间期序列提取时域、频域及非线性特征;最后,将归一化后的特征数据分别输入到三种常用机器学习算法模型中,并利用十折交叉验证进行训练和分类,通过序列后向选择算法筛选特征。实验结果显示,对于VR组,分类模型在神经质性、外向性、开放性、宜人性、严谨性人格维度上的二分类结果(F1分数)最高分别为0.79、0.80、0.81、0.73、0.81;对于2D组,同样地,人格分类的最高结果分别为0.75、0.76、075、0.81、0.78,均明显高于随机猜测。这表明在沉浸式VR场景和非沉浸式2D场景下,基于ECG信号和机器学习算法进行人格识别是可行的,均可以取得较高的识别效果。(3)比较并验证了VR场景下识别人格特质的优势。论文对比VR组和2D组的统计分析结果和分类模型识别效果,揭示了VR在人格计算领域的优势。统计分析层面,首先对VR组和2D组的人格量表分数分别进行了相关性分析,结果显示两组被试的人格分数存在相似的规律,这与先前研究结果一致。紧接着对两组的情绪量表(SAM)得分进行了分析,结果验证了情绪唤醒有效性。然后对两组的NEOFFI量表和SAM量表进行了相关性分析,结果显示出VR组和2D组具有不同的情绪-人格相关性规律。最后,分别对两组的ECG特征和NEO-FFI量表进行了相关性分析,结果表明VR组比2D组具有更多数量的显著性相关特征,这说明VR组体现出了更多的情绪-人格的生理相关性。在分类模型识别效果层面,通过对比分析发现VR组在四个人格维度上的识别结果高于2D组,这说明使用VR作为情绪刺激呈现方式更能揭示人格差异性。论文的研究结果表明,在VR场景和2D场景下,利用ECG信号进行识别人格的可行性,其意义在于可用于改善VR和2D观影场景的用户体验,实现对用户人格特质的识别任务,提供相应的个性化服务和指导,具有广阔的应用前景。同时,论文从统计分析和分类器识别效果两个层面对比了VR和2D作为情绪刺激材料呈现方式的差异,验证了VR在人格计算领域的优势,这为将来基于VR的人格和情绪研究提供了有益的参考价值。

关键词： 中药材   高光谱   化学计量学   模式识别   含量预测  

摘要： 中药材是中医药事业传承和发展的物质基础,其品质优劣直接关系到临床疗效和用药安全。由于不同药材品种、产地、采收、加工炮制和储藏方式等差异导致药材品质的差异;同时,市场部分药材亦存在以次充好、以假乱真等掺假问题。目前,对于中药材品质鉴别主要采用经验鉴别方法和化学分析技术,经验鉴别简单易行但容易受到主观因素的干扰;化学检测技术准确度较高,但亦存在检测成本高、操作繁琐、依赖硬件、耗时较长等缺点,因此开发适合市场场景的快速、无损而具有较高准确率的中药材快检方法,具有迫切的市场需求。本研究以铁棍山药、陈皮、覆盆子、薏苡仁等4种中药材为研究对象,收集不同来源的样品,采用高光谱成像技术结合多种化学计量学方法,对不同来源的药材进行模式识别分析。结果显示,不同产地的铁棍山药、陈皮、覆盆子的模型判别准确率均可达到90%以上,同时陈皮陈化年份、薏苡仁储藏年限等模型亦均具有较好的判别结果。进一步建立多个药材的指标成分含量预测模型,模型残差预测偏差(Residual predictive deviation,RPD)均达到2.5以上,显示模型性能较为优良。有效的预处理方法、模型参数调谐及波段融合建模都可能提高模型准确率;同时,特征波长的选择大大降低了模型的复杂程度和运行时间,提高了运算效率,甚至可以达到与全波段建模类似的效果。本研究建立的高光谱结合化学计量学方法可以实现多种中药材的现场无损快速鉴别及品质评价方法,为现场场景下中药材品质快速评价提供可行的技术方案。

关键词： 变压器   局部放电   模式识别   残差网络   改进WGAN  

摘要： 电力变压器作为电力系统中的重要设备,其安全稳定运行直接关系到电网的正常运行和国民的生产生活。油浸式电力变压器的绝缘系统结构复杂,因使用年限增加容易发生绝缘故障,进而引发变压器内部局部放电,分析诊断局部放电信号可以快速实现变压器故障类型的诊断。目前,有关变压器局部放电模式识别的研究主要存在以下技术难点:一是局部放电样本数据不足及各缺陷类别之间样本不平衡;二是传统局部放电的模式构建及特征提取难度较大,存在人为经验性与主观性,使得故障识别率偏低。针对以上不足,本文采用残差网络和生成对抗网络对油浸式变压器局部放电模式识别问题开展了相关研究。(1)搭建油浸式变压器局部放电模拟实验平台。完成局部放电PRPD谱图样本的获取。分析了气隙放电、悬浮放电、沿面放电和电晕放电四种变压器典型绝缘缺陷的产生机理,并模拟构建了这四种局部放电缺陷。采用高频电流法检测局部放电信号,获得了四类绝缘缺陷的局部放电PRPD谱图,并分析了不同缺陷下的谱图特征。对原始样本谱图进行数据预处理,构建了初始样本数据库。(2)基于改进生成对抗网络实现了原始样本数据的扩充。从模型训练过程损失变化曲线、不同网络模型生成样本的定量与定性对比分析等多方面,综合评估了改进WGAN的谱图生成能力,结果表明,在保证样本数据特征分布相近的前提下改进WGAN模型可以有效提高样本多样性和丰富性,改善分类器的泛化能力和识别效果。(3)基于SE-ResNet18网络实现了局部放电的模式识别。基于注意力机制SE模块改进了残差网络。为验证数据增强的实际效果,以SE-ResNet18为网络模型,对比分析了不同数据增强方法的分类效果,探讨增强样本数据对于不同分类器的适用性问题。从谱图尺寸大小、网络训练过程等方面分析了 SE-ResNet18的识别性能,并将经典CNN模型、机器学习模型的识别率与之进行了对比分析,多方面验证了 SE-ResNet18在变压器局部放电模式识别领域的优越性能。本文方法可以有效均衡和扩充局部放电样本,在一定程度上提升了分类器的识别准确率,在局部放电诊断工程中具有良好的应用前景。

关键词： 10kV电缆   中间接头   局部放电   数据增强   模式识别   ANSYS仿真  

摘要： 随着“碳达峰、碳中和”目标的明确，我国已有较多风光电场使用铝电缆作为直埋输电电缆，来实现成本的降低和清洁能源的利用。电缆中间接头作为高压电缆断面是电缆线路中最薄弱的环节，其电应力相对集中易发生故障。工况经验和研究表明，通过局部放电信息来立时诊断故障确保电缆线路的可靠运行，保障了经济和社会的效益。电缆的局部放电模式识别可以精确评估其状态，但目前由于局部放电检测系统条件的限制，使采集到的局部放电样本存在数据匮乏且分布不均衡等问题，导致了网络模型泛化能力差的现象。　　为解决上述问题，本文选用使用占比较多的10kV交联聚乙烯电缆中间接头作为研究对象，对其开展局部放电实验，提取局部放电特征信息，提出改进的Wasserstein生成对抗网络训练局部放电谱图样本数据，借以生成更多新的谱图数据，进而将生成样本数据和原始样本数据同时投入深度残差网络训练。结果表明，该方法比其他网络模型更稳定，生成谱图效果质量更佳，识别准确率更高。本文进行了以下研究工作：　　（1）利用ANSYS软件仿真建立电缆中间接头三维模型，对比无缺陷模型和主绝缘划伤缺陷、应力锥安装错位缺陷、中间接头受潮缺陷的主绝缘处场强的变化情况，分析无缺陷模型场强最大处出现的位置，比较三种典型缺陷电缆中间接头模型较无缺陷模型的电场畸变程度。　　（2）搭建电缆中间接头局部放电实验平台，制备三种典型缺陷试品，与仿真结果相结合来对比三种典型缺陷局部放电特征参数随加压时间的变化情况，生成三种典型缺陷局部放电PRPD二维谱图，分析PRPD谱图形状特征，同时构建灰度共生矩阵提取三种典型缺陷谱图纹理特征。　　（3）以三种典型缺陷局部放电PRPD谱图为对象，训练具备条件生成能力且模型稳定的改进的Wasserstein生成对抗网络生成新的谱图数据，以扩充原始谱图数据集，来提高谱图样本数据的多样性。将扩充后的数据集投入到深度残差网络进行电缆中间接头的缺陷模式识别。对比数据增强前后分类器的识别能力以及不同分类器的识别能力，本文所提方法有效地提升了基于小样本条件下的识别准确率。

关键词： 传感器阵列   生鲜食品新鲜度   特征提取   模式识别  

摘要： 随着我国经济的不断发展和人民生活水平的提高,广大消费者对食品质量和安全的要求越来越高,尤其是对于生鲜食品的卫生品质及新鲜度的检测要求更为严格。传统的生鲜食品理化检测方法需要复杂的实验设备,时间和人力成本较高,对食品的破坏性较大,不利于实时检测生鲜食品的新鲜度。电子鼻是一种模拟生物嗅觉技术的新兴无损检测方法,其测量简单快捷,在食品质量检测中有广泛应用前景,为生鲜食品新鲜度检测提供了新的思路。基于此,本文提出研究基于传感器阵列技术检测生鲜食品的新鲜度,对气体传感器阵列信号进行多维度特征提取,分析气体传感器信号与生鲜食品新鲜度之间的相关性,建立基于传感器阵列信号分析评估生鲜食品新鲜度的方法。 首先基于电子鼻技术设计搭建了生鲜食品气味测试系统,设计了一种用于食品气味测试的气路自动选择方法,可以提高实验测试的便捷性和效率,有助于获取大量的气味数据集,为食品新鲜度检测研究提供丰富的样本资源。对比较容易腐烂变质的水产品牡蛎、呼吸跃变型水果黄桃和非呼吸跃变型水果蓝莓等生鲜食品进行了测试。同时利用理化检测、感官评价等方法作为样本新鲜度的平行评价标准。提取数据集样本的波形特征、统计量特征、快速傅里叶变换以及小波变换等特征,分析各个特征随新鲜度变化的趋势。基于类间散度矩阵提出不同新鲜度样本特征可靠性的评价指标,实验表明牡蛎样本所提特征的该指标变化趋势和质检结果一致。 设计了一维卷积神经网络新鲜度评价模型,通过实验确定模型参数,并于随机森林、分类支持向量机、朴素贝叶斯、线性判别分析和K近邻等五种常见的模式识别算法进行对比,研究可靠的新鲜度评价方法。先通过随机森林算分析特征重要度,进而按照特征重要度由大到小将特征依次送入模型中,为不同生鲜食品寻找最优的分类模型和特征个数的组合,并成功将算法应用到西兰花数据集中。实验结果表明,一维卷积神经网络模型需要稍多的特征数量,但可以实现更高的准确率和普适性,在大多数任务中获得了更高的识别准确率。因而利用随机森林特征重要度排序得到的特征集合结合一维卷积神经网络算法对生鲜食品进行新鲜度的检测是可行的。本研究为冷链或日常存储场景中生鲜食品新鲜度的检测设备构建提供了具体的参考。

关键词： 建筑物群组   线型分布   模式识别   典型化   局部异常因子  

摘要： 地图是表达和传递地理信息的重要载体,已由传统纸质发展为数字地图的形式。自动制图综合一直是地图学领域研究的重要内容之一,并且也是瓶颈问题之一。作为制图综合的重要算子,典型化便是用较少的元素代替原始元素,同时保留其空间分布特征。现实生活中的建筑物群具有形态各异的分布特征,而线型分布的建筑物群是最常见和最基础的分布类型,如何对线型分布的建筑物群组进行识别和典型化是制图综合中关注的重点之一。线型分布模式有众多类型,本文针对广泛线型分布的建筑物群,研究其具有更加普适性和通用性的识别方法,并针对广泛线型分布调整典型化策略,以解决建筑物制图综合中的空间冲突和信息冗余等问题。本文主要的研究内容如下:(1)研究基于局部异常因子(Local Outlier Factor,LOF)的线型分布建筑物群组识别方法。线型分布有多种类型,针对既有建筑物群线型分布模式识别方法通用性不强的问题,本文提出新的识别策略。对线型分布建筑群组分类前,计算邻近距离并构建邻近图,基于尺寸、形状和方向三个层面选取特征因子与邻近距离构建空间关系向量,沿空间邻近图利用局部异常因子算法对建筑物群组进行“粗聚类”,再根据建筑物群组的趋势方向增量分布情况对不同类型的线型分布进行“细划分”;根据“粗聚类”和“细划分”结果将线型分布建筑物群组分为强线型分布和弱线型分布两种。实验结果表明,本文提出的方法可以有效识别广泛线型分布的建筑物群组,其结果可以作为典型化操作的基础。(2)在分析建筑物群广泛线型分布特点的基础上改进典型化策略。在确定建筑物群组典型化约束条件的基础上,将典型化操作分解为“消融”、“重构”和“移位”的过程。首先判断线型分布建筑物群组是否需要典型化操作,其次对需要进行典型化操作的建筑物群组进行符号化,确定典型化后需要保留的建筑物数量,并拆分复杂线型分布模式分别进行典型化。根据典型化算子对建筑物群进行典型化,典型化后对建筑物进行冲突检测与消除。实验表明,本文改进的方法可以在缩减群组内建筑物数量的同时,维持线型分布建筑物群的整体空间分布特征,最终达到了对线型分布建筑物群组的典型化要求。

关键词： 偏好   直觉模糊度量   模式识别   应急决策   MAIRCA  

摘要： 直觉模糊集由于能更加完整刻画决策者对客观事物认知的局限性、所得信息的不完全性以及日益复杂多变决策情境,其相关理论研究及其拓展被广泛应用于模式识别、模糊决策等领域。考虑决策者在不确定信息环境下通常表现出的有限理性行为特征,引入决策心理偏好更契合现实的不确定性信息决策情境。本文致力于基于偏好的直觉模糊度量及其在多属性决策中的相关应用研究,主要内容及成果如下:首先,考虑决策信息的模糊不确定性以及决策者对属性特征的偏好可能导致决策结果不同,深入研究了基于偏好的直觉模糊度量。引入偏好系数以表达决策者对于隶属度、非隶属度和犹豫度所体现的赞成、反对和中立等态度,进而定义了新的基于偏好的直觉模糊度量,并经过严格的推导证明了其符合度量公理化性质。同时,将其应用于模式识别与医疗诊断案例,并与其他直觉模糊度量实验结果进行分析对比,证明了本文所提直觉模糊度量的有效性及其优越性。其次,基于本文给出的偏好系数的现实含义,为验证偏好系数在直觉模糊度量中的普适性,将偏好系数引入现有的其他直觉模糊度量。通过推导证明发现,大部分传统直觉模糊度量均可引入偏好系数,但当隶属度、非隶属度以及犹豫度之间以乘积或乘方的形式存在相互交织叠加,仍存在部分不可推广的情况。将可推广的直觉模糊度量应用于现实决策实例,证明了可推广的基于属性偏好直觉模糊度量在实际应用中的可行性。最后,考虑决策者有限理性行为特征,将属性偏好思想应用到经典多属性决策方法中,提出基于属性偏好的MAIRCA决策方法。将该方法运用到应急决策的案例,与现有方法进行实验结果对比,验证该方法的可行性和合理性,同时,通过敏感性分析,以动态调整属性权重方式,对方案进行重新排名,所得结果趋于一致性,说明方法具有较强的鲁棒性。

关键词： 风电叶片   裂纹检测   多模态目标检测   红外图像   模式识别  

摘要： 裂纹损伤严重影响风力发电机叶片(WTB)的使用寿命与安全性,需要及时检测维修。虽然已有机器人产品能够进入叶片内部拍摄图像,但裂纹显著性低、背景复杂等问题导致智能检测算法的识别效果不佳,检测过程仍需要人工参与识别。本文结合叶片裂纹检测研究现状,利用图像处理与模式识别等技术,研究融合红外与可见光两种模态图像识别风电叶片内表面裂纹,致力于提升检测算法的环境适应能力与准确性。主要研究内容如下: (1)采用主动热激励凸显裂纹,使用红外热成像仪采集多模态裂纹图像。通过图像扩充与标注,构建了后续网络模型训练、验证以及测试的基准数据集。进一步针对数据集中红外图像质量不佳的问题,采用emphasize算子的预处理方法增强裂纹边缘,并优化emphasize算子提升预处理后的图像质量。 (2)为融合红外图像与可见光图像快速检测裂纹,本文基于Center Net目标检测网络提出一种多模态目标检测网络。为探究融合深度、融合阶段与融合方法对该网络裂纹检测能力的影响,通过消融实验优化以上内容,提出一种中层融合网络模型(MLF)。结果表明,MLF有效融合了两种图像信息,能够检测更多的不明显裂纹。相比单模态目标检测,MLF的平均精度提升3.38%,达到78.93%。 (3)为进一步提升MLF的检测准确性,通过优化网络结构和添加通道注意力模块改进MLF,并提出一种两阶段训练方法更有效地训练整个改进模型,得到改进的网络模型(MMLF-STCA)。结果表明,MMLF-STCA相比MLF能够减少漏检及重复检测现象,平均精度由78.93%提升至85.15%,提升了检测的准确性。 (4)为验证本文方法在实际裂纹检测中的性能,搭建裂纹检测装置,在风电叶片中部片段开展裂纹检测识别应用实验,比较了单模态可见光、单模态红外、MLF、MMLF-STCA的检测性能。结果表明,本文改进的MMLF-STCA模型检测准确率最高,达到83.66%,相比单模态目标检测提升7.68%,相比改进前的MLF提升5.31%。 综上,为解决裂纹显著性低、背景复杂等复杂场景中裂纹检测效果不佳的问题,本文提出一种基于多模态图像的裂纹检测方法,能够更有效地检测显著性低的风电叶片内表面裂纹,提升裂纹检测的准确率。此外,该方法可以进一步扩展到其他裂纹显著性低的材料或复杂场景的裂纹检测任务中。

关键词： 局部放电   信号去噪   特征提取   模式识别   神经网络  

摘要： 输电线路的绝缘状况直接关系着电网运行的可靠性。局部放电作为电气设备绝缘劣化的主要表征形式,其放电特征一定程度上反映了输电线路的运行状况,因此实现对输电线路局部放电类型的分类识别,对诊断线路绝缘状况和延长设备寿命有着重要意义。目前基于电学的局部放电信号分类识别研究已较为成熟,而针对局部放电声波信号检测与识别的研究较少。局部放电声波信号中含有丰富的时频域信息,可将其特征进行提取并用于模式识别;神经网络的分类能力远超传统分类器,其深度学习分支更是有望实现全自动的特征提取与模式识别。本文在此基础上,对其中几个关键环节开展了研究:(1)输电线路中局部放电的发生伴随着声波信号的传播,故本文首先研究了局部放电声波信号的产生原理及发展过程,同时分析了不同类型局部放电的特点。在上述研究基础之上,设计了三种典型的电缆局部放电绝缘缺陷模型,并在实验室环境下开展了电压等级10k V的局部放电模拟实验;然后基于Sagnac光纤传感技术设计了局部放电声波信号检测系统,最终获取了三种绝缘缺陷类型的局部放电数据样本,为后续的研究奠定了基础。(2)针对实际采集到的局部放电声波信号中存在噪声干扰的问题,提出一种基于变分模态分解和改进小波去噪的噪声抑制方法。首先对局部放电信号进行变分模态分解,得到若干频带分布不同的本征模态分量,结合模态的峭度剔除窄带干扰主导的分量;然后利用改进的小波去噪法,将其余有效模态分量中残留的白噪声进一步滤除;最后将剩余分量进行信号重构实现噪声抑制。对仿真局部放电信号去噪的结果表明,本文方法可提升信噪比约12.1d B,且能够更加完整地保留原始信号波形。此外,也将该方法用于实际采集到的局部放电数据样本去噪中,最终噪声抑制比达到了7.504。(3)通过对去噪后的实验数据的对比,初步分析了各类局部放电信号的时频域差异。接着从时域,频域以及能量分布三个方面,提取了时域峰值、重心频率等共计16个局部放电特征参数。之后本文将提取到的600组特征数据制作成特征向量数据集,并采用BP神经网络对数据集进行分类识别,识别的准确率达到了95.1%。(4)本文提出了一种基于全卷积神经网络和长短期记忆神经网络结合的深度学习局部放电分类模型。相比于BP神经网络,该深度学习模型具有自动提取局部放电信号特征的优势。之后搭建了FCN-LSTM局部放电识别模型,并收集了9000组局部放电数据用于模型的训练与测试,实验结果显示,FCN-LSTM模型的识别准确率达到了91.4%,可以有效地实现局部放电模式识别。