关键词： 模式识别   维数约简   局部保持投影   全局线性关系   局部内在联系  

摘要： 现如今,信息技术的发展日新月异,海量的数据不断涌现在模式识别、机器学习等领域。这些原始数据由于更新速度快,维数高、结构复杂以及冗余信息多等特性,导致其存储困难、数据计算量大等一系列问题。目前,维数约简是解决这些问题的有效方法之一。维数约简不仅能够降低原始高维数据的维数,使数据易于存储,还能够发现隐藏在高维数据中的内在规律与联系。局部保持投影是维数约简方法中的典型代表,在降维的过程中能够很好地保留原始高维数据中的局部近邻关系。尽管局部保持投影被应用在分类、人脸识别等领域,但是仍存在对参数敏感、未有效利用数据中的标签信息、仅考虑数据的局部结构信息等问题。针对这些问题,本文以局部保持投影为基础,围绕维数约简方法深入研究,提出了三种改进方法,论文的主要研究如下所述:(1)提出正交局部与全局保持投影方法。以在降维后的子空间中同时保留高维数据的局部内在联系和全局线性关系为目的,本文将线性与非线性的维数约简方法的优点进行结合,并引入正交性准则增强方法的鲁棒性,提出正交局部与全局保持投影方法。该方法所构建的全局几何图与局部无向近邻图使得数据中的全局线性关系和局部内在联系在降维后的子空间中的得以保留;通过引入正交性准则,该方法对噪声等的抗干扰性得以增强。在SEMEION手写数字数据集、COIL-20图像数据集、UMIST人脸数据集和ORL人脸图像数据集上优异的实验结果证明了该方法的有效性。(2)提出具有全局保持的耦合局部鉴别分析方法。为解决局部保持投影中存在的模态有限性、对参数敏感以及未有效利用标签信息的局限性,本文在局部保持投影的基础上对其进行拓展,提出具有全局保持的耦合局部鉴别分析方法,该方法给出一种新的局部相似性自学习策略探索数据的局部子流形。与以往人为设定局部近邻区域范围不同,该策略通过度量样本之间的相似性以及类标签信息来分析样本的局部近邻区域,从而有效地避免了外界因素干扰,获得具有强鉴别力的局部特征。在人造瑞士卷数据集上良好的投影结果和在多个公共的图像数据集上大量实验结果展示出本方法的鲁棒性和优异的分类能力。(3)提出了基于自适应核参数的弹性鉴别图嵌入。核函数由于其优异的非线性可分能力,在维数约简中是常见的度量样本间距离的方式,但其性能的好坏十分依赖于核参数的选取。使用多次交叉验证的方法选取合适的核参数是目前较为常见的方法,这种选取方法十分简单且效果较好,但在面对大规模数据时,所付出的时间代价十分高昂。鉴于此,本文提出了一种基于自适应核参数的弹性鉴别图嵌入。在构建的全局图时,引入标签信息作为一部分判断依据,增强对数据的全局轮廓信息的提取能力;在局部内在图构建时,该方法的局部拓扑保留能力通过边权重被强化,从而提升了对数据局部内在结构信息的分析能力。此外,使用自适应核参数来衡量空间中样本点的距离,大大的减少了以往多次计算所带来的时间花费。在多个公开的图像数据集上的实验结果也证明了该方法是可行的。图[14]表[13]参[64]

关键词： 乒乓球运动模式识别   机器学习   特征工程   决策树   长短期记忆网络  

摘要： 针对当前有关乒乓球运动模式识别的研究工作相对较少,且存在实时性不强、识别准确率不高等问题,本文将集成MPU-6886加速度传感器的ESP32微处理器作为加速度信号的采集和传输装置,围绕乒乓球运动中常见的四种挥拍动作的模式识别展开研究。乒乓球运动具有复杂性,如何实现乒乓球运动加速度信号的实时采集与传输,设计有效的特征工程,选择合适的识别分类器以及提高分类器在不同个体上的泛化能力都是需要考虑的问题。对此,本文开展如下研究工作:1、使用加速度传感器采集用户在乒乓球运动过程中产生的加速度数据,同时将数据实时传输至PC端进行处理与分类。将传统机器学习方法(KNN、支持向量机、决策树)应用到乒乓球挥拍动作的分类上,对不同分类模型的识别准确率进行比较,并提出一种基于决策树算法的乒乓球运动模式实时识别方法。主要处理流程包括:首先,使用滑动均值滤波算法,滤除原始加速度数据的噪声,并对滤波后的数据做加窗分割处理。其次,提取22个时域特征,再利用主成分分析法对特征进行降维,根据累积贡献率选择并生成17个主要特征。最后,将特征工程处理后的数据作为样本集,使用决策树算法,通过剪枝调参等构建动作分类模型。结果显示,本文构建的决策树分类模型能有效实现对乒乓球4种运动模式的实时识别,识别准确率可达97.32%。2、设计了一种基于长短期记忆网络(LSTM)模型的乒乓球运动模式识别方法。将预处理后的加速度数据直接输入到双层LSTM网络模型中,LSTM网络能够自动完成输入数据的时序特征提取和动作模式识别。结果显示,该方法能够实现对乒乓球4种运动模式的稳定识别,识别准确率可达97.10%。此外,本文还比较了LSTM与传统机器学习算法在乒乓球动作分类处理流程和性能的差异,并通过与近几年的相关研究结果进行对比,验证了本方法的有效性。

关键词： 铜转炉吹炼   支持向量机   高斯过程回归   模式识别   终点判断  

摘要： 铜转炉吹炼造渣期和造铜期的终点判断对铜收率、炉况稳定、炉体寿命等具有重要意义,是制约工艺技术指标的一个重要环节。然而,现有人工经验法、仪器测定法和物料平衡法等铜转炉吹炼终点判断方法,仍然存在人为因素干扰、终点判断时间滞后、仪器在恶劣环境下易损坏、建模计算复杂等问题。针对这些问题,论文基于吹炼产物图像特征与其主要成分含量以及吹炼终点的映射关系,采用图像识别和智能优化算法相结合方法,开展了基于模式识别的铜转炉吹炼终点预测模型研究,这将为铜转炉吹炼终点判断提供新思路,并为实现造渣期和造铜期终点在线判断提供良好模型基础。论文主要研究内容和结论如下:(1)系统分析了支持向量机(Support Vector Machine,SVM)、高斯过程回归(Gaussian Process Regression,GPR)两种典型模式识别建模算法的原理、建模步骤和优缺点,为建立铜转炉吹炼终点预测模型选择合适的算法奠定了基础。(2)在对采集的铜转炉吹炼生产现场吹炼渣和粗铜图像样本进行增广处理基础上,采用形态学开运算和颜色矩、主色调直方图、灰度梯度共生矩阵及hu不变矩等算法,对图像样本进行了切割预处理和颜色、纹理、形状等特征提取,并结合吹炼产物主要成分含量数据,建立了吹炼渣和粗铜图像特征与其主要成分含量的映射关系和数据集,为建立铜转炉吹炼终点预测模型提供了可靠数据基础。(3)基于吹炼渣图像特征与其主要成分含量以及造渣期终点的映射关系,采用SVM算法,构建了铜转炉吹炼造渣期终点预测模型,并基于粒子群优化算法与遗传算法对预测模型参数进行了优化,进而开展了造渣期终点预报测试。结果表明:未经参数优化的SVM模型终点预测准确率为86.77%,经粒子群优化算法优化的SVM模型终点预测准确率为90.12%,经遗传算法优化的SVM模型终点预测准确率为90.40%。(4)基于粗铜图像特征与其主要成分含量以及造铜期终点的映射关系,分别采用高斯过程回归和支持向量机算法,构建了铜转炉吹炼造铜期终点预测模型,并进行了造铜期终点预报测试。结果表明:GPR模型的终点预测准确率为69.99%,SVM模型的终点预测准确率为80.29%。

关键词： 滚动轴承   早期疲劳   特征提取   模式识别   故障诊断  

摘要： 滚动轴承的健康关乎设备系统的整体安全,哪怕是微小的损伤,都将会对整个设备造成严重影响。本文针对如何有效提取滚动轴承早期疲劳振动信号故障特征的问题,提出一种基于双树复小波-CEEMDAN分解的滚动轴承振动信号特征提取方法,结合PCA-BP神经网络给出一种轴承早期疲劳复合故障模式识别手段,并通过数值仿真和实验模拟研究对方法进行了论证。具体研究内容如下:(1)阐述了常见的滚动轴承故障诊断方法和信号处理手段,对轴承基本结构、故障机理、常见失效形式以及振动信号特点进行了系统的阐述,为论文对滚动轴承故障特征提取和模式识别提供可靠的研究基础与支持。(2)针对滚动轴承振动信号特征不易提取的问题,提出了一种利用双树复小波和CEEMDAN分解的轴承故障诊断方法。首先对原始信号进行双树复小波处理以达到消噪的目的,然后利用CEEMDAN分解去噪后信号获得不同阶数IMF分量,并依据各分量相关系数进行重构,最后通过分析重构信号时、频域信息并与轴承故障特征频率对比完成轴承故障类型识别。基于数值模拟仿真与故障模拟实验展开研究,通过与小波去噪和EEMD方法相比较,验证了方法的有效性与优越性。(3)针对滚动轴承早期疲劳故障振动信号特征稀疏难以提取的问题,提出了一种基于可分性判据的熵特征提取方法。首先利用双树复小波-CEEMDAN分解获得不同阶IMF分量并重构,并通过分析重构信号发现对于轴承早期疲劳振动信号而言,时域与频域特征指标难以清楚表达轴承状态,随后依据距离可分性判据计算不同状态下各阶IMF分量区分度指标,最后对筛选的IMF分量进行熵特征提取。研究结果表明了信息熵在轴承早期疲劳故障信号特征提取中的有效性。(4)针对滚动轴承早期疲劳复合故障特征难以提取,轴承状态识别困难的问题,提出一种基于主成分分析法PCA-BP神经网络的轴承早期疲劳复合故障特征提取及状态识别方法。首先利用前文方法获取正常和四种复合故障状态下的轴承振动信号各阶IMF分量,并从时域、频域以及信息熵中各选数个能够表征信号的特征指标,然后基于PCA对所有特征指标进行融合,并依据各主成分累积贡献率确定主成分数,最后将保留的主成分输入到BP神经网络进行模式识别。通过对比研究结果表明,由PCA特征融合处理后进行BP神经网络识别的准确率得到了有效提高。

关键词： 电力电缆   局部放电   传输特性   电场仿真   特征提取   模式识别  

摘要： 随着国家电力建设的迅速发展,电力电缆作为电网中重要的组成部分,其运行安全可靠性也愈发得到重视。据调查:80%左右的电缆故障是因绝缘缺陷引起的。电缆长期运行过程中绝缘受到电、热等作用后易发生局部放电现象,而局部放电会进一步导致绝缘劣化。与此同时,局部放电信号能够反映电缆的绝缘状况,且不同绝缘缺陷的局部放电特性存在一定的差异。因此,获取电力电缆局部放电特性,及时评估电缆绝缘缺陷类型及放电强度,对电力系统的稳定运行具有重要意义。本文围绕电缆局部放电特性和模式识别展开研究,主要内容如下:对电缆局部放电传输特性进行了研究。采用仿真计算和试验验证相结合的手段分析了两型号电缆局放信号的传输特性,并通过试验结果对某型号电缆衰减系数的仿真结果进行了修正,修正后的结果可用于工程计算。随后将脉冲信号注入电缆模拟端部放电,通过时域脉冲反射法对局放源位置进行了定位。对电缆接头典型缺陷模型的电场进行了仿真分析。根据电缆接头绝缘缺陷的常见放电类型设计了四种典型放电模型,并利用ANSYS软件对典型放电模型的静电场进行了仿真计算。然后对无缺陷的10k V电缆接头模型和分别施加了四种典型缺陷的电缆接头模型的电场进行了仿真计算。根据放电模型及接头缺陷模型的电场分布情况验证了电缆接头不同缺陷模型放电时所属放电类型。对放电模型的谱图和脉冲的特征展开了提取。对放电模型的放电量进行了校准,搭建了局部放电测试平台,获取了放电模型的放电脉冲和放电谱图,对比研究了不同放电类型的局部放电特征。提取了放电谱图的统计特征、灰度图像的矩特征、灰度图像的纹理特征和放电脉冲的时频特征。为对电缆接头缺陷模型的放电类型及放电强度进行识别并提高识别率。分别采用主成分分析法和核主成分分析法对组合特征进行了降维。对比了BP神经网络算法和基于网格搜索参数优化的SVM算法对放电模型各特征组合的识别成功率,得到两种识别算法对放电模型组合特征和降维后的组合特征识别成功率较高。制作了五种电缆接头缺陷模型,搭建了局放试验平台并获取了接头缺陷的放电谱图。提取了放电谱图39维特征序列,对比了BP神经网络、基于网格搜索参数优化的SVM和基于遗传算法参数优化的SVM三种算法对电缆接头缺陷放电类型和放电强度的识别精度。结果表明:基于遗传算法参数优化的SVM诊断模型对电缆中间接头缺陷放电类型及放电强度具有较高的识别精度,能够较好地完成分类任务,具有较高的工程实用价值。

关键词： 全基因组关联研究   单核苷酸多态性   互作模式识别   社区检测  

摘要： 全基因组关联研究(Genome-Wide Association Study,GWAS)在人类全基因组范围寻找序列变异,探索单核苷酸多态性(Single Nucleotide Polymorphisms,SNP)与人类复杂疾病等性状之间的潜在关联,为揭示人类复杂疾病致病机理提供更多线索。多个SNP之间往往存在交互作用,线性或非线性地影响着复杂疾病的产生与发展,因此SNP互作模式的检测对于理解人类复杂疾病的病因具有重要意义。本文研究社区发现算法和SNP互作网络构建方法,以社团挖掘的网络方法识别SNP网络中的遗传互作模式,致力于为复杂疾病发展机制和相关生物研究提供新见解。本文主要研究内容如下:(1)提出了基于改进鸽群启发优化算法的SNP互作识别方法。在鸽群算法中引入遗传算子,设计多个体交叉策略,丰富种群迭代的多样性并且提高算法局部搜索能力;引入帕累托排序方案,加快算法后期的收敛速率。将改进算法应用在基于互信息构建的SNP互作网络,从挖掘的社区中识别出具有生物意义的成对SNP互作。(2)提出了基于多拓扑特征融合的高阶SNP互作模式识别方法。设计多阶组合补充建网策略,利用低阶(二阶、三阶)SNP关联组合构造SNP网络,显著提高网络的社区特征;基于节点扩展算法,提出一种融合多种拓扑特征的节点权重度量,在种子选择阶段增加对节点评估的准确性。将改进算法应用在多阶组合SNP网络,检测到的高阶互作社团包含与疾病关联的SNP。(3)提出了基于关联网络重构与自适应扩展算法的高阶SNP互作模式识别方法。使用拓扑重叠度量对未加权的SNP网络进行重构,保证充分利用SNP连续性的关联信息;利用平衡双权重指标的方式,减小节点权重计算偏差对算法扩展阶段的影响;引入指导算法自适应扩展的模型,减少算法预设参数,提高对SNP互作社区的检测能力。本算法应用于SNP重构网络的实验结果表明,检测的高阶SNP社团具有显著的生物学意义。各项实验表明,本文所提方法在高阶SNP互作挖掘方面更有优势,能够检测到具有更多与疾病相关SNP的互作社团,为高阶遗传互作模式识别研究提供新思路。

关键词： 量子机器学习   量子线路   深度学习   变分量子算法   模式识别  

摘要： 随着大数据和深度学习网络的不断发展,人工智能算法的运算复杂度和所需求的计算量也随之大幅度增加,机器学习的性能开始受到了限制。另一方面,量子计算在近些年得到了飞速发展,并逐渐展现其独特的优越性和巨大计算潜力。自然的,量子计算与人工智能技术的交叉融合而成的量子机器学习成为当前重要的前沿研究领域,得到了广泛的关注。和经典机器学习一样,量子机器学习领域的一个核心应用就是进行分类器的设计。目前,该方向的主要研究聚焦于利用量子增强分类模型,构建功能更加强大的分类器结构。当前,针对量子分类器的研究主要集中在二分类模型上,对于多分类(大于等于3)模型的研究较少涉及。鉴于多分类器的重要性,本文构建了一个新的经典-量子混合式神经网络模型来实现多分类任务。主要贡献如下:首先,本文在系统分析和讨论包括了变分量子线路设计,变分量子算法等当前经典-量子混合量子神经网络在分类器设计上的应用的基础上,提出了基于data reuploading策略的四层结构量子线路,其具有结构简单,消耗量子比特数目少等优点。实验中,通过主成分分析(PCA)技术对输入数据先进行降维后再送入该量子线路,首先完成了手写数据集的二分类任务,并通过训练任务验证了其可行性,完成了相应参数变化下的实验结果分析。其次,本文提出了一种“经典-量子-经典”的混合式网络模型结构。利用经典神经网络取代PCA技术来执行特征提取的任务,解决降维之后原始图像数据的信息损失问题。利用最后一层经典神经网络来帮助模型扩展分类类别数目。通过实际的训练任务对比,该模型相较于经典神经网络模型具有一定的抗噪性能,与其他混合式分类模型相比性能有一定的提升。接着,本文通过对该模型量子线路部分的优化,提出了一种新的XYZ-XXX量子旋转门排列模型。实验结果表明,XYZ-XXX与其他混合模型相比,在分类精度上获得明显提升。

关键词： 风过程划分   风模式预测   Adaboost算法   组合预测模型   风速-功率映射模型  

摘要： 由于不可再生能源的大规模开发,全球气候问题日益严重,而风能因其清洁、无污染的优良特性受到国内外广泛地关注与研究。近年来,全球的风电装机容量逐年增多,但在大规模并网的同时,风电的随机性和波动性会导致电网的电压闪变与频率波动,威胁到电力系统的安全稳定运行。在促进风电消纳的措施中,对未来时刻风电场的输出功率进行预测是一种有效手段。因此,本文针对风电场的超短期功率预测方法展开研究。风电功率的预测可分为直接预测功率和先预测风速,再通过风速-功率映射模型得到未来时刻的功率,本文选择了第二种方法进行研究。目前在风速的预测研究中,一般先将原始风速序列分为不同的风过程,而划分的方法多采用数学法或以固定时段划分,没有考虑与风机的运行特性相结合,此外,传统的研究很少考虑风速未来的变化趋势,针对这些不足,本文提出了一种结合风机运行特性的风过程划分方法与基于未来风过程模式识别的风电场功率超短期组合预测方法。该方法主要包括以下五个阶段:首先分析了风电机组的运行特性,定义了切入风速与额定风速的阈值,以此将原始风速序列划分为一系列风过程;其次根据不同风过程下风机输出功率变化趋势的不同将风过程分为了六类风模式,并验证了这种分类方法的可行性;然后采用Adaboost模型对未来时刻的风模式进行预测,以此来了解未来时刻风速的变化趋势;接着建立了风速组合预测模型,本文选择了BP神经网络、LSTM神经网络、支持向量机和LightGBM作为子模型,通过训练、调参、赋予相应的权重,分别得到六类模式下的最佳组合模型,再根据风模式的预测结果,动态选择相应模式下的组合模型进行预测,得到最终的预测风速;最后,建立了风速-功率映射模型,得到对应时刻的预测功率。为了证明所提方法的有效性,本文采用了中国内蒙古某一风电场的风速功率数据进行仿真验证,结果表明本文所提方法与其他几种预测模型相比具有更高的预测精度。

关键词： 电梯群控系统   交通流预测   模式识别   多目标优化  

摘要： 随着城镇化进程的不断推进,高层建筑在城市中不断涌现,电梯在现代建筑中扮演着日益关键的角色。建筑内的单部电梯或独立工作的多部电梯已无法满足人们的出行需要,而采用先进技术对多部电梯进行统一调度的电梯群控系统(Elevator Group Control System,EGCS)则可以适用于各类大型公共建筑内复杂的电梯运行环境,更好满足乘客的通勤需求。如何在提高乘客输送效率的同时提升乘客乘梯体验、节约能源降低损耗,为电梯群控系统亟需解决的系列问题。本文以城市中典型大型公共建筑内安装的多部电梯所组成的电梯群为研究对象,具体以20层、4部电梯的情况为例,着眼于提升乘客的使用体验、缩短候梯和乘梯时间、改善能源浪费现象,从以下三个部分开展研究:首先,针对大型公共建筑电梯群交通流主要时段内保持周期性变化,但传统机器学习方法在电梯交通流预测上表现不佳的问题,本文提出一种基于长短期记忆神经网络的电梯交通流预测方法。该方法利用长短期记忆神经网络和Dropout原理建立预测模型,选择性保留电梯交通流时间序列上的历史信息,避免了传统神经网络中的过拟合和梯度消失问题。仿真结果显示,该方法有效提升了电梯交通流预测的准确度。第二,电梯交通模式识别的精确度关乎到后续电梯群控系统是否能进行合理派梯调度,在该问题中,支持向量机(Support Vector Machine,SVM)应用较为广泛且识别效果较好,但仍存在关键参数难以准确设置、分类精度不高等问题。针对该情况,本文提出一种结合遗传算法(Genetic Algorithm,GA)和支持向量机的电梯交通流模式识别方法。该方法利用遗传算法对相关参数进行编码,然后在搜索空间中搜寻最佳参数对,并以此构建GA-SVM的电梯交通模式分类模型。仿真结果显示,该方法有效提高了电梯交通模式的识别精度。第三,电梯调度策略是电梯群控系统中的核心部分,本文在原有的粒子群算法(Particle Swarm Optimization,PSO)基础上引入模拟退火(Simulated Annealing,SA)算子,提出了PSO-SA混合优化算法,使之获得了突跳能力避免局部最优解的产生,并将其运用到大型公共建筑内的电梯群控系统中。然后,确定了系统派梯规则,设计了系统状态矩阵,归纳出乘客平均乘梯时间、候梯时间和系统平均能耗的数学模型,并通过不同权重组合这些优化目标,以此构建了电梯群控系统的多目标综合评价函数。最后在电梯群控系统仿真平台上,进行多种算法性能的对比验证。仿真结果说明了本文方法在电梯调度策略上的有效性。

关键词： 提升机减速器   特征提取   故障诊断   模式识别   齿轮   滚动轴承  

摘要： 提升机减速器是矿井提升系统的核心部件,对保障煤矿正常生产和人员安全起到至关重要的作用。制定高效便捷的减速器故障诊断方法,对及时发现潜在威胁、合理制定维修方案、减少企业经济损失具有非常重要的研究意义。本文以小康矿主井提升机减速器为主要研究对象,围绕早期故障信号能量微弱、故障特征提取困难以及实际故障数据匮乏等问题,开展减速器故障特征提取方法、复合故障诊断方法与故障模式识别方法研究,具体内容如下:(1)分析了小康矿提升机的结构特点与工作原理,针对常见故障建立了动力学模型、剖析了故障机理并归纳了其故障信号的时域与频域特性,搭建了减速器实验平台并模拟出可能出现于工程实践中的各种故障,采集相应的故障数据为后续研究工作奠定基础。(2)减速器早期故障信号中,有效信息能量微弱、故障特征隐匿性强。因此,将变分模态分解(VMD)的良好降噪性能与快速独立成分分析(Fast ICA)的盲源分离优势相结合,提出了提升机减速器故障特征提取方法。首先,引入麻雀搜索算法对VMD参数进行同步优化,并对故障信号进行分解;然后,根据所提出的权重系数法完成观测信号的构建,借助Fast ICA算法实现故障特征的增强;最后,对有效分量进行包络谱分析得到诊断结论。在实验台上模拟了轴承内圈裂纹故障,利用所提出方法对实测数据进行处理,成功地提取出了故障信息。(3)针对减速器复合故障信号中,背景噪声及各故障成分之间相互耦合,单一故障成分无法准确分离的问题,提出了提升机减速器的复合故障诊断方法。利用改进粒子群优化算法(MPSO),确定最大二阶循环平稳盲解卷积(CYCBD)的最佳滤波器长度和循环频率,逐一提取原信号中的故障频率成分,并对解卷积后的信号进行包络谱分析,实现复合故障的诊断。实测数据分析结果表明,在强噪声背景下利用所提出的方法能够准确分离出耦合在一起的故障信息。(4)针对工程实践中故障数据匮乏的小样本智能诊断问题,提出了以精细复合多尺度散布熵(RCMDE)和支持向量机(SVM)为主体的提升机减速器故障模式识别方法。在实验平台上采集了不同故障类型的数据样本,并利用凯斯西储大学(CWRU)的轴承数据生成了不同故障程度的样本,使用所提出方法对两类故障样本进行分类,均获得了理想的结果。该论文包含图92幅,表15个,参考文献95篇。