关键词： 综合能源系统   负荷预测   极端模式识别   重构误差   集成学习  

摘要： 综合能源系统的运行场景存在极端模式,且含有异常数据,亟剧增加了综合能源负荷预测的难度。该文提出基于极端模式识别和误差重构的综合能源系统极端模式短期负荷预测方法,通过极端模式的识别,异常数据的检测,提高综合能源负荷预测的精度。首先,基于最小累积距离的综合能源负荷数据聚类,识别系统的极端模式;然后,利用深度学习模型的残差和聚类误差进行误差重构,检测异常数据;最后,采用改进的Stacking集成学习方法,进行极端模式的综合能源负荷预测。将所提方法应用于典型的综合能源系统,并与已有方法比较,实验结果表明,所提方法能够很好地解决极端模式的综合能源系统短期负荷预测问题。

关键词： 航空平台   地磁矢量   匹配导航算法   神经网络   模式识别  

摘要： 航空地磁矢量导航技术因其具有自主、无源、可靠性强的优势,在卫星导航系统受到攻击等情况下可有效发挥替代作用,在军民用领域均具有极高的战略意义和应用价值。航空平台具有飞行速度快、短时间跨越地域广的特性,对地磁矢量测量与导航方法提出高精度和高可靠性等要求。该文梳理近年来航空地磁矢量导航系统的研究与发展现状,介绍地磁矢量导航的关键技术,重点对地磁矢量匹配导航算法的研究进展进行分析。针对现有算法存在的不足,提出进一步提升算法的精度和鲁棒性、发展基于机器学习的地磁矢量匹配导航方法、推动无人机等新型航空平台地磁矢量导航技术发展等后续研究方向,意在促进航空地磁矢量导航技术的进一步发展。

关键词： 单向阀   内泄漏   经验模态分解   支持向量机   模式识别  

摘要： 单向阀被广泛应用于工程机械、农业机械、军事车辆液压系统中,泄漏是单向阀的常见故障。本文提出了一种基于时频分解的多源多域、多尺度特征提取与机器学习的单向阀微弱内泄漏故障诊断方法。对4类微弱内泄漏故障的振动信号和压力信号进行经验模态分解;采用时域、频域以及时频域的奇异值、波形因子、熵值等方法进行特征提取并构造故障特征向量;基于粒子群-支持向量机进行单向阀内泄漏故障模式识别。实验结果表明该方法能有效地检测单向阀内泄漏,模式识别准确率达到90%以上。本文为单向阀内泄漏量预测研究奠定了基础,具有较好的工程应用前景。

关键词： 成像系统   电容层析成像   模糊模式识别   灵敏度场优化   流型识别   图像重建  

摘要： 提出了一种基于模糊模式识别和敏感场优化的电容层析成像(ECT)图像重建方法,以提高重建的精度与质量。首先,提出了一种基于模糊模式的ECT流型识别方法,通过流型识别,选择与输入信号所属相对应的变化敏感场,完成敏感场的优化;然后,提出了一种基于特征提取的敏感场扩充方法,从输入信号中提取特征信息进行数据融合,并通过零填充和随机重组将优化后的敏感场扩展为新的敏感场分布矩阵,进一步优化敏感场;最后,提出一种稀疏图像重建方法,通过构造综合观测方程,求解介电常数分布矢量,并进行图像重建。通过COMSOL软件对ECT系统进行三维仿真建模,仿真实验结果表明,本文方法在图像误差、相关系数等成像指标上优于现有方法,具有更好的成像效果。

关键词： 用电模式识别   频谱聚类   递归贝叶斯学习  

摘要： 借助于终端用户侧安装的智能电表能够有效地分析其异常用电行为和用电模式,为填补在过渡期可能存在的用户数据缺失,提出一种基于数据驱动的无监测用户用电模式识别方法。利用装有智能电表用户的典型日负荷曲线历史数据提取典型用电模式;对多时间尺度机器学习模型进行训练来估计用户用电量;采用递归贝叶斯学习和支路电流状态估计残差法,从无监测用户月度电费账单中获得日负荷曲线。采用实际系统的量测数据进行算例验证,仿真结果表明所提出方法能够快速而准确地识别出无监测用户的用电模式。

关键词： 可擦笔   高光谱   滤波器   希尔伯特变换   模式识别  

摘要： 文件的真实性是当前诉讼审查阶段的重要工作,可擦笔在司法案件中常被用来进行伪造文书、合同等犯罪行为。针对其油墨成分、笔迹修改等方面的辨识是文件检验领域的重点研究。特殊热感变色颜料是可擦笔油墨的主要成分,其变色原理是随着温度变化会产生笔迹的消失与复现,在65℃以上颜色褪去,在-18℃以下颜色复现。对其进行种属认定可以对案件证据的真实性进行鉴别,为案件诉讼过程提供支持。高光谱的超高光谱分辨率对高分子材料具有较好的特征选择性,能够有效的对常见油墨成分进行数据采集。该实验收集22个品牌共45份可擦笔油墨样本,可以分为碳化钨笔珠、子弹头笔珠、全针管、半针管四种类型,统一采集450~950 nm波段的高光谱信息。关于光谱数据背景噪声冗余的问题,选用主成分分析法(PCA)对数据进行降维处理,提取特征变量。基于降维后的数据选用不同类型的希尔伯特变换(HT)进行信号滤波,进一步选择有效信号,提升建模效果。样本识别上选用多层感知器(MLP)和径向基函数神经网络(radial basis function neural network,RBFNN)两种人工神经网络模型,基于23维主成分提取的特征变量类建模准确率分别为81%,84%,通过希尔伯特高通滤波处理后可以将分类准确率提升至88.9%,92%,能够有效提升识别准确率。为进一步区分不同样本的种类,选择Fisher判别分析方法进行建模,各样本原始数据在FDA模型中识别准确率为44%,经最优PCA-HT处理的FDA建模准确率为93.3%,能够区分出不同的可擦笔油墨类型。结果表明,PCA能够在保留光谱有效信息的基础上进行降维,提升模型精度并且缩短运行时间,相较于原始光谱数据建模效果较好,通过希尔伯特变换后的光谱数据能够进一步完善有效光谱信息,使得建模准确率进一步提升。该实验确定PCA-HT-FDA模型为最佳可擦笔油墨高光谱识别模型,能够为司法鉴定人员提供一定参考。

关键词： 半夏   无机元素   模式识别   产地溯源   计量学模型  

摘要： 为建立不同产地半夏无机元素的分析方法和溯源体系,为半夏药材的质量控制和道地性评价提供技术支持。采用电感耦合等离子体质谱法(ICP-MS)和电感耦合等离子体原子发射光谱法(ICP-AES)对我国6个主产区72份半夏样品中K、Ca、Na、Mg、Al等37种无机元素的含量进行测定,并采用方差分析、主成分分析、因子分析等计量学方法进行统计与评价。通过对比BP-神经网络算法、K-最近邻算法、最小二乘支持向量机等多种模式识别方法,探索适合半夏产地溯源的最佳模型。结果表明:不同产地半夏中无机元素的构成各具特征,各无机元素含量在产地间差异显著(P<0.05),其中La、Pb、As、Na、Bi、Hg、Sn、Cd、Ag 9种元素在不同产区间的差异最为明显;3D-plots图显示不同产地半夏样品分布相对集中,具备产地分类的可行性;KNN分类模型(曼哈顿距离)是半夏产地溯源的最佳方法,测试集的正确率达到100%。无机元素分析技术结合适当的计量学模型可以实现半夏的产地溯源。

关键词： 杉木叶   指纹图谱   相似度评价   含量测定   化学模式识别   聚类分析   主成分分析   双黄酮   正交偏最小二乘判别分析  

摘要： 目的:基于指纹图谱、多成分定量及化学模式识别法结合的方法,评价不同产地杉木叶质量,为其深入开发利用提供依据。方法:采用HPLC法测定杉木叶中穗花杉双黄酮、7-去甲基银杏双黄酮、扁柏双黄酮、银杏双黄酮、异银杏双黄酮、金松双黄酮的含量;建立10批不同产地杉木叶指纹图谱;基于指纹图谱共有峰峰面积结果,采用主成分分析(PCA)、正交偏最小二乘判别分析(OPLS-DA)、统计学分析、模式识别的化学计量学方法评价杉木叶整体质量。结果:10批杉木叶共确定14个共有峰,相似度范围为0.955~1.000,具有较好的一致性;样品中穗花杉双黄酮、7-去甲基银杏双黄酮、扁柏双黄酮、银杏双黄酮、异银杏双黄酮、金松双黄酮6个双黄酮成分的质量分数分别为2.42~5.24、0.10~0.24、1.55~3.67、0.21~0.89、0.10~0.24、0.51~2.39 mg·g^(-1);通过PCA,进一步评价不同产地间杉木叶质量差异,将10批药材分为三大类,得到4个影响杉木叶分类的主要因子,最后采用OPLS-DA筛选出色谱峰6、12、7(7-去甲基银杏双黄酮)、13(金松双黄酮)、5(穗花杉双黄酮)、9(扁柏双黄酮)、2等7个差异标志物,可用于区分不同批次杉木叶。结论:建立的杉木叶质量评价方法稳定,结果可信,结合化学模式识别可用于杉木叶药材的质量品质评价。

关键词： 建筑物群组   模式识别   空间图卷积模型   深度学习  

摘要： 建筑物群组模式的识别是建筑物综合的重要步骤,高效的建筑物群组模式识别方法能有效提升地图自动综合的质量。建筑物群组模式的识别目前主要包括几何方法和传统的机器学习方法两种,存在规则定义复杂、特征工程庞大等缺点。图卷积神经网络方法克服了传统方法的局限性,已成功地应用于建筑物的模式分析。然而,目前使用图卷积进行建筑物群组多模式识别的相关研究较少,且已有的图卷积大多基于谱域图卷积,对空间局部信息考虑不足。引入空间图卷积模型DGCNN(deep graph convolutional neural network)进行建筑物群组的多模式识别,首先聚类建筑物数据形成群组,并构建建筑物群组的几何模型;然后定义建筑物的特征向量,建立建筑物群组的图结构;最后将图结构输入DGCNN模型训练,得到建筑物群组模式。结果发现,该模型在训练集的精度达到97.60%,测试集的精度达到95%,优于谱域图卷积方法,能有效用于建筑物群组模式分类。

关键词： 调制模式识别   最大似然估计   神经网络  

摘要： 本文简要介绍了调制模式识别过程中使用的一般框架,详细论述了三类主流的调制模式识别方法,对调制模式识别方法的研究前景和思路进行了展望,即:聚焦在线调制模式识别方法进行深入研究;提高低信噪比场景下的调制模式识别精度;设计更丰富的信号特征;设计更轻量级的调制模式识别神经网络。