关键词： user intent recognition   transfemoral prosthesis   multi-objective optimization   biogeography-based optimization  

摘要： One control challenge in prosthetic legs is seamless transition from one gait mode to another. User intent recognition (UIR) is a high-level controller that tells a low-level controller to switch to the identified activity mode, depending on the user's intent and environment. We propose a new framework to design an optimal UIR system with simultaneous maximum performance and minimum complexity for gait mode recognition. We use multi-objective optimization (MOO) to find an optimal feature subset that creates a trade-off between these two conflicting objectives. The main contribution of this paper is two-fold: (1) a new gradient-based multi-objective feature selection (GMOFS) method for optimal UIR design;and (2) the application of advanced evolutionary MOO methods for UIR. GMOFS is an embedded method that simultaneously performs feature selection and classification by incorporating an elastic net in multilayer perceptron neural network training. Experimental data are collected from six subjects, including three able-bodied subjects and three transfemoral amputees. We implement GMOFS and four variants of multi-objective biogeography-based optimization (MOBBO) for optimal feature subset selection, and we compare their performances using normalized hypervolume and relative coverage. GMOFS demonstrates competitive performance compared to the four MOBBO methods. We achieve a mean classification accuracy of 97.14%+/- 1.51%and 98.45%+/- 1.22% with the optimal selected subset for able-bodied and amputee subjects, respectively, while using only 23% of the available features. Results thus indicate the potential of advanced optimization methods to simultaneously achieve accurate, reliable, and compact UIR for locomotion mode detection of lower-limb amputees with prostheses.

关键词： 深度置信网络   柔直计量装置   故障诊断   模式识别  

摘要： 为识别柔性直流输电系统计量装置的故障,提出了一种基于深度置信网络的故障诊断方法。该方法首先从合并单元端获取、解析数据并分成训练样本和测试样本;然后将这些数据用于训练深度置信网络。最后将模型的故障诊断结果和实际样本的标签组合为一个交叉验证集合,从而测试深度置信网络性能。仿真结果表明,相比于支持向量机和BP神经网络,该文提出的基于深度置信网络的方法可以更加稳定、可靠地识别故障样本少的柔性直流计量装置的故障。

关键词： 极限学习机   模式识别   高光谱遥感图像   局部信息保持  

摘要： 极限学习机ELM(Extreme learning machine)以其简单快速和良好的泛化能力在模式识别和机器学习领域得到了广泛的应用。近年来,研究人员将其应用到高光谱遥感图像分类问题中。然而,由于数据样本有限,极限学习机及其相关技术在遥感图像中存在数据学习不充分的问题。流形学习算法揭示了数据内在的几何结构信息。根据遥感图像的特点,基于流形学习的思想,将遥感图像数据样本的流行结构引入到ELM模型中,提出一种基于局部信息保持极限学习机LPKELM(locality information preserving extreme learning machine)。为了验证所提算法的有效性,使用两个高光谱遥感图像数据集进行实验。实验结果表明,LPKELM的分类性能优于SVM、KELM、KCRT-CK和MLR算法。

关键词： 暂态稳定评估   电力系统   模式识别   特征选择  

摘要： 暂态稳定评估是关系到电力系统安全稳定运行的重要问题。传统的时域仿真法和直接法无法满足电网运行的实际要求,因而基于模式识别的暂态稳定评估日益受到国内外研究人员的关注。现从特征选择、评估模型构建、在线学习和规则提取等方面对基于模式识别的暂态稳定评估进行全面梳理,并对待研究问题进行了探讨。

关键词： 手写数字识别   神经网络   主成分分析   模式识别   计算机视觉  

摘要： 手写数字识别是计算机视觉和模式识别的一个重要研究方向。该领域的研究有了很大的进步,但是仍有待改进之处。文章提出了一个基于主成分分析的单隐层神经网络分类器,该分类器通过主成分分析减少了特征向量的维度,在保证识别准确率的情况下减少了计算量,提高了分类器性能。使用MNIST数据集对分类器进行训练,并验证了其性能。

关键词： 电力变压器   故障诊断   油中溶解气体分析   随机向量泛函连接网络   模式识别  

摘要： 针对常用机器学习算法收敛速度慢、容易陷入局部最优等不足,提出一种基于随机向量泛函连接(Random Vector Functional Link,RVFL)网络的油浸式电力变压器故障诊断方法。该方法以变压器油中五种主要特征气体作为输入,以七种变压器运行状态作为输出,构建了基于RVFL网络的故障诊断模型。算例分析的结果验证了该方法的有效性和优越性。

关键词： 素描观察方法   模式识别   模板匹配理论   原型匹配理论   特征分析理论  

摘要： 素描作为设计类专业重要的基础课程,准确的观察认知是素描学习的第一步。但由于个体认知的背景差异所造成最终观察认知结果的偏差,影响素描学习的效果及教学同步。为了缩小学习及教学中的差异,从人类本能性认知入,手尝试通过认知心理学中模式识别的模板匹配、原型匹配、特征分析理论对素描学习中观察的认知行为方式进行分析,研究挖掘符合适合中职学生认知本能的素描观察方法,以提高素描的学习效果,减小学习差异。

关键词： 信号处理   光时域反射仪   小波包   特征提取   支持向量机   模式识别  

摘要： 针对传统故障识别方法过程复杂、用时长、准确率低等问题,提出了一种基于小波包分析和支持向量机的光纤故障自动识别方法。对光时域反射仪采集的数据进行事件点定位,选择最优基小波和尺度完成事件信号的分解和重构,提取归一化的小波包能量作为事件信号的特征向量;建立支持向量机模型,将特征向量作为输入进行训练和测试,最终实现故障识别。实验对机载光缆中由连接器引起的反射事件和弯折引起的非反射事件进行二分类测试,总样本数为2500。实验结果表明,当训练样本数为1750,测试样本数为750时,该方法对机载光纤中反射事件和非反射事件的正确识别率为99%,耗时3.03s;与基于反向传播神经网络的识别方法相比,准确率提升了2%,且耗时仅为其1%左右。目前已成功应用于自主研发的机载光缆组件外场检测设备。

关键词： 局部放电   模式识别   Hilbert边际谱   稀疏自编码器   深度神经网络  

摘要： 提出了一种基于Hilbert边际谱和稀疏自编码器(SAE)—深度神经网络(DNN)的局部放电(PD)信号的模式识别方法。首先,以变分模态分解(VMD)对PD信号进行分解,对所得各分量进行Hilbert变换构建相应的Hilbert边际谱。其次,以PD信号的Hilbert边际谱为输入数据,利用SAE自动学习复杂数据的内在特征来提取简明的数据特征表达获得参数。再次,利用SAE的训练结果初始化DNN,再以大量训练样本进行分类器的训练。同时,为了加快SAE和DNN学习过程的收敛速度,以自适应步长的学习速率对网络进行调优,更新权值参数。最后,用训练好的DNN完成测试样本的PD类型的识别。此外,以基于BP神经网络和支持向量机的识别结果与文中结果进行比较。实验结果证明,所采用的识别方法具有更高的正确识别率。

关键词： 探地雷达   隐藏缺陷   特征提取   支持向量机(SVM)  

摘要： 本文针对高速公路浅层隐藏缺陷对公路路面结构疲劳寿命及过往车辆的安全影响,利用模式识别技术对隐层缺陷的探地雷达图像进行滤波去噪等预处理,采用支持向量机(SVM)算法对不同缺陷的缺陷特征进行学习分类,并通过SMO改进SVM,提高算法的运算效率和识别结果的正确率.通过仿真结果与实际高速公路工程取芯检测结果相对比,二者表现出了较好的一致性,具有一定的理论研究和工程实际应用价值.