摘要： Chitin is the main ingredient in the crustacean shells (e.g. crab, shrimp, lobster). It can also be found in fungal cell walls and insect exoskeletons like house dust mites and cockroaches. Many people are allergic to seafood, fungal spores, house dust mites, and cockroach. These allergies are thought to be driven at least partially by a response to chitin. However, how mammals sense and response to chitin is largely unknown. In plants, LysM-domain (LysMD, chitin binding domain) containing receptors are the primary receptors for chitin. These receptors can bind directly to chitin and/or mediate the innate immune response against chitin-containing pathogens such as fungi. Mammals also have LysMD containing proteins, but the functions of these proteins are unclear. In this study, we demonstrate that human LYSMD3 is a novel receptor for chitin. LYSMD3 is essential for chitin recognition and chitin induced inflammatory responses by airway epithelial cells. Our characterization of LYSMD3 as the elusive human epithelial cell receptor for chitin, resolves a long-standing mystery and provides a new insight into the context of innate immunity in mammals against chitin-containing organisms and allergic inflammation.

关键词： HMM   特征提取   模式识别   DAS   管道监测  

摘要： 基于相敏光时域反射仪(Phase-sensitive Optical Time-domain Reflectometry,Φ-OTDR)的分布式声波传感(Distributed Acoustic Sensing,DAS)系统在长距离管道安全监测中快速发展并广泛应用。在大范围环境安全监测中,复杂环境下声波/振动信号通常表现出非线性和非平稳特征,实现宽动态环境下物理事件的高识别率和深入理解具有很大的挑战。因此,本文提出了基于隐马尔可夫模型(Hidden Markov Model,HMM)的管道安全监测DAS信号时序信息挖掘与识别方法。该方法结合了特征矢量和特征矢量时序演化关系两重信息,相比于只根据某时间段信号的静态特征或特征矢量进行分类的传统识别算法,具有更高的事件识别率;同时基于HMM模型库可挖掘信号的时序演化信息。现场数据测试结果表明,该方法对埋地管道上五类典型事件的平均识别率可达到98%,优于传统的机器学习方法,如决策树(Decision Tree,DT)、随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)和贝叶斯网络(Bayesian Network,BN)等,并具有较好的时效性。具体工作如下:(1)分析国内外管道安全监测领域信号处理技术现状,对现有方法因忽略信号时序演化信息导致识别率低的问题,本文提出了基于HMM的管道安全监测DAS信号时序挖掘与识别方法。(2)根据DAS信号具有随机性和非平稳性的特点,提出了基于时域、频域、变换域和模型参数的多分析域特征提取方法。另外,采用F值特征选择和LDA特征降维算法降低特征集维数,并对降维结果进行可视化。(3)基于HMM提出了人工挖掘、机械挖掘、交通干扰和工厂干扰等五类事件信号的时序挖掘和识别方法,包括基于K-means算法的参数初始化方法和基于高斯混合模型(Gaussian Mixed Model,GMM)的HMM观测矩阵参数估计方法,首次在获得信号事件类型的同时,挖掘出信号的时序演化规律。(4)基于现场数据测试HMM时序挖掘和识别方法的有效性。基于准确率、召回率等多个分类器性能评估指标,对五种传统模型与HMM进行对比,测试结果表明HMM相比其他五种模型具有更高的识别率,平均识别率可达到98%,且输出的隐状态序列很好地刻画了信号的演化过程。最后,对HMM方法的时效性进行了测试,结果表明HMM在线处理速度可以达到125条样本/秒,满足系统时效性要求。

关键词： 深度视觉   行为识别   骨架   模式识别  

摘要： 随着新一代信息技术与制造业的创新融合,信息化与智能化已经成为制造业发展的重要趋势,通过信息化的手段对生产领域的人、机、料、法、环进行全方位管理成为实现智能制造的重要方式。人员在所有的生产要素中具有较强的自主性,因此在生产过程中对人员行为的智能管理十分困难。鉴于此,本文对生产过程中的人员行为进行研究,识别与判断生产过程中的人员行为,进而规范生产行为,对提高车间的管控水平具有十分重要的意义。针对生产车间工作人员行为识别与监控问题,本文提出了一种基于人体骨架信息的生产行为识别方法。本文采用基于三维深度视觉传感器采集人体骨架关节位置数据,并使用标准化重构方法对骨架关节数据进行预处理,构建的基于瞬态特征的人员姿态识别模型和基于时序特征的人员行为识别模型。对于基于瞬态特征的人员姿态,构建基于骨架向量夹角-距离复合特征的人员姿态表达方式,分别使用逻辑回归算法、决策树算法和支持向量机算法实现基于瞬态特征的人员生产姿态识别;对于基于时序特征的人员行为,构建合成人员行为的时空特征RGB图像,设计深度卷积神经网络模型,实现时空域的生产行为识别。最后,在对人员行为识别方法研究的基础上,开发并搭建了人员生产行为数据采集及行为识别软硬件系统,并在实验室环境下实现了对人员姿态行为数据的采集和对人员行为的有效识别。

关键词： 信号去噪   信号调制模式识别   VMD变分模态分解   能量熵   支持向量机  

摘要： 目前信号调制模式自动识别技术已经成为学者们讨论的热门话题,但由于通信环境呈现出一种越来越复杂、越来越智能的趋势,并且信号容易被大量复杂的噪声所印象,而信噪比是一种衡量一段信号好坏的标准之一。信噪比越高越能保证整个通信系统的质量,因此提高信噪比十分重要。在非协作通信中,双方无法预知传输信号的调制模式,而为了进行后续的解调,调制模式的自动识别是十分重要的。在前人的基础上,本文对三种四进制调制信号4ASK、4FSK、4PSK的产生原理进行了分析并得到了其时频域波形理论仿真图。介绍了高斯白噪声在通信系统中的影响,对含噪调制信号在信噪比为7dB和信噪比为20dB的环境中进行了仿真。论文详细阐述了一种新型的信号预处理方法—变分模态分解VMD。VMD算法可以将原始输入信号按照特定的层数在不同频率自适应地进行分解。文章对信噪比分别为7dB和20dB的三类调制信号的VMD分解进行了仿真,得到了分解后各个信号的波形与频谱图,可以从不同层次深入研究信号。本论文的主要实验内容为对含噪调制信号通过VMD分解结合能量熵的算法进行去噪处理。考虑信噪比为7dB的含噪信号,通过分解后的信号分量能量熵选取不同层的信号,将噪声分量直接剔除,最后再通过幅度阈值进行二次去噪,可得到比较纯净的去噪噪声。从实验输出信号与原始信号的时域波形对比、信噪比对比、均方根误差值三个参数来评断该算法的去噪效果,验证算法的可行性以及对4ASK、4FSK、4PSK三种信号的适用性。利用这三类经过VMD算法分解且去噪后的调制信号分量,提取能够有效实现类间模式分类的特征量--瞬时幅度相关性系数和瞬时频率相关性系数能量_(#$%&),通过多次仿真实验产生各1000个数据的样本,结合支持向量机对三类信号进行自动分类识别,得出在去噪之后调制信号的分类识别率。最后对比三种信号在不同低信噪比的环境下,VMD与EMD两种去噪算法对识别准确率的提升,验证本算法的优势。

关键词： 光纤振动传感   短时傅里叶变换   卷积神经网络   模式识别  

摘要： 物联网是通过电信网,互联网等承载体使各种有独立功能的物体实现互通互联的网络,也就是“物和物互相连接的互联网”。智能安防就是把物联网技术和安防产品相结合,使安防更加人性化,智能化,现代化,更加精准地检测入侵,对我们的人身和财产安全有更好的保证。结合光纤传感技术的智能安防更加能够弥补传统安防系统的缺点,光纤振动传感系统是基于光纤传感技术并布设在周界的新型智能安防系统。本文研究光纤振动传感系统的原理,并搭建系统采集入侵信号,对采集到的入侵信号进行特征提取,再搭建卷积神经网络模式对入侵信号进行模式识别,最后编写光纤信号识别系统,实现交互。本文主要进行了以下几方面的研究工作:1.研究了光纤传感系统的传感原理和几类典型的干涉型光纤传感系统:迈克尔逊干涉型光纤传感器,马赫-曾德干涉型光纤传感器,萨格纳克干涉型光纤传感器。其中主要研究了迈克尔逊干涉型光纤振动传感系统的结构和信号采集原理;通过布设在家庭的窗户上的光纤振动传感系统,对入侵信号进行采集,实验得出的数据分成四种情况,分别为开窗,攀爬,敲窗和非入侵情况。2.研究了信号预处理方法和两种信号特征提取方法:短时傅里叶变换和小波变换。分别对信号进行特征提取并比较两种特征提取方法的效果。3.研究了神经网络原理,设计了卷积神经网络和BP神经网络,分别对短时傅里叶变换得到的特征矩阵和小波变换得到的特征向量进行模式识别,分别得出测试结果并进行了对比,得出卷积神经网络模式识别效果优于BP神经网络,卷积神经网络的总准确率可达93.0%。4.编写光纤信号识别程序,用python语言的tkinter模块编写GUI,运用训练后的卷积神经网络模型对光纤振动传感信号进行模式识别。

关键词： 电气设备   局部放电   模式识别  

摘要： 电气设备作为电力系统中的基础设施,在科学技术的支持下,电气设备也逐渐向精细化、智能化方向转变。电气设备在运行过程中,易受到外界工作环境、元器件互扰等方面的影响,令设备产生失效现象,无法完成相应的指令操控。局部放电作为电气设备常见的故障类型,在对放电类型进行识别时,一般以系统放电模式、特征量提取等为主,以此来对设备故障类型进行鉴定。文章对局部放电模式框架进行论述,模式识别种类进行分析,并对电气设备局部放电模式识别发展方向进行研究。

关键词： 转子系统   动力学模型   变分模态分解   支持向量机   模式识别  

摘要： 转子系统作为旋转机械的核心部件,研究其故障状态下的非线性行为和动力学特性对学习、调整转子系统的故障具有深远意义。本文在考虑碰摩力、非线性油膜力等几种非线性力的基础上,建立了单跨双盘转子动力学模型,采用数值仿真分析了参数变化对系统的动态响应。通过搭建转子实验台进行实验研究,并与仿真结果相吻合,验证了此模型下的准确性,为系统设计和工程实践提供了重要参考。本文以转子碰摩故障振动信号为研究对象,提出了一种基于变分模态分解与优化支持向量机模型相结合的转子故障诊断方法。转子碰摩故障诊断研究是对振动信号进行采集,故障的特征提取以及进行模式识别与分类。其中重点是从非线性、非平稳的故障振动信号中提取出敏感的故障特征。因此本文选用一种新的自适应信号分解方法—变分模态分解(VMD)对故障信号进行特征提取。详细介绍了 VMD算法的基本原理及步骤,对采集的数据进行VMD分解,并与局部均值分解(LMD)方法的结果进行对比分析,结果表明变分模态分解方法优于局部均值分解,且VMD方法能够有效、准确的提取到故障特征,适用于转子系统的故障诊断。模式识别作为转子碰摩故障的判别依据,提出了一种基于粒子群算法优化支持向量机模型的方法,通过合理地选择了粒子群算法中的参数,找到支持向量机模型中最优的惩罚因子C和核函数参数cσ。将变分模态分解得到的若干个本征模态信号重构,获得样本集,选取其中部分作为训练集,训练得到分类器模型,其余部分作为测试集,输入到优化后的分类器中,计算得到此模型的准确率。结果证明了,基于粒子群优化支持向量机参数方法不但加速了惩罚因子C和核函数参数σ的寻优过程,同时也具有较高的诊断精度。因此,基于粒子群优化支持向量机参数方法适用于转子碰摩故障的模式识别,且具有一定的有效性和实用性。

关键词： OD矩阵预测   主成分分析   Kalman滤波   模式识别   K-最邻近分类法  

摘要： OD交通流量反映了路网中一段时间内从起点到终点的交通量分布情况。OD交通流量信息是进行合理、有效地交通规划、运营、管理与控制的前提与基础。其中,短期(预测)的OD流量是制定精准、有效的动态交通管理与控制措施的重要数据基础。动态OD流量预测关注OD矩阵在时间序列上的变化趋势,对该趋势的掌握是实现交通管理和信息系统实时性的必要条件。基于对交通流量信息时序随机性或混沌性的不同界定,文献中提出的OD流量预测方法主要包括参数模型预测和非参数模型预测。这两类方法分别关注OD流量数据的周期性变化和短期波动情况,在预测精度和效率上各有侧重。参数模型预测绝大多数是基于状态空间(state-space)相关模型构建的预测方法,而非参数模型往往使用一系列模式识别和机器学习方法实现短期预测。本文首先分析了路网OD矩阵的高维度特性,提出了基于主成分分析(PCA)的数据降维方法,得出5个主成分可以表征原始OD数据83%以上的特性;然后,基于降维后的主成分数据,利用多项式拟合模型得到结构模式和偏差,建立递推状态空间模型,并利用卡尔曼滤波技术构建(参数型)预测模型(模型1);此外,论文提出了3种基于K-最邻近分类(非参数)预测算法(K-Nearest Neighbor):第一种(模型2)基于KNN的预测方法直接利用主成分数据,以相邻时间段的主成分得分之差作为模式趋势构建状态模式集和标签集;第二和第三种(模型3和4)基于KNN的方法则对状态模式集和标签集数据进行多项式拟合,得到结构模型集和残差集,而后两种方法之间的差异是对残差集的处理不同。第二种方法直接假设残差是高斯白噪声,后一时段的残差方差与前一时段的相同,第三种方法则对残差的方差再次应用KNN方法进行预测。最后,利用长沙市交叉口的视频摄像头采集的交通流量信息,对本文提出的四个模型的有效性进行验证,结果显示在不同的需求状况下,本文提出的模型能够做出合理的预测。同时,预测精度高度依赖于可用OD数据的质量:卡尔曼滤波器模型对于规则和周期性OD模式表现更好;而对于不规则OD矩阵,K-NN模型可以进行更准确的预测。

关键词： 代谢组学   数据预处理   模式识别   机器学习算法   变量筛选  

摘要： 目的对代谢组学数据分析中数据预处理、模式识别、差异变量筛选方法进行研究,建立代谢组学数据分析的流程。方法1.数据预处理:采用欧式距离、马氏距离、聚类分析算法分别检测离群点,删除共同的离群点作为原始数据。采用K近邻法、连续K近邻法、多重插补法填补缺失值,采用正态标准化、极差标准化、mapstd标准化方法进行数据预处理,以正态性检验、模型拟合能力、预测能力、分类效果对预处理方法进行评价。2.模式识别:分别采用主成分分析法、偏最小二乘判别分析法、支持向量机、人工神经网络方法进行模型评价,综合评价实验数据的可用性。3.差异变量筛选:以p值、倍数变化值(FC)所得火山图结合偏最小二乘判别分析VIP值综合筛选变量,发现共同变量作为差异变量。根据筛选出的变量即可查找潜在生物标志物。结果1.数据预处理通过欧式距离、马氏距离、聚类分析算法检测离群点,删除共同的1个离群样本后进行后续数据处理;通过偏最小二乘法对K近邻法、连续K近邻法、多重插补法填补缺失值后的数据进行模型拟合能力、预测能力、分类效果检验,三种方法差别较小,直观分析确定多重插补法;正态标准化、极差标准化、mapstd标准化方法的评价结果显示,极差标准化后模型的拟合能力、预测能力和分类效果较好;正态性检验表明,未经标准化处理的数据不符合正态分布,极差标准化后,数据呈现正态分布,可以进行进一步分析。2.模式识别非机器学习的主成分分析、偏最小二乘判别分析以及机器学习的支持向量机分析、人工神经网络分析的拟合能力均好;机器学习对原始数据是否符合正态性要求不高,而非机器学习要求原始数据符合正态分布;从分类效果和预测效果看,偏最小二乘判别分析明显优于主成分分析,支持向量机数据分析和人工神经网络的分类与预测能力较好。3.变量筛选以p值、倍数变化值(FC)所得火山图分析筛选出165个差异变量,偏最小二乘判别分析VIP值筛选出268个差异变量,最后选取出两种方法中共同的差异变量96个,作为潜在生物标志物。结论建立了“预处理-模式识别-变量筛选”的代谢组学数据的分析流程:离群点删除-多重插补法-极差标准化-偏最小二乘判别分析-综合变量筛选以及离群点删除-支持向量机分析/人工神经网络-综合变量筛选。非机器学习算法对数据的预处理要求较高,偏最小二乘判别分析的拟合、分类、预测以及差异变量筛选的能力较强,机器学习算法对数据预处理要求不高,分类和预测能力较强。因此在模式识别中非机器学习算法和机器学习算法可以共同应用,从而相互印证。

关键词： 光纤振动传感   迈克尔逊干涉仪   过零率   模式识别   FPGA  

摘要： 近年来,分布式光纤传感技术的深入研究不断取得了进步,基于Michelson分布式振动光纤传感技术的光纤周界安防系统日趋完善,在诸多周界安防领域具有较为广泛的发展空间。但是目前该类安防系统在对入侵事件种类识别、识别准确率以及事件信号特征向量提取效率方面尚无法完全满足实际需求。针对上述模式识别方面的根本问题,本文基于分布式振动传感技术,简要介绍光纤周界安防系统现状,在分析对比不同安防系统优劣特性的基础之上,主要开展并完成了以下研究工作:1.介绍迈克尔逊型光纤周界安防系统的传感原理以及入侵判定原理,分析了入侵事件模式识别对安防系统的重要意义;并对迈克尔逊周界安防系统的软件、硬件构成及其实现进行了详细阐述。2.提出利用过零率作为特征对入侵事件信号进行时频分析,对比不同类型的入侵事件的过零率分布,分析处理外界噪声信号与入侵扰动事件信号过零率之间的差异,消除了外界噪声与干扰因素对系统事件识别的影响。3.考虑到模式识别对特征向量的需求,对入侵事件的信号进行分段过零率的提取,每种类型的事件提取6段过零率作为一组特征向量,将每种事件的多组特征向量作为训练/测试样本进行事件识别模型的训练。提出以过零率作为特征向量,结合支持向量机对多种不同类型的事件进行高效识别的方法。对剪切、晃动、敲击、攀爬围栏事件以及无入侵事件工共600组数据进行事件分类,五种事件各自识别率在90%以上,平均识别率在97%以上,识别时间0.046s,识别效率高。4.在上位机验证了事件模型训练与事件识别的可行性,提出了使用FPGA来实现入侵事件高效识别的方法,采用Verilog HDL语言编写支持向量机模式识别算法,对基于FPGA的安防系统的软件设计如信号采集与处理模进行了详细阐述。对该系统进行了现场实验测试,对剪切、晃动、敲击、攀爬各进行了100组模拟入侵实验,实验结果误报率为2.25%,事件识别准确率为97.75%,可以满足实际工程应用需求。