关键词： 模式识别   计算机视觉   实现分析  

摘要： 随着我国社会经济水平的不断提高,我国现代科学技术得到了前所未有的创新发展,模式识别技术已经在现代电子计算机视觉工作中得到了有效应用,其中,模糊模式识别技术应用最为广泛.实际模糊模式识别技术在计算机视觉系统应用过程中,通过数学方法既能够对人类的逻辑思维方式进行模拟建模,再将模式识别和人类逻辑思维融合应用,以从根本上提升电子计算机视觉系统运行的稳定性.本文主要就模糊模式识别技术进行分析,并进一步探究了模糊模式识别技术在计算机视觉中的应用实现,望对未来模式识别在电子计算机视觉中的应用与发展提供相应借鉴.

关键词： 局部放电   光学检测   传播特性   模式识别  

摘要： 随着气体绝缘全封闭组合电器(GIS)在电力系统中日益广泛的应用,其运行可靠性直接关系到能源输送通道的安全及整个电网系统的稳定。为了及时发现其内部潜伏的绝缘缺陷,局部放电检测具有重要意义。目前广泛应用特高频检测技术对局部放电进行检测,然而对于在变电站存在诸多的外部电磁干扰,目前特高频检测方法的免疫力还不够,既难以抑制,也难以辨别。因此本文考虑引入全新的局部放电检测参量探索解决这个问题,光学检测法由于检测的是发光现象,不受电磁环境干扰、设备振动类干扰的影响,且GIS是全封闭的结构,在其内部不存在外部干扰光源,因此具有优良的抗干扰性能。本文围绕GIS中局部放电光学特性及光学检测关键基础问题展开研究。通过对二维平面针板结构的流注模型进行仿真,模拟尖端缺陷局部放电发生时的放电过程,研究主要分布参数(电子密度、电场)以及光电离项、光通量随时间的变化规律,在微观上解释了局放光信号的产生机理及发展过程;建立直线型、T型和L型GIS结构模型,在不同探测面距离、放电源位置、GIS内表面材料属性以及探测角度的条件下进行仿真分析,揭示GIS局放光信号的传播规律及影响因素,为选择合适的检测点位置提供参考;搭建荧光光纤GIS局部放电光学检测平台,通过实验获取三种典型局放缺陷下的光脉冲图谱并展开研究,利用Gabor变换提取特征参量,采用多种分类器实现GIS典型局部放电缺陷的光学诊断与模式识别,识别精度最高可达97.6%,具有很好的实用性。

关键词： 认知心理   模式识别   医疗   遥感   指纹识别  

摘要： 本文论述了认知心理学模式识别定义及特点,分析了认知心理学模式识别过程,探讨了认知心理学模式识别的研究成果应用,主要是字符识别系统应用,医疗诊断中的应用,遥感天气预测中的应用,指纹与脸形识别中的应用,认知心理学家在此方面加大研究力度,发明的相关识别仪器对人们生活的便捷性和方便性有了很大促进,也使得信息化进程加速。

关键词： 电缆附件   故障诊断   局部放电   模式识别   数学形态学   分形理论   可拓神经网络   混沌   卷积神经网络  

摘要： 日益攀升的电能需求对电网运行质量提出了更高的要求。在城市电网线路改造的不断深化中,XLPE电力电缆的大量应用给安全输电和城市面貌改善带来了诸多益处。然而意外在所难免,电缆一旦发生故障,危害程度不言而喻。相关统计及研究表明,电缆附件绝缘故障一直是引发城市电网线路事故多发的罪魁祸首,而局部放电是电缆附件绝缘故障早期的表现形式之一,既是引起其绝缘性能劣化的根本原因,又是表征其绝缘状况的主要特征量。因此,对电缆附件绝缘故障局放信号进行分析和模式识别能及时、准确地掌握电缆附件绝缘状况。鉴于此,本文以国内外现有研究为基础,提出两种针对性不同的电缆绝缘故障在线诊断方法,并开展试验进行验证。具体内容如下:(1)提出了一种基于数学形态学和分形理论的电缆附件局部放电识别方法,旨在解决电缆附件绝缘故障识别过程复杂、特征提取困难及选择冗余的问题。本文选取三个工频周期内的含噪局放信号作为一个样本,首先采用数学形态学滤波技术进行放电脉冲提取,获得平均放电量和放电次数两个统计特征;并利用Hurst指数对局放信号分形性进行判断,若条件满足,直接求取其盒维数作为一个分形特征;最后构建组合特征并导入可拓神经网络完成模式识别。(2)提出了一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法,旨在解决卷积神经网络在电缆附件绝缘故障识别应用中对数据集要求较大的问题,并对数据特征进行深入挖掘。局放信号具有混沌特性,本文通过相空间重构对局放信号进行等价转换,使其混沌特性更加明显;再提取组合特征,包括几何特征、混沌特征、熵、分形特征和时域特征,使特征数据体量增大;最后导入卷积神经网络完成模式识别。仿真及试验结果表明,本文提出的基于数学形态学和分形理论的电缆附件局部放电识别方法简化了故障诊断流程,仅提取三个特征即可完成故障诊断;基于卷积神经网络的电缆附件局部放电识别方法能实现数据特征充分提取,在数据量较少时,也可完成故障诊断。两种方法均有效地弥补了现有同类型方法在特征提取、方法流程等特定方面存在的不足,具有很高的实际应用价值。

关键词： 风机组   特征提取   模式识别   故障诊断  

摘要： 本文通过对近年来国内外研究学者对信号特征提取、故障分类识别方面研究成果的认识了解,结合自己所在的研究领域,确定针对大型风机发电机组工作环境恶劣易发生故障,而且故障维修困难,以及造成经济损失巨大的问题。提出对风机运行状态信号进行特征提取和故障识别研究,以解决传统风机故障诊断人工成本高,周期性长,实时性差等缺点。对风力发电机组的结构和组成部分进行详细的介绍分析,并重点对齿轮传动部分进行了重点分析,对齿轮传动系统常见故障类型进行了分类总结,以及讨论了各种故障产生的可能的故障原因。对齿轮传动系统的传动比及各级齿轮转动频率进行了计算,可以确定各级齿轮的故障特征频率,对后面进行故障情况频域分析起到决定性指导作用。对时域分析和频域分析方法进行简要介绍,时域分析法是对针对信号在特定时间长度上对其中的一些参量进行统计,以这些统计值为指标;频域分析是把时域信号转化到频域表达形式,对信号所变现出的频域的特性进行分析。然后通过实验数据进行的是与信号分析,对其时域统计指标的统计分析,可以说明信号在时域和频域上所表现出来的一些特性,可以作为故障诊断的参考指标,但同时也存在明显的缺陷,为后续章节的研究的进行提供了不可缺少的理论基础作用。对两类主流递归式模态分解方法(EMD、LMD)理论部分及算法流程进行详细分析,对两类方法存在的端点效应和模态混叠缺点进行了理论部分的分析,阐明这些缺陷是这两个方法理论所固有的不可避免的。而引入的变分模态方法(VMD)很好的解决了模态混叠效应。所以运用VMD信号分解方法对实验信号进行分解,对其分量以能量比的形式确定其特征值,使提取的特征更为鲜明,为后续进通过特征数据进行特征识别的故障诊断提供强有力的数据依据。分析了各种流行的分类识别模型,然后结合分类数据特点选择以模糊神经网络作为故障分类识别的模型方法。以VMD信号分解方法对正常状态和故障状态进行信号分解,然后以分解信号的能量比作为故障识别的故障特征,以这种分类更为明显的故障特征作为模糊神经网络输入参数,通过对分类正确率的评估可以肯定模糊神经网络在故障分类中达到理想的分类效果。

关键词： 迁移学习   驾驶模式识别   最大均值差异   领域适应  

摘要： 迁移学习是机器学习中一个非常重要的任务,已经引起了诸多学者的关注。在实际应用领域中,例如图像识别、文本分类、自动驾驶等场景下,获得大量标记数据进行训练通常是一件非常困难并且代价十分昂贵的事情。可以获得的往往是少量标记数据或大量其他相关领域的标注数据。随着自动驾驶技术的不断发展,驾驶模式识别问题成为越来越重要的问题。它与自动驾驶汽车的感知、决策和控制等各个方面紧密相关。本文利用迁移学习来解决自动驾驶模式识别问题中标记数据少且数据分布差异大的问题。最大均值差异(Maximum Mean Discrepancy,MMD)用于评估和描述迁移学习问题中源域和目标域数据之间的分布相似性,但它们往往只针对于全局数据,并没有关注类内紧致性和类间可分离性。本文紧密围绕基于最大均值差异迁移学习的驾驶模式识别问题展开研究,主要研究工作及贡献如下:(1)本文提出了一种鲁棒的基于类内紧致性和多数投票分类器的驾驶模式识别方法。这一方法主要考虑了类内紧致性对于迁移学习的重要影响,同时利用多数投票的方法集中多个分类器的群体智慧来达到更鲁棒的分类效果。在实际真实数据集上的实验结果进一步验证了所提出的鲁棒驾驶模式识别方法的有效性。(2)本文提出了将类内紧致性和类间可分离性结合来进行驾驶模式识别的方法。类内最大均值差异和类间最大均值差异的结合不仅将源域和目标域相同类内的数据分布相似性提高,同时也将源域和目标域不同类间的差异性增大。在停车场数据集上的实验结果进一步验证了该方法的有效性。通过与其他方法的对比表明提出的度量是有效的。因此,本文提出了将类内最大均值差异和类间最大均值差异两个度量结合的模型,此模型可以同时增强类内数据紧致性和类间数据可分离性。这样的迁移学习方法可以将源域的知识更好地迁移到目标域中,以获得更好的分类效果。

关键词： 分布式光纤传感   Sagnac干涉   联合特征   模式识别  

摘要： 分布式光纤传感器以光纤作为传感元件与传感信号传输媒质,能够实现远距离、大范围的传感,在缺乏通信、电力等复杂环境下也能以低成本实现高质量的传感,具有其它传感器不可替代的优势。但由于检测距离长、激光器光源噪声、外界环境干扰问题,分布式光纤传感信号伴随着大量非入侵的信号,导致系统虚警率高,因此分离出传感信号中的入侵信号是系统关键之一,有效的入侵信号提取算法,能够精准快速的从伴随非入侵信号的传感信号中分离出入侵信号,降低系统后期对入侵信号识别时的计算量,提升系统后期对入侵信号的识别率。入侵传感信号识别是系统另一关键点,是指对入侵传感信号种类进行识别。光纤传感系统对外界的传感反应在对光信号的相位调制上,这些传感信号波形往往极为相似,增加了种类识别的难度,也增加了系统的误报率。如何用综合性强的特征来表征光纤入侵信号,以及选择合适的分类器对入侵信号分类也是近年来的研究难点。本文从多方面对分布式光纤传感进行了研究,主要内容如下:1、分析光纤作为敏感元件的基本传感原理,研究了Sagnac型与其它几种常用的分布式光纤传感结构的传感原理,总结当前Sagnac型分布式光纤传感系统入侵信号模式识别现状。2、针对分布式光纤入侵信号提取不精确,常导致分离出的入侵信号含有多余信号,增加特征提取与模式识别计算量,降低系统对入侵信号的识别率,提出利用融合短时过电平和短时对数能量的LC(Level Crossing,LC)算法对入侵信号提取、分析了CA-CFAR计算自适应阈值的算法。3、在分布式光纤振动信号提取方面,采用小波变换、EMD分解,提取分布式光纤振动信号的峭度、能量、能量占比等频域特征,联合传统时域特征形成多维联合特征表征光纤入侵信号。4、构建支持向量机(support vector machine,SVM)与极限学习机(extreme learning machine,ELM)对入侵信号进行识别,对比了不同入侵信号特征组合在不同分类算法中的识别率与识别稳定性。

关键词： 踏面擦伤   图像处理   模式识别   BP神经网络   遗传算法  

摘要： 随着“一带一路”战略布局的不断推进,我国轨道交通行业迅猛发展,铁路年货运量和客运量不断增长,列车的安全行驶与国计民生息息相关。列车轮对是列车走行部中非常重要的部分,其工作状态会影响到列车的平稳性和安全性。目前,轮对状态的检测多采用人工检测和光电测量法。这些方法需要在列车停运时进行,费时繁琐,实时性差,极易造成安全隐患。因此,实现轮对踏面擦伤的实时检测十分必要。本文采用图像处理和神经网络模式识别结合的方法,设计了一套轮对擦伤在线检测装置,实现轮对擦伤的在线检测和预警。主要的研究内容如下:1.图像采集硬件系统。本文选用STM32F407单片机作为控制芯片,提升采集系统的处理速度和鲁棒性。摄像头采用高分辨率COMS镜头,使用张正有标定法进行标定。单片机通过接收外部触发启动图像采集。系统采用高速以太网传输,保证多套采集系统的实时性和并发性。2.踏面图像处理的算法和流程。为了提高系统处理速度,首先对采集到的图像进行灰度化;采用露西-理查德森算法对图像进行复原,去除运动模糊;采用高斯滤波法,去除图像中包含高斯和椒盐噪声;最后选取灰度变换法对图像进行光照补偿,完成图像的预处理。本文对比了四种边缘检测算子,采用Canny算子进行边缘检测并拟合出轮对边缘,提取出踏面部分。最后使用灰度共生矩阵来提取出踏面图像纹理特征。3.改进GA-BP神经网络的模式识别器。将提取的踏面图像纹理特征输入到BP神经网络模式识别器中进行有监督的学习,输出的分类结果作为定位擦伤的判据。本文将遗传算法和BP神经网络结合,使用改进后的GA-BP神经网络进行模式识别,提高网络的识别率和稳定性。结果表明,优化后的神经网络识别率可以高达百分之八十以上,高于用传统BP神经网络算法的结果。4.踏面检测在线软件系统。软件部分采用Labview和MATLAB混合编程,设计出友好的人机交互界面。前者实现硬件采集系统的控制,后者完成图像处理算法及神经网络模式识别。检测时输入已经采集到的踏面图像,就可以实现踏面擦伤区域的自动识别并显示在界面上,同时计算擦伤区域的面积并进行分级预警。系统还实现了将同一车轮的多幅踏面图像进行拼接,显示出整个踏面的擦伤情况。

关键词： 城市旅行者   轨迹数据   时空行为模式   模式识别   K-prototype算法  

摘要： 随着高铁、飞机等交通技术的成熟发展，跨城的旅行需求日益增加。针对以城市为旅行目的地的旅行者的时空行为模式进行研究，可以为城市间旅行交通路线规划、旅行产品优化等提供参考依据。本文基于用户真实的时空基站数据及旅行目的地城市的地标数据对城市旅行者的时空行为进行研究，提取城市旅行者的时空行为特征，使用改进的K-prototype算法进行模式聚类，分析不同模式下城市旅行者的时空行为偏好。针对未知模式的旅行者使用KNN算法进行模式识别，提前预测城市旅行者的时空行为。　　首先本文基于规则的定义对城市旅行者进行识别与特征提取。通过城市旅行者与城市常住者的时空行为差异，给出城市旅行者定义并进行城市旅行者的识别，从海量的轨迹数据筛选出城市旅行者的样本数据。针对无旅行语义的手机位置数据及旅行目的地的地标数据，结合时间阈值判定法及网络切分法对旅行者的旅行停留点进行判定，获取旅行序列数据。然后提取其旅行轨迹序列、旅行方式、旅行时间、旅行距离四个维度的旅行时空特征，构建城市旅行者时空特征数据集。　　其次基于改进的K-prototype进行模式聚类。在聚类过程中，将上文提取的城市旅行者时空行为特征集，作为聚类输入的参数。使用欧几里得距离计算数值特征的距离，使用海明威距离计算分类特征的距离，使用Smith-Waterman算法计算旅行序列特征的距离，将不同类型的距离加权求和作为样本之间的距离。最后输出城市旅行者的聚类结果并使用轮廓系数作为聚类效果的评价指标。　　然后提出一种基于旅行者部分信息对其全量时空行为进行识别的方法。在对城市旅行者的时空行为识别过程中，将聚类结果作为样本数据的标签，提取每个模式的N个关键用户的部分特征数据作为训练数据，同时提取新用户的特征集合作为测试数据，使用KNN算法进行新用户时空行为的识别。　　最后以上海市的地标数据及城市旅行者的样本数据应用聚类方法，得出城市旅行者的8种不同模式，发现不同客源地的城市旅行者在旅行时间分配、旅行距离考量、旅行路线规划、住宿点选取等的偏好。使用关键用户到达旅行目的地第一天的特征数据进行城市旅行者的时空行为预测，证明了该方法的有效性。

关键词： 梁式桥   模式识别   曲率模态   支持向量机   核函数   对比分析  

摘要： 桥梁作为交通基础设施中的重要组成部分,国民经济快速发展的重要保障。桥梁结构一旦损伤,严重时将极大影响到人民的财产安全,因此,桥梁结构损伤检测一直是人们研究的热点。梁式桥是目前应用最广泛的桥型,对它的损伤研究具有普遍适应性意义。近年来,机器学习方法在各大领域有着越来越多的应用,但在桥梁损伤识别领域仍较为欠缺。支持向量机作为机器学习方法中的一种,它在分类和回归方面相比于传统方法在识别能力上更强,因此选用支持向量机的模式识别方法对梁式桥损伤进行研究,本文主要研究工作如下:(1)本文通过参考大量国内外文献,对桥梁损伤识别的背景和意义以及历史发展做出总结。又介绍了目前桥梁结构损伤的识别方法,特别是对动力特性下的损伤识别方法做了详细介绍,对衡量桥梁损伤指标有了初步了解。为模式识别选取合适的损伤指标提供指导。(2)介绍了模式识别方法及理论和支持向量机的类别及原理,就模式识别中桥梁损伤程度识别和桥梁损伤位置识别选用合适的支持向量机模型提供依据,最后选用支持向量机分类机识别桥梁损害的位置,支持向量机回归机识别桥梁损害的程度。(3)对基于模态振型和曲率的桥梁损伤识别进行了进一步研究,通过对简支梁桥的模态分析来获取损伤的参数指标,将两种指标对桥梁损伤识别敏感性进行对比,得到曲率模态为更优损伤识别指标,以作为支持向量机模型的输入参数。(4)以连续梁桥为例,首先就支持向量机分类机对桥梁损伤位置识别进行分析,验证了基于前四阶曲率模态为输入特征参数的支持向量机模型是可行的。再通过支持向量机回归机做桥梁损伤程度识别。对四种不同核函数预测准确率的对比,得出最佳的核函数。后对RBF核函数相关参数进行优化,并作结果分析验证。