关键词： 局部放电   模式识别   多尺度   Transformer   特征融合  

摘要： 局部放电是指在绝缘材料中的一种电气放电现象,通常发生于高电压作业下。局部放电信号检测是电气设备潜在的安全指标,能够准确识别局部放电信号可为电力设备故障预警和维护工作提供有力支撑。目前局部放电识别传统方法主要存在两个问题:一是局部放电信号具有复杂的时频特征,传统的局部放电相位分析方法不能有效提取不同细粒度特征,导致整体识别效率低;二是基于传统特征提取方法的算法复杂度高,在实际应用中泛化能力和反馈分析水平较低。本文针对当前局部放电信号模式识别的局限性以及低效问题,提出了一种基于深度学习的联合网络结构进行深度研究,主要研究工作如下: 首先,本文针对XLPE电缆上采集的局部放电信号进行去噪处理,从局部放电信号故障机理入手,对一维时序信号数据进行重新整合得到PRPD相位图谱,为本研究所提的网络提供了训练、测试样本。 其次,为了有效提取PRPD图中不同细粒度特征,本文提出了一种基于卷积的多尺度特征融合金字塔网络(Multiscale Net,MSN)。MSN网络可通过多层卷积堆叠对PRPD图进行不同尺度的特征提取,对不同表征的向量进行特征融合,获取全局的混合特征。 最后,本文提出了一种基于Transformer改进的空间交互模型(Spatial Transformer,SPTransformer)。此模型与MSN网络结合使用,实现了数据的特性交互及PRPD图的模式识别。SPTransformer模型兼具局部和全局特征的感知能力,其核心主要包括空间交互注意力机制(Spatial Interaction Attention,SI-Attention)和特征生成模块(Generate Source,G-source)。前者能够建立子空间信息交互,通过交互关联的信息可自适应分配片段特征的权重;后者则对不同权重的特征制定了一套重要性评分机制,通过该机制生成分类特征,执行下游识别任务。本文所提出的MSN-SPTransformer联合网络能够准确识别PRPD类别,相比于同领域识别算法准确度提升了5%。

关键词： 农机运动模式识别   深度学习   时空轨迹数据   数据增强   数据清洗  

摘要： 随着装有定位设备的智能农机的普及,海量的农机轨迹数据应运而生。精准识别农机的运动模式是数据挖掘领域的一项重要研究内容,对实现农田面积计算和农村路网构建具有重要意义。然而,原始的轨迹数据含有大量异常点,它们会影响识别的精度。其次,原始轨迹数据仅记录了时间、经纬度、速度和方向,单纯依靠它们难以实现高精度识别。为了丰富轨迹数据,研究者开始关注于加速度和角速度等运动特征的设计。这些特征充分反映了农机的运动状态,但是它们未能反映农机的分布特性,导致识别精度难以极大提高。近年来,基于深度学习的识别方法凭借着自动提取深层特征的优势取得了显著成功。然而大部分方法忽略了深层局部和全局特征的融合,未能充分利用轨迹特征,导致识别精度难以进一步提高。针对上述问题,本文从数据清洗、特征增强和深度学习模型构建三个方面出发,开展基于深度学习的农机运动模式识别及其应用研究: 1.在数据清洗方面,针对由于卫星信号干扰等因素而产生的离散点和漂移点,本文提出基于移动窗口的平均距离比较法和基于相邻点距离的比较法来将它们剔除,以提高轨迹数据的质量,确保后续特征增强的可靠性和模式识别的准确性。 2.在特征增强方面,除了8个运动特征(例如,速度、方向和加速度等)之外,本文提出一种基于空间关系的统计方法从原始轨迹中提取2种分布特征(密度和平行特征),以充分反映农机的分布情况,使轨迹特征更加丰富。 3.在模型构建方面,本文提出一种能够提取并融合深层局部和全局特征的Conv TEBi LSTM模型。该模型首先利用1D-CNN和Transformer-Encoder从轨迹特征中提取深层局部和全局特征。然后,模型利用Bi LSTM来将上述特征进行融合。最后,基于融合特征,该模型利用线性分类器将轨迹点识别为田间和道路点。 4.在Harvester和Paddy两个数据集进行实验,以验证特征增强的有效性。结果表明本方法取得97.55%和86.44%的准确率,具有很高的识别精度。在Harvester上进行对比和消融实验,以验证Conv TEBi LSTM模型以及改进子模块的有效性。结果表明本方法取得98.21%的准确率和94.35%的F1值,具有很好的识别效果。在农机管理云平台上进行了模型部署和测试,以验证本方法的识别结果在面积计算应用上的有效性。结果表明该平台实现了误差小于300平方米的面积计算,具有很好的应用效果,这为农机作业补贴管理提供了可靠的数据支持。

关键词： 雷达工作模式   干扰决策   深度强化学习   软件无线电  

摘要： 在现代战场环境中,利用电子情报分析,准确实现敌方多功能雷达的工作模式识别,对己方后续的精准干扰和资源调度非常重要。智能干扰决策作为电子战的“决策大脑”发挥着至关重要的作用,如何利用自主机器学习更加精确地对敌方雷达系统造成干扰,同时最小化对友方干扰资源的调度,已成为当前研究主要热点。本文的主要工作和研究内容如下: 首先,针对脉冲信息缺失和参数交叠对雷达工作模式识别的影响,论文在雷达脉冲层次模型上提出基于自适应注意力机制的堆叠双向(Adaptive Attention-based Stacked Bidirectional Long short-term memory,AAM-SBi-LSTM)雷达工作模式识别方法,该方法根据计算雷达脉冲信息序列的特征复杂度自适应调整注意力权重,结合LSTM网络中的上下文信息对输入雷达脉冲序列进行建模分析,提高雷达工作模式识别的正确性。仿真结果表明,与支持向量机(Support Vector Machines,SVM)识别雷达工作模式方法对比分析,所提出的算法能在雷达脉冲序列存在不同噪声等级和缺失率情况下,具有较高的识别率。 其次,传统基于模板匹配的雷达干扰决策过于依赖先验知识,无法做到与对抗环境交互学习,不具备时效性,而传统基于强化学习的雷达干扰决策,在面对较大状态和动作维度,干扰成功率较低。针对上述问题,论文在所提雷达工作模式识别方法的基础上,研究了基于深度强化学习的雷达干扰决策,通过融合动态干扰策略和距离因素,引入基于威胁等级和干扰功率级别的两种奖励机制,对比分析了基于深度Q学习网络(Deep Q-learning Network,DQN),双重深度Q学习网络(Double Deep Q-learning Network,DQN)和竞争深度Q网络(Dueling Deep Q-learning Network,Dueling DQN)的干扰决策性能。仿真结果表明,Dueling DQN能在高维动作状态下相较于DQN和DDQN,该算法能实现更高的干扰成功决策率。 最后,为了验证基于雷达工作模式识别的干扰决策算法在实际场景中的可行性和有效性,搭建了基于GNU Radio无线通信软件工具和通用软件无线电平台(Universal Software Radio Platform,USRP)硬件的半实物仿真系统。该系统通过数字射频存储(Digital Radio Frequency Memory,DRFM)技术和数字干扰合成(Digital Jamming Synthesis,DJS)技术生成压制式和欺骗式干扰信号,同时实现集雷达工作模式识别、智能干扰决策和发射雷达干扰样式的智能干扰决策。系统测试结果表明,该系统能够实现四种雷达工作模式的识别,发出的正确干扰决策指令和发射针对性的干扰信号。

关键词： 分布式光纤传感   周界入侵   模式识别   机器学习   特征提取   分类算法   高精度  

摘要： 分布式光纤传感技术凭借其探测灵敏度高、响应速度快、监测范围广等显著优势,被广泛地应用于入侵安防监测领域中。但在实际应用环境中,受扰动事件类型复杂、多源干扰、高相似事件易混淆和地质耦合环境复杂等影响,基于分布式光纤传感的入侵监测系统普遍存在误报率高、实时性差等问题,极大地限制了其应用发展。本文以实际工程应用需求为导向,开展了基于分布式光纤传感的周界入侵事件高精度识别算法的理论和实验研究,并探索其在边境线入侵和地下管廊外部施工入侵安全监测领域中的应用。本文的核心内容和主要创新工作如下: (1)针对实际应用中入侵事件的高精度识别需求,分别对信号特征信息分析和提取方法以及事件模式分类识别算法模型进行了系统性分析,为后文中采用分布式光纤传感系统对外界入侵信号进行分析和模式识别的应用研究提供理论基础。 (2)针对扰动事件类型复杂多样,提出了信号多域特征分析和多分类器融合决策识别算法。基于登普斯特-谢菲尔证据理论设计了多分类器融合决策模型,通过多分类器融合决策算法对信号的多域特征量进行分类识别。实验结果表明,该算法可实现多类扰动事件模式的高精度识别,识别率可达97.3%,相比基于单分类器识别算法,识别率提升了5.7%。 (3)针对多源干扰问题,提出了多源混叠信号有效分离和识别算法。对外界干扰源的特征域进行分析,结合小波包分解、自适应滑动均值滤波和有效信号窗降噪技术将混叠在多源干扰中的威胁信号分离出来。在信号识别端,设计了基于注意力机制的多尺度卷积网络模型,实现了四类混合信号的高精度识别,识别率为95.4%,相比之前算法,识别率提升了29.4%,且耗时仅需0.268 s。 (4)针对复杂边境线入侵场景中高相似事件易混淆问题,提出了一种递进式双层模式识别网络模型。在第一层识别网络中,根据信号时域和频域特征差异,识别出易区分的扰动事件;在第二层识别网络中,对信号的时频能量分布特征进一步分析,通过双层递进式识别结构,完成高相似事件的识别。最后将该算法应用于实际的边境线安防场景中,实现了入侵者与易混淆动物活动事件的高精度识别,识别率可达95.6%,且平均耗时仅需0.253 s。 (5)针对实际应用中复杂地质耦合环境下信号识别率低的问题,提出了一种基于多维特征金字塔网络的复杂耦合环境入侵识别算法。利用光纤分布式特点,联立多个相邻传感单元获取信号的空-时-频三维特征图,以丰富信号特征量,并设计了特征金字塔的双向长短时记忆网络模型对信号的多维特征图进行提取和分类识别。最后基于该算法开展了城市地下综合管廊外部施工入侵应用测试,实现了复杂地质耦合环境条件下入侵事件的高精度识别,识别率高于90%,耗时仅需0.463 s。

关键词： 石菖蒲   指纹图谱   化学模式识别   网络药理学   差异质量标志物   β-细辛醚  

摘要： 目的:指纹图谱结合化学模式识别技术及网络药理学，分析预测不同产地野生石菖蒲(Acorus tatarinowii Schott)中潜在的差异质量标志物(quality marker, Q-marker)。方法:采用HPLC法建立石菖蒲药材指纹图谱，确认共有峰并进行指认，通过主成分分析(principal component analysis, PCA)及正交偏最小二乘-判别分析(orthogonal partial least square-discriminant analysis, OPLS-DA),筛选引起产地差异的主要特征化学成分；再运用网络药理学构建“活性成分-靶点-通路网络”图，预测Q-marker。结果:建立了4个产地18批石菖蒲药材指纹图谱，共有峰的选择显示不同产地石菖蒲药材的内在质量存在明显差异，PCA和OPLS-DA显示同一产地石菖蒲药材各自聚为一类，指认的3号峰(β-细辛醚)是引起产地差异的主要特征化学成分。网络药理学筛选出6个潜在Q-marker,结合Q-marker五要素原则，进一步明确β-细辛醚可作为石菖蒲的潜在Q-marker。结论:预测了β-细辛醚可作为不同产地石菖蒲药材的差异Q-marker,为石菖蒲质控指标的选择提供思路和参考依据。

关键词： 分布式光纤声波传感   入侵事件   模式识别   开集识别  

摘要： 周界安防入侵监测问题始终是各地区安全工作的核心要点,非法入侵事件不仅对人的生命安全构成威胁,还可能造成重大的财产损失。由于人为事件的复杂多变与不可预测性,防范工作变得复杂艰巨。传统安防设备主要依赖于电子传感器和摄像头,但受环境影响大且成本高昂,难以实现长距离分布式监控。相比之下,分布式声波传感技术(Distributed optical fiber Acoustic Sensing,DAS)凭借其紧凑的设计、轻量化的特性以及卓越的抗电磁干扰和抗腐蚀能力,逐渐崭露头角并获得用户广泛认可。然而,由于DAS系统的高灵敏性和长距离探测特性,在实际应用中仍存在局限和不足:(1)常出现漏报和误报现象,降低了系统预警的可信度。(2)实际应用中存在不可控的未知事件,导致识别模型无法正确识别训练集外的未知类别,造成系统识别精度下降。 针对上述问题,本文对周界安防入侵事件识别系统的关键模块及未知判别方法进行了以下研究: (1)本文从瑞利散射机理出发,深入剖析了分布式光纤传感技术的核心原理。随后,搭建了DAS系统及实地测试场景,实现对现场数据的精准采集。在此基础上进行数据处理,共提取6154组入侵事件样本,完成了周界安防入侵事件数据集的构建,为后续的入侵事件识别提供了丰富的数据支持。 (2)设计并实现了基于1-D MFCNN的入侵事件识别模型。将DAS系统采集的扰动信号作为输入,通过四路并行的卷积层提取信号特征,完成入侵事件识别。此外,为深入探究不同网络模型对识别效果的影响,设计了多组对照实验,并对实验结果进行了详尽的分析与总结,结果表明提出的模型有着更短的模型训练时间与更高的测试准确率。 (3)提出了基于深度学习的入侵事件开集识别模型,提出Extended Open Max方法,在原有输出概率的基础上进行拓展,新增专门用于识别未知类别的维度。对测试集样本进行对比和分析发现,所提方法对于三个已知事件类别,平均识别准确率可达99.6%。在添加2个未知事件类别后,准确率仍高达96.9%。此外,设计多组对比实验并进行对比分析,结果表明所提方法在入侵事件的识别上具有较高的识别准确率。

关键词： 发电机定子   局部放电   模式识别   深度学习   在线监测  

摘要： 发电机定子局部放电(简称局放)模式识别是发电机状态监测的关键技术之一。目前国内外发电机定子局放在线监测系统的模式识别准确率尚存在较大提升空间。不同样本条件下局放类型的高精度识别是局放研究领域亟待突破的难题。近年来深度学习技术的快速发展为发电机定子局放模式识别提供了新的研究思路,有望提升识别的准确率,实现局放类型的高精度识别。基于深度学习的发电机定子局放模式识别面临以下难题:1)充足样本条件下局放深度学习模式识别模型占用监测系统资源较高;2)发电机定子结构复杂,容易导致多源局放的耦合叠加,识别难度大;3)不平衡样本条件下发电机定子局放识别精度低;4)发电机定子局放识别模型对新增局放类型识别难度大。 针对上述难题,本文围绕发电机定子局放模式识别技术进行了深入研究,搭建了局放实验平台,分析了多种局放的耐压特性,建立了局放样本库。以不同样本条件为研究脉络,对发电机充足样本条件、多源局放样本条件、不平衡局放样本条件以及新增局放样本条件的模式识别技术进行深入研究。 针对充足样本下深度学习模型的计算冗余问题,提出了一种基于图像分割和深度可分离卷积的局放模式识别方法,提高了发电机定子典型局放和高相似局放的识别精度和效率。该方法通过图像分割技术提取局放相位分布(Phase Resolved Partial Discharge,PRPD)图谱的主成分区域,减少计算资源的消耗;使用深度可分离卷积技术对GoogLeNet进行改进,在保证特征提取丰富度的同时,降低了识别模型的计算量。算例分析表明,该方法对发电机典型局放和高相似局放类型的识别精度分别为99.88%和92.98%,平均识别效率为传统GoogLeNet的12.75倍。 针对多源局放在发电机定子中耦合和传播导致的识别困难,提出了基于形态学特征和Faster R-CNN-AlexNet的多源局放模式识别方法。该方法提取多源局放PRPD的形态学特征,为模式识别提供输入特征矩阵;进一步通过Faster R-CNN提取多源局放的局部特征,并通过AlexNet对特征进行有效识别,实现多源局放的精准模式识别。算例分析表明,对具有不同相位差的多源局放,该方法的平均识别精度为94.78%。 针对不平衡局放样本条件下识别精度低的问题,提出了基于视觉词袋模型和孪生网络的局放模式识别方法。该方法通过视觉词袋模型对局放PRPD提取关键特征,并形成视觉词汇,增强对训练样本较少的局放类型的识别能力;通过孪生网络进行相似度判别,对不平衡样本下的模式识别具有良好的鲁棒性。算例分析表明,在不平衡样本集中小样本类型训练个数只有5个时,该方法的识别精度能达到93.20%。 针对已部署的局放识别模型无法在线学习新增局放类型的不足,提出了基于图卷积谱聚类网络和知识蒸馏的模式识别在线学习方法。该方法利用图卷积技术分析已知局放之间的特征相似性,结合谱聚类算法对已知局放进行有效聚类,从而辨识出新增局放;引入知识蒸馏的增量学习方法,利用先验知识指导新增局放的学习,实现识别模型的在线更新。算例分析表明,新增一种局放类型时,该方法的识别精度为95.00%,新增两种局放类型时,识别精度为91.00%。 本文的局放模式识别方法集成到了发电机定子局放在线监测系统,并通过工业案例进行了实际应用与识别验证。首先并行集成充足样本下、多源样本下、不平衡样本下的局放模式识别方法形成综合学习模型,然后结合在线学习方法将识别模型集成到了局放在线监测系统,最后通过多个工业现场和发电机制造企业的局放监测案例和现场实验案例进行了验证。本文方法具有较高识别精度和在线学习能力,有较好的工业应用推广价值。