关键词： 外骨骼机器人   表面肌电信号   模式识别  

摘要： 为了提升外骨骼机器人的人机匹配性能,提出了以表面肌电信号预测人体平地行走状态的方法。预测模型选用BP神经网络算法训练,选取大腿肌肉群的股直肌、股二头肌、股内侧肌、半腱肌作为采集对象,使用肌电信号传感器采集表面肌电信号。将采集所得的表面肌电信号在MATLAB中进行预处理去噪后提取时域特征值和频域特征值用于BP神经网络模型的训练。将时域和频域特征值分别作为BP神经网络的输入以及对应的人体平地行走5种相位状态作为输入进行实验。在输入特征样本时,采用DE算法得出优化的样本种群进行BP神经网络模型的分类训练。再抽取时域和频域特征值部分样本作为验证对象进行K次交叉验证实验。实验结果表明,DE算法优化后的BP神经网络模型分类识别准确率高达86%,明显高于单一特征样本的训练识别结果。

关键词： 车联网   雷达通信信号   信号波形   信号识别   信号采样   特征提取  

摘要： 为提高车联网激光雷达通信信号的信息传输识别效率,提出一种面向车联网的激光雷达通信信号波形模式识别方法。分离处理信号中时域部分,单独分析信号波谱形态,计算信号频谱中心波段频率,凭借归一化处理减少特征提取计算量,计算雷达矩形信号和三角形信号的相像系数,描述信号能量分布情况,通过分形维数深度分析信号盒维数和信号分形集的复杂程度,优化改进灰关联分析法,以降低特征参数的误差和数据差,利用自适应熵权法确定信号特征对应权系数,自适应匹配各信号波形特征权重,最终将信号特征组合得到识别结果。实验结果表明,本方法对信号分解细致,信号识别时间最长为1.67 s,说明本方法的信号识别率高、速度快、鲁棒性好,具有一定的实用性。

关键词： 局部放电   故障诊断   小波变换   灰度梯度共生矩阵   支持向量机   模式识别  

摘要： 为了能够充分利用局部放电(partial discharge,PD)信号中包含的特征信息,提高变压器内部局部放电类型的识别率,提出了一种基于小波变换(wavelet transform,WT)和灰度-梯度共生矩阵(gray-gradient co-occurrence matrix,GGCM)算法的局部放电类型识别方法。结合变压器内部结构特点,设计四种局部放电缺陷类型,在实验室搭建变压器局部放电实验检测平台,通过脉冲电流法采集局部放电高频电流信号。运用小波变换对非平稳信号处理时的灵活性对局部放电信号脉冲构建时频谱图;然后结合GGCM算法提取时频谱图的15维纹理特征组成特征向量;将特征向量输入到支持向量机(support vector machine,SVM)分类器进行模式识别。结果表明,小波变换和GGCM算法结合的识别方法能够有效地对不同局部放电缺陷类型进行识别。

关键词： C_(4)F_(7)N/CO_(2)   局部放电   多光谱阵列   光学检测   模式识别  

摘要： 局部放电(PD)的光学检测是反映设备绝缘状态的重要方法.C_(4)F_(7)N/CO_(2)混合气体是目前最具有潜力的SF_(6)替代气体,但是缺乏针对该混合气体光学PD特性和诊断方法的研究.构建了一个可采集7个特征波段的PD多光谱阵列检测平台,制作了4种PD缺陷,分析了5种不同比例的C_(4)F_(7)N/CO_(2)混合气体和纯SF_(6)气体条件下多光谱PD特征在相位分布、能量分布和特征堆叠图的异同,提出了一种基于多光谱特征(MF)和最近邻算法(KNN)的PD诊断新方法.实验结果表明,纯SF_(6)故障识别准确率可达96.2%;C_(4)F_(7)N/CO_(2)混合气体的识别率在88%以上,最高准确率为91.1%.该方法对环保型气体绝缘设备的PD诊断具有指导意义,也为传统的PD检测和诊断提供了新思路.

关键词： 艾叶   指纹图谱   绿原酸   木犀草苷   圣草酚   棕矢车菊素   异泽兰黄素   化学模式识别   质量控制  

摘要： 目的以非挥发性化学成分为指标,评价不同产地艾叶Artemisia argyi质量,为其进一步开发利用提供科学依据。方法采用高效液相色谱法(high-performance liquid chromatography,HPLC),以指纹图谱定性,绿原酸和黄酮等多指标成分定量,结合聚类分析(hierarchical cluster analysis,HCA)、主成分分析(principal component analysis,PCA)和正交偏最小二乘法-判别分析(orthogonal partial least squares-discriminant analysis,OPLS-DA)对艾叶进行化学模式识别研究。结果建立了20批艾叶的指纹图谱,相似度为0.739~0.983,标定了28个共有峰,指认了绿原酸、木犀草苷、圣草酚、棕矢车菊素、异泽兰黄素5个成分,含量测定表明不同产地艾叶绿原酸和黄酮成分存在显著差异;HCA分析20批艾叶为3类;PCA得到7个主成分的累积方差贡献率为86.676%;OPLS-DA分析表明绿原酸、木犀草苷、圣草酚、棕矢车菊素、异泽兰黄素可能是影响艾叶药材质量的差异标志物。结论指纹图谱定性及多非挥发性成分定量结合化学模式识别可用于艾叶药材鉴别和质量控制。

关键词： 小金制剂   高效液相色谱法   指纹图谱   化学模式识别   质量控制   一致性  

摘要： 目的:建立小金制剂系列品种的高效液相色谱法(HPLC)指纹图谱,结合化学识别模式方法评价市售不同厂家小金制剂的质量一致性。方法:采用HPLC建立不同厂家47批小金制剂的指纹图谱,利用中药色谱指纹图谱相似度评价系统(2012)进行相似度评价,确定共有峰;运用主成分分析、聚类分析和正交偏最小二乘判别分析,筛选出不同批次小金制剂的质量差异性成分,对小金制剂进行整体评价。结果:建立了小金制剂的HPLC指纹图谱,共标定9个共有峰,不同厂家小金制剂的相似度差异较大,相似度在0.90以上的仅占63%。通过主成分分析、聚类分析、正交偏最小二乘判别分析,发现47批小金制剂可聚为3类,并从标定的9个共有峰中筛选出了小金制剂的4个质量标志物。结论:HPLC指纹图谱结合化学模式识别的方法可以快速、可靠地评价不同厂家、不同批次小金制剂的质量,为小金制剂的质量一致性评价提供了参考。

关键词： 茯苓   三萜   指纹图谱   聚类分析   主成分分析   质量控制  

摘要： 建立茯苓皮与白茯苓中三萜类成分的HPLC指纹图谱,并对其进行化学模式识别研究,为菌物药茯苓的质量控制及标准制定提供依据。采用HPLC法,Agilent 5 TC-C 18(2)色谱柱(250 mm×4.6 mm,5μm),以乙腈-0.3%磷酸水溶液为流动相梯度洗脱,流速1.0 mL/min,柱温25℃,变波长方式检测,采集波长为242、203 nm,进样量10μL。建立了茯苓皮与白茯苓中三萜类成分指纹图谱,应用聚类分析(CA)、主成分分析(PCA)手段结合相似度评价对实验数据进行识别,以分析不同茯苓样品的相似性和差异性,找出可反映茯苓皮与白茯苓三萜成分特征的关键色谱峰。茯苓皮与白茯苓三萜成分指纹图谱的共有模式下确认了6个共有峰,分别为2号峰(茯苓新酸B)、3号峰(去氢土莫酸)、4号峰(茯苓新酸A)、9号峰(去氢茯苓酸)、10号峰(茯苓酸)、12号峰(松苓新酸);不同来源的茯苓样品相同药用部位间相似度均在0.90以上;依据CA和PCA分析结果将茯苓样品药用部位分为两大类。PCA分析结果显示包括代表去氢土莫酸、去氢茯苓酸、茯苓酸成分在内的7个共有色谱峰(3、5和6、8~11号峰)在评价茯苓皮及白茯苓质量时必不可少,其余包括代表茯苓新酸B、茯苓新酸A、松苓新酸成分在内的8个色谱峰(1和2、4、7、12~15号峰)可作为评价茯苓皮质量的特征鉴别峰;白茯苓中15个共有色谱峰间的差异比茯苓皮小。本研究建立的茯苓三萜HPLC指纹图谱和化学模式识别可为不同茯苓药材质量控制与评价提供参考。

关键词： 卷积神经网络   局部放电   小样本数据集   模式识别  

摘要： 针对传统局部放电模式识别方法识别准确率较低，特别在小样本数据集情况下识别效果较差的问题，提出了一种基于一维卷积神经网络的小样本数据集识别方法，试验采集了4类油中典型缺陷下的放电样本各200份，分别采用此方法与传统聚类法、SVM法、BP神经网络法、CNN图像法对上述样本构成的数据集进行了识别分类。结果表明：该方法在小样本数据集情况下相较传统聚类法、SVM法、BP神经网络法和CNN图像法具有更好的识别效果，在训练样本数为50时，其识别准确率分别高于SVM法和BP神经网络法2.00%和6.25%；同时，相对传统识别方法，该方法表现出较强的特征提取与学习能力，其迭代过程收敛较快，单次训练耗时远低于SVM法，与BP神经网络法相近；最后，在针对卷积网络各结构参数对该方法识别准确率的影响研究过程中发现，卷积核尺寸对其识别准确率的影响最大。

关键词： 雷达   工作模式识别   卷积神经网络   方向梯度直方图   识别准确率  

摘要： 该文针对不同雷达工作模式的信号特征,提出一种基于卷积神经网络(convolutional neural network,CNN)的雷达工作模式识别方法。不同工作模式下的雷达信号的脉冲宽度、脉冲重复周期、脉内调制样式和数据率等特征均有所不同,所以该文利用这4个特征参数构建1个图像矩阵,再提取方向梯度直方图(Histogram of Oriented Gradient,HOG)的特征,送入CNN进行雷达工作模式识别。仿真结果表明,该识别方法有较高的识别准确率。

关键词： 火灾   助燃剂   电子鼻   通道分离卷积网络   模式识别  

摘要： 火场残留助燃剂检测是火灾调查的重要组成部分。现有方法以大型分析仪器为主,存在成本高、速度慢等缺点。提出了一种面向火场助燃剂快速检测的便携式电子鼻系统设计及相关的识别方法。采用15个金属氧化物半导体气体传感器和Jetson Nano核心控制器构造了电子鼻系统,并利用此电子鼻对汽油、柴油、酒精和稀料四种典型助燃剂采集气味信息,分别建立了未燃烧与燃烧后助燃剂气味数据集。基于四种传统机器学习算法、一维卷积神经网络(1D CNN)、二维CNN(2D CNN)和通道分离CNN(CS⁃CNN)模型开展了助燃剂识别实验。结果表明,CS⁃CNN模型针对未燃烧与燃烧后气味数据集的识别率分别为96.57%与94.66%,优于其他六种分类算法。本研究初步验证了电子鼻用于火场助燃剂快速识别的可行性,为后续的深入研究与应用奠定了基础。