基于重构吸引子融合BAG方法的步态识别研究

针对基于惯性传感器的步态识别方法在动态情况下表现不佳且计算复杂度较高的问题,提出一种基于重构吸引子融合盒近似几何(BAG)方法。首先,将人类步态视作一个动态系统,根据Taken理论在潜在空间重构吸引子;然后,利用奇异谱分析方法获得奇异值,并将其应用于惯性传感器的标量测试;最后,利用盒近似几何方法完成步态识别。针对20个不同对象的模式分析了各种参数对步态识别性能的影响,实验结果表明,相比其它几种步态识别方法,本文方法能够实现高精度的识别且具有较低的计算复杂度。     

基于隐Markov模型的图像方位识别

提出一种基于隐Markov模型(Hidden Markov Model,HMM)的图像方位识别方法.将待识别的目标图像进行分割,对子图像进行奇异值分解,提取奇异值向量形成观测序列,即图像奇异值向量作为HMM的观测向量.确定HMM参数并计算其最大似然概率,按待识别图像最大似然概率对应所属的聚类进行识别.实验结果表明,3类共150幅目标图像的识别率达到了85%.     

基于奇异值分解降噪的移动载荷识别

模型梁振动响应测试信号噪声成分较强，使得根据响应信号识别梁上移动载荷无法取得理想效果，利用测试响应的时间序列重构吸引子的轨迹矩阵，对该矩阵进行奇异值分解以剔除噪声信号，根据残余信号进行载荷识别，结果表明本方法优于以前的识别方法。     

基于多尺度奇异谱分析的转子碰磨诊断的数值仿真

针对从系统时间响应谱分析的角度研究转子碰磨故障的识别和诊断问题，提出了一种新的基于多尺度奇异谱分析的故障诊断方法．该方法首先建立转子碰磨模型，并用龙格-库塔法求解碰磨转子的运动方程得到碰磨转子的时间响应；其次构造了一种简单的多尺度奇异谱分析方法，用不同尺度下的各阶经验正交函数作为分析函数；最后用提出的多尺度奇异谱分析方法分析了碰磨转子和正常转子的时间响应信号．数值仿真结果表明，具有数据自适应的分析函数能够捕获信号的不同特征，通过比较不同阶次的分析函数分析的结果，可以有效地对转子碰磨进行识别和诊断．     

基于S型函数的随机子空间模型定阶方法

为了在应用随机子空间识别方法时合理确定模型阶次,提出了一种基于函数拟合的模型定阶方法.首先,对投影矩阵进行奇异值分解,然后利用S型函数对归一化奇异值进行拟合,最后根据拟合函数估算模型阶次.基于弹簧-振子系统的仿真算例对不同噪声水平下的模型定阶结果进行研究,并通过斜拉桥的模态分析来验证方法的应用效果.算例结果表明,噪声水平为0%、5%、10%、15%、20%时识别模型阶次是相同的,说明所提方法具有良好的稳定性.根据阶次识别结果得到的模态频率与实桥环境振动试验结果的相对误差在5%以内,从而验证了所提方法的有效性.     

MSR结合MCCA的多视角鲁棒步态识别方法

针对许多传统的步态识别算法过分依赖视角的问题,提出了一种基于多视角子空间表示结合边际典型相关分析的步态识别方法.首先,使用简单有效的特征步态能量图表示每个序列,并利用多视角子空间表示方法测量样本之间的差异;然后,利用MCCA提取子空间的判别性信息;最后,利用最大隶属度原则和最近邻分类器完成识别.在公开的多视角步态数据库OU-ISIR-D和CASIA-B上的实验结果显示,方法在CASIA-B,OU-ISIR-D两个数据库上的识别精度可分别高达99.8%,99.1%,相比几种较为先进的步态识别方法,该方法取得了更好的识别性能且能有效处理对象内变化和缺失数据.     

基于Contourlet变换的连铸坯表面缺陷识别

根据连铸坯表面图像的特点,提出了一种基于Contourlet变换的连铸坯表面缺陷识别方法.通过Contourlet变换将样本图像分解成不同尺度和方向的子带,提取子带的Contourlet系数特征,并结合样本图像的纹理特征,得到一个高维的特征向量.利用监督核保局投影算法对高维特征向量进行降维,将降维后的低维特征向量输入支持向量机,对连铸坯表面图像进行分类识别.对现场采集到的裂纹、氧化铁皮、光照不均和渣痕四类样本图像进行实验,本文提出的识别方法对样本图像的识别率可达94.35%,优于基于Gabor小波的识别方法.     

基于子动作特征矩阵与DTW算法的手臂动作识别方法

为了建立助残手控制与手臂运动之间的联系,结合惯性测量单元,提出了一种基于子动作特征矩阵和动态时间规整(DTW)算法的手臂动作识别方法.首先建立手臂连杆运动模型,使用正向运动学理论解算出手臂末端的空间位置;接着分析了手臂末端角速度、空间位置变化,发现连续的手臂动作可根据动作的活跃程度拆解为若干子动作,并构造子动作特征矩阵;最后采用基于子动作特征矩阵的DTW算法,对6种生活中常见的手臂动作进行分类识别.实验结果表明,与传统基于时间序列的DTW动作识别方法相比,基于子动作特征矩阵的方法识别准确率由96.9％提高至99.4％,识别耗时减少到0.1 s之内,更具实用价值.     

基于子构件曲率模态变化的桥梁损伤识别研究

目的为保障桥梁运营安全,提高健康监测水平,对桥梁进行损伤识别研究;利用曲率模态曲线变化规律,提出一种基于桥梁子构件的识别方法.方法基于桥梁子构件分解技术,以一座梁式组合桥为例,设置不同损伤工况,根据组成桥梁整体各构件的特点将桥梁分解为较简单的构件进行损伤定位与程度识别,以振动分析中曲率模态参数的研究为基础,对桥梁在不同损伤位置、程度下曲率模态曲线的变化规律进行分析.结果结合桥梁损伤前后的曲率模态曲线变化,采用提出的拟合公式方法,不仅可进行损伤定位,对损伤程度进行准确识别,还可有效地提高损伤识别的效果.分析不同单元划分、截面形式等因素对识别效果的影响.结论桥梁子构件的识别方法可对实际桥梁健康进行监测,一定程度上解决了传统的曲率模态方法不能得到准确的损伤程度这一缺陷.     

基于多尺度奇异谱分析的转子碰磨诊断的数值仿真

针对从系统时间响应谱分析的角度研究转子碰磨故障的识别和诊断问题,提出了一种新的基于多尺度奇异谱分析的故障诊断方法．该方法首先建立转子碰磨模型,并用龙格一库塔法求解碰磨转子的运动方程得到碰磨转子的时间响应;其次构造了一种简单的多尺度奇异谱分析方法,用不同尺度下的各阶经验正交函数作为分析函数;最后用提出的多尺度奇异谱分析方法分析了碰磨转子和正常转子的时间响应信号．数值仿真结果表明,具有数据自适应的分析函数能够捕获信号的不同特征,通过比较不同阶次的分析函数分析的结果,可以有效地对转子碰磨进行识别和诊断．     

基于CNN的心冲击信号阵发性房颤自动检测方法

阵发性房颤具有发作突然且时间短的特点，而目前其临床诊断方法——心电信号，不适于日常监护，因此，提出一种基于心冲击信号(ballistocardiogram，BCG)的非接触式房颤自动检测方法.研究不同输入数据长度与不同网络深度的匹配关系，获取应用一维卷积神经网络(convolutional neural network，CNN)检测阵发性房颤的最优组合.通过2000组数据的测试，所提模型的最佳性能为:测试准确性94.8%、敏感性97.2%、特异性92.7%，为基于BCG信号的心律失常检测与远程日常家庭监护提供了可能性.     

基于差异信息量的多源数据融合方法

D-S证据理论可应用于多源数据融合领域，但在处理高度冲突的证据时，可能会出现反直觉的结果.为解决这一问题，本文提出了差异信息量的概念及融合方法.首先，通过信息熵表明证据的相对重要性，采用散度获取证据可信度.然后利用证据可信度优化证据差异度以得到差异信息量，经过计算获取数据的最终权重，并将其作为D-S证据理论中的基本概率分配进行决策.在处理冲突证据、一致证据及不同数量证据等方面的数据融合问题时与其他方法对比，所提方法收敛更快，准确度更高.故障诊断的应用实例表明，所提方法的不确定性更小，优于现存的其他方法.     

基于相空间重构的心冲击信号房颤检测方法

针对房颤事件中的节律异常特性，提出应用相空间重构算法提取心冲击(ballistocardiogram， BCG)信号的二维节律特征，并对重构过程中的最优嵌入维数和时间延迟参数进行了讨论.首先，将心脏搏动视为非线性动力学系统，应用相空间重构理论将一维时间序列映射到高维相空间中，从而获取BCG信号中表征房颤过程节律异常的相空间轨迹特征.其次，探讨了重构过程中适于房颤诊断的最优嵌入维数和时间延迟参数，并结合卷积神经网络实现了对房颤的智能诊断.最终，通过对59名受试者提取到的2000组BCG数据进行十折交叉验证，所提方法的分类准确率达到91.00%，与基于经典时频特征的机器学习方法相比较，有较为明显的提高，从而验证了所提方法的优越性.     

PSO优化深度神经网络诊断齿轮早期点蚀故障

基于数据驱动方法诊断齿轮故障时一般会用傅里叶变换等进行特征提取，特征提取方法的选取对诊断结果影响很大.提出应用深度神经网络来诊断齿轮早期点蚀故障，直接以采集的振动信号作为网络输入，可以避免特征提取环节产生误差.此外，应用粒子群算法优化深度神经网络，使训练过程更稳定、诊断率更高.在分析结果时应用主成分分析法对网络输出进行降维.用实验采集的数据训练并测试网络，诊断正确率能达到90%之上，证明所提出的方法是合理、可用的.     

基于多尺度跃层卷积神经网络的精细车型识别

为解决精细车型识别中特征不具有代表性,且识别准确率低的问题,提出了基于多尺度跃层卷积神经网络(CNN)的车型识别方法。通过多个不同尺度的跃层卷积神经网络,提取适用于精细车型识别的低层局部特征和高层全局特征,并分别训练Softmax分类器。利用自适应方式融合方法,将多个单一尺度跃层卷积神经网络的识别结果进行融合,调整不同网络对识别结果的贡献。实验中车型识别准确率达到97.59%。实验结果表明多尺度跃层卷积神经网络适用于精细的车型识别,并能提高识别的准确率。     

面向蓄意攻击的网络异常检测方法

针对复杂网络受蓄意攻击频繁，而现有的检测方法大多忽略全局拓扑突变特征的问题.从网络全局拓扑的异常演化特征出发，提出网络路径相对变化系数(network path change coefficient，NPCC)r，量化节点间传输路径的变化.由斐波那契数列衍生出斐波那契演化域，用于区分正常和异常演化.将r作为核心度量参量，构建斐波那契演化域，形成网络异常检测方法，实现对异常的判定.结果表明，该检测方法的平均准确率为90%以上，高于最大公共子图(maximum common subgraph，MCS)及图编辑距离(graph edit distance，GED)的准确率，证明了所提检测方法的有效性.     

基于MEMD的运动想象脑电信号的特征提取与分析

对于传统特征提取算法对运动想象脑电信号识别能力不足的问题,采用多元经验模式分解(multivariate empirical mode decomposition,MEMD)的方法用于分析运动想象的脑电信号.目前此方法主要应用在股票收益与宏观经济关系分析上,MEMD将标准经验模式拓展到多通道信号处理,适合于分析多元时间序列,并能够同时处理多通道的多尺度分解,进而在不同尺度下对多元时间序列的时间频率特性进行比较.通过Emotiv传感器对自定义的左右运动想象任务采集数据,采用MEMD提取相关脑电特征的边际谱,使用支持向量机对相关特征量进行分类.实验表明,此方法增强了定位脑电信号的频率信息的准确性,能够有效地提高对脑电信号的识别能力.     

基于改进HMM模型的组合服务故障诊断方法

针对现有组合Web服务诊断模型故障诊断准确率普遍不高的问题，提出一种新颖的基于改进隐马尔可夫模型(Improved-HMM)的故障诊断方法.首先，从组合服务监测数据中提取多维特征序列训练HMM模型.训练过程中，考虑到基于BW的方法仅在某观测条件下进行参数评估，获得的参数准确度不高，提出基于贝叶斯估计的学习方法，得到更客观的参数;进一步，基于改进的HMM模型计算当前特征序列对应的各类故障类型发生概率，推断最有可能的故障类型.实验结果表明，提出的方法具有较高的诊断率和较低的漏报率，适合在网络环境中进行实时故障检测.     

鱼群算法优化组合核函数GPR的油井动液面预测

针对抽油井动液面(DFL)检测主要依靠人工操作回声仪测试,无法实时在线检测,而单一核函数的高斯过程回归(GPR)无法明显提高预测精度和泛化能力,提出了一种人工鱼群算法(AFSA)优化组合核函数的动态高斯过程回归动液面预测模型.采用多项式函数、线性函数与径向基函数组合构建核函数,利用人工鱼群算法对核函数模型参数进行寻优,采用快速傅里叶变换(FFT)和核主元分析(KPCA)融合提取时频数据非线性特征作为模型输入,提高模型的预测精度和泛化能力.油田现场应用验证了该方法的有效性.