基于双树复小波变换统计特征的图像盲取证算法

双树复小波变换较常用的离散小波变换具有平移不变性和方向选择性的优点。用双树复小波变换对图像进行多尺度分解,分别计算分解后各层六个方向复高频子带系数幅值及幅值预测误差的一到五阶中心矩,并据此组合成对应的统计特征向量。利用该统计特征向量获取方法提取真实摄影图像和计算机生成图像的统计特征向量集,并采用支持向量机进行分类。实验结果表明,对测试集中的真实摄影图像和计算生成图像的识准率分别为98%和97%,取得了较好的分类效果。     

混沌支持向量机优化小波加权多模盲均衡算法

为了提高均衡器对高阶QAM信号的盲均衡性能,提出了基于混沌支持向量机优化的 小波加权多模盲矽衡算法.为避免权向量陷入局部极小值点,该算法利用支持向量机对均衡器的权向量进行初始化,并用混沌优化算法对支持向量机参数进行优化;利用正交小波变换对均衡器的输入信号进行预处理,来降低输入信号的自相关性;采用加权多模算法来调整权向量迭代过程中的模值.水声信道的仿真结果表明,与加权多模盲均衡算法和小波加权多模盲均衡算法相比,该算法具有较快的收敛速度和更小的稳态误差.     

基于小波变换和SVM的图像压缩仿真研究

为了在较高的压缩比上获得很好的压缩性能,提出了一种基于小波变换和支持向量机(SVM)的图像压缩方法。压缩过程分三个步骤:首先对图像进行四级提升小波变换,这里采用提升格式是因为它比采用传统的Mallat算法的计算速度快;其次对变换后的小波系数用SPIHT的继承树进行重新排序;然后用回归支持向量机提取支持向量;最后对压缩后的数据进行算术编码。图像的解压缩过程是上面4个步骤的逆过程。实验结果表明,所提出的方法与常用的JPEG2000相比,当压缩比较高时有很好的性能。     

基于小波重构与SVM-BPNN的动态过程在线智能监控

为了提高动态过程运行状态在线监控效率,提出了基于小波重构与支持向量(support vector machine,SVM)-反向传播神经网络(back propagation neural network,BPNN)相结合的在线智能监控方法.首先,运用离散小波变换对动态过程实测数据流进行重构,并提取其形状特征.其次,利用训练好的小波重构特征的SVM、均值特征的BPNN及重构后形状特征的SVM,对"监控窗口"内实测数据流进行异常模式识别.最后,应用该方法对某精密轴加工过程进行在线智能监控.结果表明:所提模型识别精度高、训练耗时少,其整体性能明显优于小波重构的BPNN模型与基于统计和形状特征的多分类支持向量机(multi-class support vector machine,MSVM)模型,是一种更为有效的动态过程在线智能监控方法.     

基于机器视觉的滚动轴承外径检测系统

提出了一套基于机器视觉的滚动轴承外径检测方法。为了得到滚动轴承的有效外径信息，提出了一套边缘特征提取的算法。将边缘提取之后，进行最优中心检测。接着采用区域人工标定，进行滚动轴承外径的特征提取。然后，用主分量分析降低维度，得到滚动轴承外径的特征向量。最后，利用支持向量机进行分类，并将不合格的产品剔除，分类正确率达到了97％。     

基于信号特征空间的TDCS干扰分类识别

针对变换域通信系统中干扰信号的分类识别问题,提出了一种基于信号特征空间的支持向量机(signal feature space-support vector machine, SF-SVM)干扰分类算法。首先,基于干扰信号模型和信号空间理论对干扰信号进行特征提取,并建立信号特征空间,进而针对二分类和多分类问题提出了SF-SVM分类算法,设计了干扰信号的多分类识别器。仿真结果表明,与干扰信号的传统分类算法相比,SF-SVM不仅提高了分类精度,而且缩短了训练时间;设计的多分类识别器在信噪比达到8dB时,对6种干扰信号识别性能及对变换域通信系统性能都有所提升。     

小波-神经网络在模拟电路故障诊断中的应用

小波变换具有时频局部化、多尺度分析等特性，而神经网络具有非线性映射、学习推理等优点，将二者结合起来，提出基于小波-神经网络的模拟电路故障诊断方法。采用正弦信号仿真模拟电路，应用小波变换对模拟电路响应的采样信号进行故障特征提取，建立故障字典，然后利用神经网络对各种状态下的特征向量进行分类决策，实现模拟电路的故障诊断。对标准电路仿真结果表明：该方法能够实现故障检测及定位，具有准确率高的特点。     

基于多任务支持向量机的健康数据融合方法

针对电子健康服务管理中的多源数据融合难题,利用人工智能技术,结合多任务学习理论与支持向量机理论提出基于多任务支持向量机的数据融合方法(multi-task support vector machine for data fusion,简称mSVMDF).该方法对具有相同数据源的特征向量构造基于支持向量机的融合模型,在多任务学习框架下考虑结构稀疏性与各模型关联性的有机结合,以实现对具有不同数据源个数的多源数据的融合,并以多源影像数据与常规检验数据融合为例,开展数值实验验证方法的有效性.实验结果表明mSVMDF方法可以有效地融合具有不同数据源个数的多源数据,同时该方法具有较好的分类性能与结构稀疏性.     

一种自适应权值的多特征融合分类方法

由于类别较多或者特征单一等原因,传统的支持向量机方法对一些复杂问题的分类,很难获得好的识别效果。首先使用一种树状结构将概率支持向量机推广到多分类问题|然后提出一种自适应权值的多特征融合方法,根据概率输出自动调整不同分类器的相关权值,将所有分类器的结果进行加权得到最终的判决结果。为解决实际应用中常出现的非平衡问题,提出综合权值方法,将类别权值与特征权值进行综合。实验结果表明,融合方法较之传统的支持向量机一对一方法以及概率支持向量机方法能够获得更高的识别率|对于非平衡问题,综合权值方法可以得到更加合理的识别结果。     

小波域多聚焦图像融合算法

研究了小波域多聚焦图像融合方法中滤波器、分解层数、融合规则的选取问题,提出一种基于小波变换的简单融合规则。利用小波变换将图像分解成最低频逼近和不同尺度、不同方向的高频细节信息,最低频逼近反映图像的平均信息,细节包含图像的边缘。根据多聚焦图像中细节信息互补的特点,对多个待融合图像简单地取模值较大的小波系数,得到了很好的融合图像。详细讨论了不同的小波滤波器、分解深度、融合算子对融合结果的影响。对小波域图像融合算法与其它一些多分辨图像融合算法:如Laplace塔、比率塔、对比度塔、梯度塔等进行比较,得到了一些定性结论,对该领域的研究和实验有一定的指导意义。     

基于粗糙集理论的多源信息融合故障诊断方法

在故障诊断中,从包含冗余和不一致信息的数据中获取简单有效的诊断决策规则是一个难题.首先,针对完备信息系统和不完备信息系统分剐提出了相应的融合算法,为解决数据超载以及不完整信息融合问题提供了有效的方法.其次,提出了基于粗糙集理论的多源信息融合故障诊断模型.该模型从包含冗余和不一致信息的原始数据出发,利用基于改进属性重要度的方法实现故障征兆属性约简;然后通过给出的值约简算法进一步产生最大广义决策规则集,建立了用于故障诊断的规则库.最后,在应用该模型进行故障诊断时,用待诊断实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则依据置信度、覆盖度和支持度进行综合评价,并得出诊断结论.给出的诊断实例验证了该方法的可行性和有效性.     

基于D-S证据理论的雷达故障诊断方法

新型雷达装备故障具有明显的复杂性和相关性,难以准确确定故障部位。在分析雷达故障特点和专家诊断系统不足的基础上,把信息融合技术引入故障诊断,提出了一种基于D-S证据推理的诊断方法,构建了故障诊断模型,介绍了D-S证据推理的故障诊断算法和诊断过程,并用实例进行了验证。结果证明,该方法较好地解决了故障诊断中的不确定性问题,弥补了当前诊断系统中存在的缺陷。     

基于证据理论的信息融合故障诊断方法

从证据理论的基本概念和证据的融合推理方法出发,建立了多故障特征信息融合诊断框架,并提出一种符合故障诊断特点的基本可信度分配构造方法。该方法把诊断对象看作一个信息系统,运行过程中不断产生各种信息,并将信息加工成故障特征,通过特定的诊断决策规则,得出诊断结论。给出了一个多故障信息进行故障诊断的实例,结果表明该方法能够有效的提高诊断可信度,减小诊断的不确定性。     

基于模糊综合函数的故障诊断

在决策级信息融合的故障诊断中,根据各传感器所作决策不可避免地带有主观性和模糊性。针对这种情况,如何准确地判断是否存在故障并尽快找到故障源就取决于合适的融合方法。提出了一种新的属于决策级的信息融合方法,即:先求出各传感器所作决策的可能性分布,然后利用模糊综合函数来进行融合故障识别与诊断,从而可解决多信息源信息融合中普遍关心的信息可信度以及融合准则问题。     

基于证据理论的集成神经网络故障诊断方法

以Dempster Shafer证据理论为基础,给出了基于神经网络的基本概率分配构造方法和诊断决策规则,提出了一种神经网络初步诊断和证据理论融合决策诊断相结合的集成神经网络故障诊断方法,建立了相应的功能模型。并以变速箱轴承故障诊断为例,详细说明了该方法的具体步骤。结果表明,经过多故障特征信息,诊断结论的可信度明显提高,不确定性明显减小,充分显示了该诊断方法的有效性。     

一种基于多级信息融合技术的系统故障诊断方法

采用多级信息融合思想,利用系统故障症状的分散性,提出了一种新的系统故障诊断方法。首先,我们采用多传感器同源数据融合来保证量测信号的准确可靠;然后,利用同一故障在系统中的不同表现症状,采用模糊积分融合,融合输出为相对应的故障诊断结果。最后对燃气轮机的多部位故障诊断进行了仿真研究,结果较为理想。     

控制系统故障检测与诊断技术的最新进展

对故障检测与诊断(FDD)技术在控制领域的最新进展进行了综述,内容主要包括三类基本方法,即:基于解析模型的FDD、基于信号处理和基于知识的故障检测与诊断方法。重点评述了近年来发展起来的信息融合方法、多Agent方法、鲁棒故障检测、网络控制系统的故障诊断等。最后介绍了故障检测与诊断技术在控制系统中的若干应用成果,并指出尚待解决的主要问题和值得进一步研究的方向。     

基于深度学习序贯检验的电源车故障诊断方法

针对电源车健康维护存在的问题,提出了一种基于长短时间记忆LSTM (Long Short Time Memory)网络与序贯概率比检验SPRT (Sequential Probability Ratio Test)融合的电源车故障诊断方法。该方法基于LSTM网络建立电源车的多变量时间序列模型,并引入SPRT方法进行自适应多样本故障诊断。经在电源车仿真系统上进行对比实验,结果表明LSTM诊断模型有更强的学习和映射能力,LSTM-SPRT融合的故障诊断方法,显著提高了电源车故障诊断的准确率和可靠性。     

复杂电子系统测点与诊断策略的优化方法

针对复杂电子系统故障诊断知识获取过程中测试节点和诊断策略的确定问题,提出了一种可行的工程方法。该方法利用系统的分层结构模型的可达矩阵计算节点对应的故障隔离权值,通过选择权值大的节点对矩阵进行分割,找到最优故障隔离节点。通过计算节点提供的信息量,确定最佳测试节点,最终确定最优故障诊断策略。它是基于仿真技术的故障知识获取方法研究中实现高效、准确、快捷的故障征兆获取的关键技术;也是在实际诊断过程中实现快速准确利用知识、确定故障部件的关键技术。给出了主要步骤,并通过实例进行了验证。     

基于非参数估计的决策融合模型及其应用研究

针对传统bayes决策融合算法中,类条件概率密度的不确定性以及固定的类条件概率密度估计值所引起的融合系统误判,本文将非参数估计方法引入到bayes决策融合算法中,提出了一种改进的bayes决策融合模型。该模型在融合过程中每次进行bayes最大后验概率准则判决后,均判断当前的类条件概率密度是否达到预期的精度,并在未达到预期精度的情况下利用parzen窗算法完成条件概率密度的逐步构造逼近。通过在丰满水电仿真系统的温度故障诊断过程中的实际应用表明,该算法在性能上优于传统bayes方法,可有效地提高诊断判决正确率。