基于高斯混合模型的多模态过程监测

本文针对多模态复杂过程的多变量、多工序、变量时变性以及模态转换时间不确定等多种特性,提出基于高斯混合模型的多模态过程监测算法;针对离线数据没有模态标签的问题,提出离线数据分类算法;针对在线数据无法对应模态类型的问题,提出在线数据模态识别算法。并在以上方法的基础上建立多模态过程监测模型,以连续退火机组为背景,利用实际生产过程数据验证了算法的有效性。     

基于有效分类的多模态过程故障检测及应用

多模态的故障检测作为复杂的实际问题,得到越来越多的重视.围绕多模态的故障检测问题展开相应关键问题研究,首先提出一种基于K均值聚类算法结合聚类有效性指标求解出最佳模态数方法,通过数值仿真和带钢热连轧生产过程数据进行验证;然后利用模糊C均值算法对训练数据进行模态划分,针对不同模态,利用主成分回归方法建立相应的监测模型,实现对故障的有效检测;最后将该故障检测方法应用到带钢热连轧生产过程.仿真结果表明,不仅实现合理模态划分和识别,而且取得良好的检测效果.     

一种基于多任务学习的多模态情感识别方法

为了通过设置辅助任务学习到更具有情感倾向性的视频和语音表示,进而提升模态融合的效果,提出一种基于多任务学习的多模态情感识别模型,使用多模态共享层来学习视觉和语音模型的情感信息.在MOSI数据集和MOSEI数据集上的实验表明,添加两个辅助的单模态情感识别任务后,模型可以学习到更有效的单模态情感表示,并且在两个数据集上的情...     

多模态过程过渡初期与末期的监测方法

针对多模态过程中的过渡模态监测问题,提出了一种基于高斯混合模型的多模型过程监测方法.在过渡初期与末期时,利用高斯混合模型,采用稳定模态与过渡模态联合监测的思路对其进行监测.通过仿真发现,此方法对于过渡模态尤其在过渡初期与末期,监测效果较好,具有一定的实用价值.     

多模态人机交互中基于笔输入的手势识别

为研究多模态人机交互系统的理论及构造方法 ,提出了一种快速的、单笔划手势识别方法 .该方法通过提取手势轨迹的关键点及各关键点的运移方向 ,形成特征码 ,然后与标准手势符号的各种可能的特征码进行匹配 .其中方向特征用于预分类 ,而关键点位置信息用于细分类 .实验结果表明该方法速度快、识别率高 .     

电弧炉电极调节的多模态控制策略模型划分

针对电弧炉电极弧长强随机扰动对冶炼时间、电耗、产品质量及电网的不利影响,采用单一控制策略无法适应不同冶炼工况要求的情况,提出在炼钢过程中针对不同阶段工艺对冶炼温度和功率的要求,在专家经验的基础上,采用多模态控制策略的划分手段,在线辨识电弧炉特征运动状态,分阶段选择最优控制器加以解决.给出了多模态划分、实施方案及采用的控制策略算法模型,可为电弧炉电极调节系统优化设计提供理论依据及模型参考.     

基于加权距离邻域选取策略的多模态过程故障检测

针对多模态过程数据密度不规则性提出的一类基于密度的方法,大多是以欧式距离为基础来比较彼此间的相似性,从而检测过程是否发生故障。然而多模态数据密度在较小范围内变化较大,采用欧式距离很难获得全面的数据信息。本文提出了一种新的基于加权距离选择邻居的策略,该策略首先对距离进行合理的加权,再根据新的加权距离重新选择样本点的邻居,能有效地避免数据信息不全面的问题。在仿真实验中,首先通过比较基于传统的欧式距离和基于本文加权距离选取的邻居,说明本文策略的优越性;进而将该策略与局部离群因子(Local Outlier Factor,LOF)结合用于TE过程,对TE过程的仿真结果表明该策略在应用于基于密度的检测方法上获得了的良好效果。     

连续变量系统中准对称多模高斯态的纠缠

基于现今连续变量系统中高斯态纠缠的一些研究成果,利用负性对数为纠缠度量来讨论一个准对称的N模高斯态的纠缠问题.以一个准对称八模高斯态为例,寻找八模高斯态和与其对应的两模高斯态共变矩阵参数之间的解析关系.研究发现在多模高斯态对应两模高斯态的方案中由于省略了多模高斯态辛本征值的部分信息,导致这种方案虽然可以使多模高斯态对应为一个两模高斯态,但是这种对应关系不是唯一的,一个两模高斯态可以对应很多不同的多模高斯态,而且这些高斯态拥有着相同的纠缠信息.通过寻找八模高斯态与两模高斯态参数间的解析关系,研究发现只要确定辛本征值就能得到八模高斯态和两模高斯态参数之间的解析关系,按照这个思路可以得到N模高斯态与两模高斯态参数间的解析关系.     

一种适用于多模态过程监控的集成统计指标

具有多模态特性的工业过程的数据分布呈现出与单模态过程不同的特性。在构造监控指标时,不仅要能够概括每个模态内部的数据统计特征,还要充分考虑到不同模态之间的信息。传统的T~2和SPE统计量在多模态过程中可能无法实现这一目标。提出了一种融合多模态统计信息的全局监控统计量,在贝叶斯推论的框架下,通过对每个模态的局部马氏距离赋予相应权重来实现对多模态数据的描述。通过多模态的连续反应搅拌釜(CSTH)仿真实验,验证了全局监控指标的有效性和灵敏性。     

基于情感信息辅助的多模态情绪识别

不同于纯文本的情绪分析, 本文面向多模态数据(文本和语音)进行情绪识别研究。为了同时考虑多模态数据特征, 提出一种新颖的联合学习框架, 将多模态情绪分类作为主任务, 多模态情感分类作为辅助任务, 通过情感信息来辅助提升情绪识别任务的性能。首先, 通过私有网络层对主任务中的文本和语音模态信息分别进行编码, 以学习单个模态内部的情绪独立特征表示。接着, 通过辅助任务中的共享网络层来获取主任务的辅助情绪表示以及辅助任务的单模态完整情感表示。在得到主任务的文本和语音辅助情绪表示之后, 分别与主任务中的单模态独立特征表示相结合, 得到主任务中单模态情绪信息的完整表示。最后, 通过自注意力机制捕捉每个任务上的多模态交互特征, 得到最终的多模态情绪表示和情感表示。实验结果表明, 本文方法在多模态情感分析数据集上可以通过情感辅助信息大幅度地提升情绪分类任务的性能, 同时情感分类任务的性能也得到一定程度的提升。     

基于核函数PCA的非线性过程实时监控方法

为了克服基于主元分析的过程监控方法非线性处理能力弱的缺点和降低基于非线性主元分析的过程监控方法的计算复杂度,提出了将核函数PCA监控方法用于复杂工业过程实时监控系统的开发研究,并讨论了核函数参数选择对系统性能的影响。核函数PCA能有效地提取过程变量的非线性关系,而且计算复杂度低,便于在线实施。仿真结果表明该方法是一种有前途的复杂过程非线性实时监控技术。     

多指标正交增量过程

引进多指标正交增量过程ξ((?)),(?)∈R_n,证明了用它能构造一个随机测度ξ(B)(B∈(?)_n).建立了关于正交增量过程的积分并给出多指标噪声的一般表达式。并证明了ξ((?))是宽右均方连续的有界规则正交增量过程,当且仅当它是均方连续多指标弱平稳过程的随机谱函数。     

基于CS模式的多机器人网络通信系统

首先提出了基于CS模式的多机器人通信系统的拓扑结构，并对这种通信模式的一致性响应速度特性进行了分析，然后给出了基于Visual C＋＋MFC的CS网络通信模式的程序设计方法，最后对系统进行了实验验证．研究表明，基于CS的多机器入网络通信系统，具有结构简单、一致性速度快的优点，对建立多机器人通信系统具有较大的指导意义．     

非线性系统的多模态ARMAX模型及其应用

利用非线性系统多个工作点上的线性化模型,建立了一类参数内插型多模态ARMAX模型。与传统的线性化模型相比较,在较大的工作范围内有较高的精度。根据多模态模型设计的控制器,由于能够综合利用非线性系统多个工作点上的静态与动态信息,所以具有良好的性能。仿真例子表明多模态模型的有效性。     

基于深度学习的输电线路危险源智能监控系统

为了掌握输电线路的实时状态,提出一种基于深度学习的输电线路危险源智能监控系统.该监控系统主要包括:信号采集端、内部光纤网络、服务器控制中心、显示终端,其中服务器控制中心的输电线路危险源智能辨识算法是整个系统的核心.该算法采用稀疏自编码从图像/视频信号中学习特征,完成深度神经网络的训练;然后用卷积和池化对特征进行降维;最后采用softmax回归来解决危险源的多分类问题.经实例验证,基于深度学习的危险源辨识算法,可以准确对危险源进行判别.监控系统将判别结果反馈到显示终端,可以全面掌握整个线路运行情况,确保电力系统的安全运行.     

基于自适应高斯混合模型的图像稳定方法

提出了一种基于自适应高斯混合模型(Gaussian mixture model)的运动滤波器的图像稳定方法.首先采用多分辨力金字塔技术,通过特征跟踪进行运动估计;然后分析前n帧图像的统计特征,求取GMM参数;最后利用GMM运动滤波器对运动参数进行滤波,输出稳定的图像序列.实验结果表明,该方法对于图像的不规则运动的参数补偿是有效的,并且可以实现实时处理.     

基于高斯混合模型的视频对象分割算法

针对应用高斯混合模型（GMM）进行视频建模与分割时的模型选择及参数估计初值选择的难点，提出了一种基于GMM的视频对象分割算法．首先进行特征提取，在特征矢量中引入加权运动信息，可根据不同需要选择合理的加权系数，然后通过分割投影进行模型选择及期望最大化（EM）算法的参数初始化并估计参数，这种初值选择方案使得EM算法的初值和真实值较接近，加快了迭代运算的收敛速度，从而提高了视频对象的分割速度，最后对特征矢量进行聚类分割．仿真实验表明，在保持良好分割效果的同时，所提算法的运算速度约为常规方案的76％，并且具有良好的稳定性．     

基于自适应混合高斯模型的前景目标检测

在计算机视觉研究中,从视频序列中提取出前景目标是关键步骤之一。而混合高斯背景模型是前景目标检测的一种常用算法。针对传统混合高斯建模过程中分别对每个像素建立固定个数的高斯模型和相同的学习率这一缺陷,本文先对视频帧进行了分块处理,然后自适应的对每个像素块采取不同的高斯分布个数和学习率,并且在建模过程的不同时间段采用不同的学习率,最后对检测结果在空域上进行数学形态学的处理。实验结果表明,与传统检测方法相比,该方法能够更加准确和快速地检测出前景目标。     

过程混合的高斯过程模型混合采样推理

提出了基于Dirichlet过程混合的高斯过程模型揭示复杂动态系统结构数据的多态性的内在机制.针对均值结构与协方差结构稀疏性的差异性,设计了参数先验与非参数先验来构建基于Polya urn与过松弛层采样的混合采样框架体系.该混合采样方案不但能够在统一的Metropolis Hasting(M H)概率评价准则下实现,而且能够最大限度地克服高斯随机走步的缺陷,方便、快速地获得马尔科夫样本链的展开.仿真结果表明,混合采样算法比高斯过程回归模型及高斯过程函数回归混合模型具有更广泛的适应性及更好的预测效果.