基于小波包频带内局部样本熵的桥梁损伤识别

针对移动荷载激励下桥梁结构在损伤区域局部时程信号的非平稳性和复杂性,以及考虑到有限的采样数据、噪声等影响,提出了小波包频带内局部样本熵的概念,以此来定义一个损伤识别指标。首先对单测点时程数据进行小波包分解,以各频带能量为标准选择合适频带系数重构,然后对该重构信号划分成一系列具有时序性的局部时间区间,最后计算各区间的样本熵来作为损伤识别指标。以一弯梁桥为例建立有限元模型,验证方法的正确性,并针对多损伤、测点选择及加载速度等相关因素进行分析。结果表明:当移动荷载在损伤区域附近时,该指标出现突变,适合损伤识别,同样适用于多损伤识别;该方法需要的测点少,布置较灵活;由于弯桥的结构特点,测点位置的选择不会影响指标的定位,但会影响损伤指标的大小。     

基于样本扩充的小样本车牌识别

车牌识别技术作为智能交通系统的核心课题之一,一直受到广泛的关注.近年来深度学习技术的迅速发展,更是为其提供了一种良好的解决方案.但实际场景下,研究者有时很难收集到足够的数据以支持模型训练.本文聚焦于小样本车牌识别问题,提出了使用生成对抗网络生成车牌图像,辅助后续模型训练的方法.本文方法先使用CycleWGAN合成大量带标签车牌图像;之后用合成图像对识别模型进行预训练;最后使用原始真实数据微调模型,进一步提高模型的准确率.本文在多个数据集上验证此方法,均获得了明显的效果增益,特别是当真实数据相对有限时,本文方法将准确率从已经较高的基线上又提升了7.5%.另外,在较困难的双动态车牌图像上,本文方法也取得了不俗的效果.最后,引入模型压缩技术,在原方法的基础上设计并实现了LightRCNN,使识别速度提升近1倍.     

基于小波包样本熵和支持向量机的框架结构损伤识别

基于小波包样本熵和支持向量机原理,研究了钢框架结构的损伤定位识别方法.分析在冲击载荷作用下框架结构的动力响应,对加速度信号进行小波包分解,建立小波包样本熵的损伤指标,采用支持向量机原理,识别结构损伤位置以及损伤程度.研究表明,该方法能够利用单一的传感器,实现理想的识别效果,且具有一定的适用性和鲁棒性,在60 dB的噪声水平环境中损伤定位识别结果在90％以上,在40 dB的噪声水平环境中,损伤程度识别结果在90％以上,框架实验模型研究表明,柱的损伤识别精度要高于梁的损伤识别精度.     

近似熵在大鼠状态识别中的应用

以大鼠作为实验动物,采用近似熵的方法,分析大鼠初级视觉皮层的自发脑电信号,从而判别大鼠安静、睡眠和活动3种状态.实验结果表明,采用近似熵算法,使用较短的数据就能对大鼠的状态进行有效识别,减少了冗余的计算量,解决在复杂隐蔽环境中对大鼠状态的识别问题.     

基于样本熵的睡眠脑电分期

运用样本熵从波士顿Beth Israel睡眠脑电实验数据中提取睡眠特征值,对睡眠分期进行研究.针对脑电属于微弱非平稳随机信号、难于提取特征的特点,利用小波变换先有效地消除脑电信号中的噪声,再计算其样本熵用以表征睡眠各分期.计算结果表明,由清醒期到非快速眼动的Ⅳ期过程中,其样本熵值呈规律性逐渐变小,与该库中专家评定的结果相符.这说明经过小波消噪和样本熵处理的脑电信号能准确地反映睡眠各期的变化特征,比用近似熵表征睡眠分期更准确、运算速度更快,完全适用于非平稳随机信号的处理.     

基于近似熵和样本熵的思维脑电信号分析对比

采用近似熵和样本熵,分别对三种不同思维任务产生的脑电信号进行特征提取,并将其特征进行比较分析,结果显示不同思维作业脑电信号的样本熵的变化幅度明显大于近似熵;近似熵和样本熵作为非线性动力学的统计方法为思维作业脑电信号特征提取提供了一种新的途径.     

论均熵流气体动力学方程组的真空状态

<正> (1) 在文[1]中,作者改进了Dafermos的只适用于单个守恒律的折线逼近法,提出一种适用于气体动力学方程组的折线逼近法。本文将这种方法用来研究气体动力学方程组的整体连续解,得到新的结果。这里的逼近解的结构简单明了,不但在数值上逼近所求的解,而     

广义熵与样本熵差渐近计算

本文引进(k,s)阶广义熵,q阶Shannon熵及q阶Renvi熵。考察其极值性,单调性等基本特性,论述其作为随机模式在主观先验知识条件下不肯定性度量之特征。通过与数据方差的比较,阐明数据熵差作为数据差异性度量的一系列性质。最后利用对数(?)函数给出样本熵差的渐近计算。     

广义熵与样本熵差渐近计算

本文引进(k,s)阶广义熵,q阶Shannon熵及q阶Renyi熵。考察其极值性,单调性等基本特性,论述其作为随机模式在主观先验知识条件下不肯定性度量之特征。通过与数据方差的比较,阐明数据熵差作为数据差异性度量的一系列性质。最后利用对数Г函数给出样本熵差的渐近计算。     

基于神经网络的小样本手写汉字识别

文字图像识别具有重要的研究价值,为了完成复杂的字体图像识别任务,基于VGG结构思想,设计了基于卷积神经网络结构的手写字体识别模型,使用HWDB1. 1数据集中最常用的100个汉字组成的子数据集,应用Batch-Normalization等方法进行优化训练。实验结果表明,模型能够以很快的速度收敛,在有限的训练迭代次数下,模型在测试集上的识别准确率为96.77%。     

基于熵权法的小样本灰色置信区间估计

针对小样本数据的灰色点估计和灰色区间估计问题,将样本误差均值、样本误差标准差引入到灰色距离测度中,改进了已有灰色估计算法.在对小样本数据进行密集扩充过程中,可以提高灰色估计的区分度.该算法利用数据本身分布特点,设计了数据间的灰色距离矩阵,提出了基于熵权法的灰色点估计权重计算方法.最后结合小样本数据进行了参数估计的仿真实例验证,在对小样本数据进行Bootstrap重抽样法作用下进行了不同灰色点估计和区间估计的比较,突出了所提算法的有效性,验证了理论分析结果的正确性.     

基于LSSVM-样本熵的车内噪声声品质预测

以某款混合动力汽车为研究对象,针对其非稳态工况下的车内噪声声品质进行研究.对采集到的噪声信号烦躁度指标进行主客观评价试验,并通过相关分析找出与主观评价结果相关性较大的心理声学客观参量.对原始声样本进行互补总体经验模态分解,得到每个信号的16阶模态指示函数.将各阶模态指示函数与原始信号进行相关分析,得到与原始信号相关性较高的7-12阶模态指示函数并计算这些分量的样本熵值,作为声品质的客观特征参数.基于最小二乘支持向量机算法,分别建立了以心理声学等参数为模型输入和以样本熵特征参数为模型输入的声品质评价预测模型.结果表明:以样本熵为特征参数作为模型输入的预测精度更高,适合用于混合动力汽车非稳态工况下的声品质预测.     

基于广义熵原理的生态系统演化动力学

生态系统作为由大量组元组成的典型复杂开放系统.其演化动力学是当前学术界的研究热点和难点.本文定义了生态系统的"广义熵",指出控制生态系统演化动力学的物理学法则是"最大广义熵原理",即系统总是寻找一种优化过程使得在给定的约束或代价下广义熵最大,即总是使自身得到最大限度的发展.基于此原理导出了有序结构形成和演化的基本方程,并结合植被生态系统的案例数值模拟了有序结构形成和演化的动力学过程,由此形成了研究具体生态系统演化动力学的新方法.新方法的提出也为解决一般化的生态系统演化问题提供了从机理到具体置化分析的完整框架.     

基于样本扩充与IDANN的刀具状态识别方法

针对机床刀具磨损数据稀少与刀具磨损状态识别精度低的问题,提出了一种基于样本扩充与改进领域对抗网络(sample expansion and improved domain adversarial training of neural networks, SE-IDANN)的刀具状态识别方法。首先对机床刀具数据进行两次特征提取,并通过Smote算法进行样本扩充,解决机床刀具磨损数据量稀少的问题;其次在领域对抗网络(domain adversarial training of neural networks, DANN)模型特征提取器中加入残差块,进一步提取有效特征信息,解决刀具磨损特征微弱的难题;最后将Wasserstein距离作为目标域与源域的数据分布相似度标准引入DANN模型,实现对刀具磨损量的精确识别。通过对机床刀具数据的分析与仿真试验验证,证明该方法能够有效地识别刀具磨损量。     

基于元学习的小样本调制识别算法

针对基于深度学习的调制识别算法对带标签样本需求量过大的问题,采用基于元学习思想的多任务训练策略,通过大量不同的任务训练网络来获取一种跨任务的信号识别能力,使得网络在面对新信号类别时仅需少量样本就能快速适应。为更全面地提取信号样本的特征,设计了一种由卷积神经网络和长短时记忆网络并联组成的混合特征并行网络,通过度量样本特征向量间距离的方式完成识别任务;并引入可同时考虑信号类内与类间距离的联合损失函数,以使信号样本特征在度量空间内的分布能更加紧凑,从而实现更高效的相似性比对。实验结果表明,该算法在仅有5个带标签信号样本条件下最高可达到88.43%的识别准确率。     

基于样本熵理论的长江干流径流序列复杂性分析

基于样本熵理论,选取宜昌站、汉口站和大通站为长江干流主要水文控制站,对3站的径流序列进行分析,研究长江干流径流序列复杂性的空间分布及动态变化特征。结果表明:长江干流径流序列复杂性具有明显的空间差异性,从上游到下游总体上呈现增加趋势。各站的样本熵值与年径流量均呈现负相关关系。宜昌站和大通站径流序列复杂性处于不断增加趋势,汉口站21世纪以来呈现增加趋势。     

金融股指稳定性的样本熵分析

运用样本熵分析方法,对上证指数、深圳成指、恒生指数和道琼斯指数对数收益率时间序列进行了多尺度复杂性分析,证明了股票序列的熵值与金融市场稳定程度具有对应关系:当货币流通量增加时,金融股指的熵值提高,市场更成熟。同时对国内外金融股指的进一步对比分析表明,当市场受到控制时,即使货币流通量增加,熵值仍然会剧烈下降,市场发生明显的退化。最后通过对股指各时间尺度下熵值的横向对比,揭示了短、中、长期市场各自的特点。     

基于模糊数学理论的刀具状态识别

利用刀具状态多个特征参数的信息互补，根据理论建立刀具状态识别模型，并根据模糊统计法确定刀具状态与监控参数之间的模糊关系。最后结合原始功率信号的几个特征对刀具状态进行识别。对试验数据的测试表明，这种方法能有效提高刀具状态识别的正确率。     

基于样本熵算法的下背痛患者脑电信号分析

为寻找下背痛患者的诊断指标,本文运用样本熵算法对下背痛(腰椎间盘突出(LDH)和非特异性下背痛(NLBP))患者脑电时间序列复杂度进行了分析.实验采集了30例LDH患者、35例NLBP患者和30例健康人在做腹部收缩运动中的脑电信号,运用样本熵算法对健康组与下背痛组(LDH组和NLBP组)的脑电信号进行计算,发现LDH组的样本熵值最大,其次是NLBP组,健康组的样本熵值最小.样本熵的值越大,表明脑电时间序列复杂度越高.然后,采用SPSS19.0软件对3组受试者中14个导联处样本熵的均值进行独立样本t检验.结果表明,LDH组与NLBP组在5个导联(F7、T7、O1、O2、F4)处存在显著性差异(p0.05);LDH组与正常组在12个导联(F7、F3、FC5、T7、P7、O1、O2、P8、T8、FC6、F4、F8)处存在显著性差异(p0.05).样本熵算法可以作为区分3组受试者的有效方法,为下背痛患的诊断者提供了一种辅助诊断方法.     

基于结构特征的人眼状态识别研究

本文在分析人眼图像结构特征的基础上,设计了基于图像复杂度的人眼中心定位方法。并根据人眼闭合过程中结构变化的特性,给出了判别人眼闭合状态的计算方法。该方法不需要精确的特征点定位,也不需要复杂的运算,ORL人脸数据库中的实验表明了本算法的正确性。