摩托车声品质偏好性评价与分析

以摩托车在不同发动机转速下驾驶员耳旁的声样本为评价对象,运用分组成对比较法进行偏好性主观评价实验,并在精确计算评价结果误判率的基础上,通过相关分析和多元回归分析,建立以心理声学参数描述偏好性主观评价结果的数学模型.研究结果表明,响度和粗糙度是影响摩托车噪声主观偏好性的主要参量,与线性数学模型相比,采用非线性数学模型可以更好地表达摩托车噪声主观偏好性与心理声学参数之间的关系.     

自适应样本加权的多视图聚类算法

将原始数据投影到一个包含几何一致性和簇分配一致性的空间,并且可以自适应学习几乎所有参数的多视图聚类算法,能够获得良好的聚类效果,但这样做没有考虑多视图中不同样本重要性不同的特点,忽视了噪声点与离群点对聚类效果造成的不利影响.针对上述问题,对样本重要性进行研究,提出一种自适应样本加权的多视图聚类算法.该算法对视图中不同的样本根据其重要性进行加权处理:首先给每个样本分配相同的权重,在之后的每次迭代中,不断进行自适应调整直至达到收敛条件.实验结果表明,该算法可以获得更好的实验效果.     

汽车雨刮器声品质的主客观分析

对4辆不同类型汽车的雨刮器在高低速挡位下工作时所产生的车内噪声进行了测试,根据雨刮器的噪声信号特性制作了主观实验所需声样本.采用分组成对比较法对所得样本进行了烦恼度主观评价实验,从速度挡位、刮刷方式两个方面分析了主观得分值的分布特性和4个心理学参量对主观烦恼度的影响.结果表明,高速挡的烦恼度高于低速挡,下刮对总体烦恼度的影响程度高于上刮,影响主观烦恼度的客观参量主要有双耳响度和波动度.     

基于样本差异性的多标记特征选择算法

在多标记学习中,特征空间的高维性是多标记学习研究的主要问题。文章通过聚类构建由代表性样本组成新多标记数据,定义了多标记决策系统中样本的分类间隔及样本的差异性概念,在此基础上定义了特征权重,提出一种基于样本差异性的多标记特征选择算法,并用4个指标对4个多标记数据集进行实验评价,对比一些当前流行的特征选择算法,验证了本文所提算法的有效性。     

两级混淆对抗域自适应网络轴承故障诊断

在变工况轴承故障诊断任务中,领域自适应方法仅仅对两个域进行全局对齐,而未进行相应类别的对齐,为解决上述问题,提出了一种两级混淆对抗域自适应网络.该网络由一个特征生成器、两个标签分类器及一个辅助分类器组成.网络使用源域样本帮助两个任务分类器学习,同时在辅助分类器上构造了基于两级域混淆损失的对抗性学习目标函数,通过对抗训练,驱动特征生成器生成类别对齐的特征.两个公共轴承数据集的实验结果表明,该方法的平均诊断准确率远远高于传统深度学习算法和其它四种域自适应算法.     

基于逆云模型的支持向量机多类分类方法

针对支持向量机在进行多类识别中存在的拒分问题,结合能够描述客观世界不确定性的模糊理论,提出利用逆云模型描述样本对各类逆云隶属度的多类分类方法.实验表明,该方法能够有效地消除样本拒分现象,提高识别率.     

自适应插值飞蛾扑火优化的多特征粒子滤波车辆跟踪算法

针对现有飞蛾扑火优化算法精度低、全局搜索能力差的问题,提出一种自适应插值飞蛾扑火优化算法,并将其嵌入多特征粒子滤波中优化,构建自适应插值飞蛾扑火优化的多特征粒子滤波车辆跟踪算法.首先,在飞蛾的位置更新机制中加入自适应权值,改善所提算法的全局搜索能力.其次,采用改进的插值飞蛾扑火优化算法对采样过程进行优化,结合多特征自适应融合优化粒子滤波车辆跟踪算法,根据最新观测信息不断调整粒子分布,使低权值层粒子向权值较高的区域移动,增强粒子质量,避免样本退化.实验结果表明,本文算法能够有效降低状态预测所需的样本粒子数,提高算法的跟踪性能,在车辆目标发生遮挡、光照、姿态及尺度变化等干扰下仍然能够准确、稳定地跟踪目标车辆.     

基于密度峰值聚类和局部稀疏度的过采样算法

现有的绝大多数过采样方法着重于寻找少数类样本的边界从而增强样本的可分性,忽略了样本的重叠分布与小析取问题,这导致在过采样阶段产生过多的噪声,最终无法实现对少数类样本的正确分类.针对这些问题,提出一种基于密度峰值聚类和局部稀疏度的过采样算法.首先利用改进的密度峰值聚类算法对全部样本自适应地划分出多个簇,根据簇内样本的不平衡比过滤掉不平衡比过高的簇,然后在筛选出的簇中根据少数类样本的分布情况对各簇的过采样个数进行分配,最后通过样本密度计算出各簇少数类样本的局部稀疏度,从中选择出稀疏度较高的少数类样本参与到最终的合成少数过采样.将提出的过采样算法与八种常用的过采样算法分别与三种基分类器相结合,在18个不平衡数据集上进行对比实验.实验结果表明,提出的算法总体上表现更优,能得到更好的分类性能.     

一种基于聚类和AdaBoost的自适应集成算法

为同时保证基分类器的准确性和差异性, 提出一种基于聚类和AdaBoost的自适应集成算法. 首先利用聚类算法将训练样本分成多个类簇; 然后分别在每个类簇上进行AdaBoost训练并得到一组分类器; 最后按加权投票策略进行分类器的集成. 每个分类器的权重是自适应的, 且为基于测试样本与每个类簇的相似性及分类器对此测试样本的分类置信度计算得到. 实验结果表明, 与AdaBoost,Bagging(bootstrap aggregating)和随机森林等代表性集成算法相比, 该算法可取得更高的分类精度.     

H.264视频编码中的场景自适应比特率控制

探讨了提高H.264视频编码性能的场景自适应比特率控制问题.通过计算高维空间中多模式聚集的最大特征向量距离,提出了基于巴氏距离的场景变化度量,并有效采用低秩Cholesky分解计算近似巴氏距离.在此基础上,提出了自适应的GOP结构和量化参数调整策略.实验模拟了视频样本序列.由于具有差错复原和较低的计算复杂度等特点,实验结果表明该方法十分有效.     

基于自适应变分模态分解的佤语孤立词共振峰估计

基于变分模态分解算法实现对语音共振峰的提取,针对其存在共振峰合并和虚假峰值2个主要问题,通过对分解模态数、平衡约束参数的分析,提出了自适应变分模态分解法.并从的正交性、能量保存度2个方面证明了该方法的可行性;最后,利用该方法实现对佤语共振峰的估计.实验结果表明,基于自适应变分模态分解对佤语孤立词的共振峰估计平均正确率可达85.50%.     

基于邻域粗糙集的多标记属性约简算法

在多标记学习中,属性约简是解决多标记数据维数灾难的一个关键技术.针对邻域粗糙集属性约简在计算正域代价较大和多标记数据中标记具有不同的强弱性问题,提出了基于邻域粗糙集的多标记属性约简算法.该算法首先利用样本在整个属性空间下到其异类样本的平均距离与到其同类样本的平均距离的差值对标记进行加权;其次,利用取整函数对样本空间进行划分,提出了一种新的多标记邻域粗糙集快速计算正域的方法;最后,根据前向贪心搜索算法进行属性约简,以获得一组新的属性排序.实验给出了5个多标记数据集在4个评价准则上的对比结果,实验结果分析表明了所提算法的有效性.     

一类多频线谱振动的主动控制方法

针对多频线谱振动提出一种新的主动控制方法--多通道解耦LMS自适应滤波方法.该方法以多个并行的LMS自适应滤波器结构和带通滤波器组成前馈控制器,带通滤波器对自适应滤波器进行解耦,以一个单自由度的减振器作为执行机构,对多个频率线谱振动进行主动减振.综合了LMS算法的快速性和频域自适应滤波的有效性,物理意义清晰,易于扩展.应用于国产某型机械式制冷机的主动减振,用B&K的PULSE 7700对现场调试结果进行分析,验证了该方法的有效性.     

一种改进的自适应阈值分块曲面滤波方法

针对传统的分块曲面滤波算法使用固定阈值进行滤波时造成的误分现象,提出了一种改进的自适应阈值分块曲面滤波算法.首先采用高斯滤波以及K-D树(K-dimensional树)滤波对异常点云进行剔除;然后利用网格法对点云进行逐级分块,并以曲面拟合的方式自动获取块域种子点,降低种子区域过大造成的滤波影响,从而建立了顾及块域面积及块域内最大高差两个因素的滤波阈值自适应模型.利用3组不同的数据对传统算法与改进算法进行滤波对比试验,结果表明改进方法不仅解决了人工选取种子点带来的问题,还能有效降低两类误差,充分验证了改进算法的可靠性.     

动态噪声特性未知系统的多模型自适应卡尔曼滤波

针对常规自适应卡尔曼滤波器存在过渡过程差的问题,基于一个给定的指标切换函数,采用多个基于不同动态噪声协方差矩阵的卡尔曼滤波器和一个常规自适应卡尔曼滤波器共同组成多模型自适应卡尔曼滤波器.与常规自适应卡尔曼滤波器相比,多模型自适应卡尔曼滤波器可以在保持原有自适应滤波器性能的基础上极大地改善瞬态响应.     

基于模糊聚类的绿色工艺评价样本分类方法

针对绿色工艺评价样本具有不确定性、多维性以及量纲差异大的特点,为实现样本的合理分类,提出一种基于核的模糊可能性聚类新算法.该方法将核模糊聚类算法、可能性聚类算法和减法聚类算法相结合,以提高聚类的准确率;使用聚类有效性指标作为分类条件,自适应确定最佳分类数.仿真实验结果表明,该算法具有较好的有效性和鲁棒性,并将该算法运用在绿色工艺评价样本分类中,得到了较好的分类效果,验证了算法的实用性.     

尺度自适应的加权压缩跟踪算法

针对压缩跟踪算法中目标尺度不能自适应更新和分类器性能弱的问题,提出一种尺度自适应的加权压缩跟踪算法.首先,提取正负样本的压缩特征,根据两者的巴氏系数对分类器进行加权,分类能力越强的特征在分类器中的权值越大.然后,将候选样本输入贝叶斯分类器,通过分类得到目标位置.最后,根据目标位置求得不同尺度下的样本特征,组成尺度金字塔,将尺度金字塔作为相关滤波器响应的特征输入,将响应值最大的尺度作为当前估计的尺度值.选取6组视频序列测试改进算法,实验结果表明,与传统压缩跟踪算法等4种算法相比,此算法能够解决尺度变化和目标旋转问题,且满足实时性要求.     

建筑工程项目招标评标的综合评价方法

利用模糊优先关系比较法并借鉴价值工程的思想,从功能和成本2个方面,对影响评标的多个因素进行综合评价,给出招标评标的综合评价方法。首先,根据专家对投标企业功能的评分,用模糊优先关系比较法确定功能综合评价系数,然后与企业的单位投标报价的成本系数共同构造综合评价指标,根据综合评价指标的大小来实现对投标企业的排序和选择。实例进行了建模计算说明了该方法的有效性。     

基于自适应流形正则化自表示的无监督特征选择算法

针对基于流形正则化自表示(MRSR)的无监督特征选择算法直接从原始的样本空间构造相似矩阵可能会 导致重构空间中样本的相似性描述得不够准确的问题,提出了基于自适应流形正则化自表示的无监督特征选择 (AMRSR)算法。 基于自适应流形正则化自表示的无监督特征选择算法在 MRSR 算法的基础上通过对相似矩阵施 加概率最近邻约束将相似矩阵的学习嵌入到优化过程中,在重构空间中自适应地学习样本的相似性,使得在每一 次迭代中获取更加精确的样本局部几何流形结构,从而选择具有代表性且保持局部几何流形结构的特征。 最后, 在四个公开数据集上进行了大量的对比实验,通过将算法的特征选择结果用于 K-means 聚类并采取两种常见的聚 类评价指标:聚类精确度和归一化互信息评价聚类效果。 实验结果表明,AMRSR 算法与现有的一些算法相比有更 高的聚类精确度和归一化互信息,进一步表明该算法特征选择效果更好。     

非监督特征学习方法在脑电身份识别中的应用

设计并实现了采用非监督特征学习方法对模拟阅读事件相关电位实验中多名受试者脑电信号的特征提取,并对提取的特征向量进行了模式分类.实验中共采集5名受试者脑电信号,每名受试者的特征样本集由其接受模拟阅读靶视觉刺激后100⁴00ms在通道PO3、O1、Oz、O2、PO4、P4、P8、CP6的脑电信号样本组成,各受试者样本集均含400个试次样本.非监督特征学习过程由含6个神经节的BP神经网络完成,后选用支持向量机作为分类器.对比了1试次,2试次、5试次、10试次样本叠加等几种不同情况下采用非监督特征学习方法提取特征的分类正确率.实验结果表明:采用多神经节人工神经网络对5名使用者5试次叠加信号样本提取的特征向量的分类正确率高于90%,显著优于对各单通道时域特征向量的分类正确率,该方法可为以脑电信号为特征的身份识别系统提供一种可行的特征提取方式.