D-S证据理论融合多特征的油菜病害识别方法

针对单一特征在识别油菜病害上存在的局限性,提出一种基于D-S证据理论融合多特征的油菜病害识别方法。首先对预处理后的油菜图片提取颜色矩、颜色共生矩阵两种特征,通过欧氏距离来构建D-S证据理论所必需的基本概率分配(BPA),最后运用D-S证据组合规则进行决策级融合,依据决策条件输出最终分类识别结果。针对存在最终识别结果被误识别为不确定问题,通过引入方差来对决策方法进行改进,避免了这一现象的产生。利用该方法在采集到的油菜样本上进行实验,取得了97.09%的识别率。实验表明,该方法能有效提高油菜病害识别率。     

基于红外与紫外图像信息融合的绝缘子污秽状态识别

为了实现绝缘子污秽状态的非接触检测,提出了一种基于红外与紫外图像信息决策级融合的污秽等级识别方法。分别计算不同污秽等级绝缘子红外与紫外图像特征,根据Fisher准则进行特征选择,得到可以有效表征污秽状态的特征量,为了提高分类器的运算速度和准确性,利用核主元分析(KPCA)进行特征提取,分别得到红外与紫外特征的三维核主元向量,使用径向基神经网络(RBFNN)分别进行污秽等级识别,利用D-S证据理论对识别结果进行决策级融合,实现绝缘子污秽等级的识别。实验结果表明,该方法的正确率显著优于单独使用红外或紫外特征进行识别,为绝缘子污秽状态的非接触检测提供了新的方法。     

基于最优支持度的证据融合表情识别方法

为了实现多区域表情特征的决策级融合,提出一种基于最优支持度的表情证据融合方法。首先,将眉毛、眼睛、嘴巴3个显著区域的纹理特征作为表情分类证据,并采用指数函数构建各证据的初始基本概率分配;然后,在有监督学习下构建证据支持度的优化式,同时将权重求解转化为同类样本支持度的最大化和异类样本支持度的最小化,并对初始基本概率分配进行修正;最后,基于登普斯特-谢弗(Dempster-Shafer,D-S)证据理论实现三区域证据的决策融合。该算法在CohnKanade库上进行实验,取得了94.2%的平均识别率以及752 ms的平均识别时间。与现有的决策融合和分类方法相比,特别提高了害怕、伤心、厌恶等不易分类表情的识别率。所提方法不仅具有较高分类识别率,而且对各表情分类保持较好鲁棒性。     

基于LSSVM和证据理论的电力系统暂态稳定评估

提出了一种基于最小二乘支持向量机和D-S证据理论的信息融合模型的电力系统暂态稳定评估方法。选取了稳态特征量、故障初始时刻特征量和暂态特征量构成不同组输入特征,采用最小二乘支持向量机分类器进行暂态稳定评估,再对子分类器的结果在输出空间利用D-S证据理论实现决策级融合,以提高电力系统暂态稳定评估的可靠性。利用电力系统综合分析程序(PSASP)对EPRI-36节点系统进行了仿真计算,结果表明:可以提高训练效率以及分类的准确性。     

改进D-S证据理论在变电站人体跌倒检测的应用

为了提高变电站人体跌倒检测准确率,提出了一种基于改进D-S证据理论的人体跌倒检测算法。利用垂直外接矩形和最小面积外接矩形对检测到的人体目标进行描述,分析目标区域的矩形宽高比、人体质心高度比和人体躯干倾斜角的人体目标特征变化。针对复杂人体姿态情况下存在的目标特征冲突问题,提出采用D-S证据理论对特征信息进行融合。通过自定义的广义三角模糊函数构造3种人体特征的基本概率指派函数,生成3种人体目标特征基本概率指派(basic probability assignment,BPA)。基于Murphy算法,提出一种双重加权平均证据源的改进算法,既可以融合各个独立证据的一致信息,也可以融合冲突信息。实验结果证明,该人体跌倒检测算法具有较高的跌倒识别准确率,可以合理的生成基本概率指派,有效地融合冲突证据,能够满足变电站人员安全监控的需要。     

基于两轴振动和多传感器融合的变压器绕组机械故障诊断

针对传统变压器绕组机械故障诊断方法中，仅考虑绕组单一方向振动信号且特征参数提取复杂、识别准确率低的问题。本文提出了一种基于两轴振动和多传感器融合的变压器绕组机械故障诊断方法。首先从绕组轴向、辐向振动相关性角度提出两轴振动关系图形作为特征图像；然后采用轻量级卷积神经网络MobileNet V2对不同传感器获得的图像数据进行训练；最后利用D-S证据理论对多维信息源识别结果进行融合，并做出最终决策。实验结果表明所提方法故障诊断准确率可达99.4%,与传统故障诊断方法相比，简化特征提取步骤，诊断准确率提高了6.2%以上，为变压器绕组机械故障诊断提供一种可行方案。     

一种最优冲突证据组合方法

Dempster-Shafer证据理论广泛应用于信息融合中,但是在证据高度冲突情况下基于经典D-S组合规则的融合结果存在问题.针对这一问题,提出了一种最优的证据组合方法.新方法首先引入了一个加权证据间距离函数,提出了一个全局距离的概念,依据全局距离最小的最优化准则求出各证据的权重,之后对系统中的证据加权平均,最后再利用D-S组合规则实现信息融合.目标识别算例仿真的结果表明,该方法性能优于现有的加权组合方法,在处理冲突数据时能够有效快速地识别出目标.     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态，实现对电机故障模式的自动识别和准确诊断，将数据融合技术与神经网络相结合，建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理，然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断，获得彼此独立的证据，再运用D-S（Dempser sha-fer）证据理论融合算法对各证据进行融合，最终实现对电机故障的准确诊断。诊断测试试验证明，该诊断系统提高了电机故障诊断的精度，能够满足诊断的实时性要求。     

基于朴素贝叶斯和D-S证据理论的多时空数据融合

针对泛在电力物联网中分布广泛的传感器以及各类设备采样周期不同的问题,本文提出一种基于朴素贝叶斯和D-S证据理论的多时空数据融合方法。该方法突出的优点是融合了多个时间段、多个不同地点传感器的数据。首先运用朴素贝叶斯分类器得到信度分配,克服了过去采用专家系统进行信度分配的缺点,然后运用D-S证据理论进行融合得到最终系统的状态评价,有效地将多时空数据进行融合。实验结果表明,本文提出的方法相比其他机器学习算法有了明显的改进,能够有效地评估系统的状态。     

基于CCD图像的空间目标识别技术

空间交会对接是空间机动技术的一个重要发展阶段。近距离对接需要对航天器进行精确识别。在此介绍了基于星载CCD图像的一种证据组合规则应用于序列图像目标识别算法。该算法以修正的Hu不变矩为图像特征,利用数据融合思想对来自目标的序列图像进行时间域融合处理。由BP神经网络对目标初步识别结果构造基本置信指派函数,用该组合规则进行决策级数据融合。     

基于共性与特性信息融合的遥感场景图像分类

由于遥感场景图像类内差距大即同一类别图像的特性信息相差较大,仅仅依靠特性信息分类的准确率不高,而现有遥感场景图像分类方法忽视了同一类别所具有的相同的共性信息也可以辅助图像识别,对此本文提出一种基于共性与特性信息融合的遥感场景图像分类方法。首先,图像通过卷积网络较浅层与深层得到的简单特征图与复杂特征图相叠加,可认为是此图像注意力集中的特征图,提取此特征图的手工特征LBP作为共性信息。之后与卷积网络提取的特性信息融合并进行分类。本文使用经贝叶斯优化优化超参数的SVM分类器,使其性能达到最佳来消除分类器对实验的影响。在两个数据集UC Merced和AID上的实验,验证其分类精度分别达到了98.80%和96.06%,表明该方法能有效地提升遥感场景图像准确率。在国防,城市规划,地质勘查等领域有重要意义。     

基于IHS变换与自适应区域特征的遥感图像融合算法

当前较多遥感图像融合算法主要通过独立像素点的像素特征来完成图像子带的融合,忽略了图像子带的区域相关性,导致融合图像存在不连续以及模糊效应等不足。因此,设计了IHS变换耦合自适应区域特征的遥感图像融合算法。引入IHS(intensity, hue, saturation)变换,对多光谱(MS)图像进行分解获取强度分量,将其与全色(PAN)图像进行融合。再通过非下采样Contourlet变换(NSCT)对PAN图像与强度分量进行子带分解,获取高、低频子带信息。并利用图像的区域能量以及区域空间特征,对低频子带融合模型的调节因子进行自适应整定,使得融合低频子带能够包含更多的空间信息。基于图像的区域方差特征来构建高频子带融合模型,使得融合高频子带能够包含更多的纹理信息。实验结果表明,与当前遥感图像融合算法相比,所提算法的融合图像具有更好地光谱特性以及空间特性。     

模糊B样条基函数神经网络的遥感图像分类器

本文针对遥感图像分类的特点，提出了一种基于模糊B样条基函数神经网络的遥感图像分类器。该分类器采用B样条函数作为模糊隶属函数，将模糊技术与神经网络相结合，利用神经网络实现模糊推理，从而使系统具备了自适应的特性。实验结果表明，这种基于模糊B样条基函数神经网络的分类器经过训练后，可应用于遥感图像的分类，其分类精度明显高于传统的最大似然分类法。     

基于 D-S 证据理论的高分遥感影像建筑物变化检测

面向城市发展过程中建筑物多样的变化类型,提出了一种基于 D-S 证据理论高分遥感建筑物变化检测方法。 基于影像 多尺度分割结果,综合多重因素首先设计了一种非建筑物指标 NBI。 在此基础上,结合多时相的 NBI、传统建筑物指数 MBI 以 及差分特征,构建建筑物变化证据集合。 最后,提出了一种结合阴影检测的证据置信度指标,进而构建了一套完整的 D-S 证据 理论变化检测模型,从而将建筑物划分为新建、拆除以及改建类。 不同地区影像的实验结果表明,所提出模型的变化检测精度 和 Kappa 系数分别可达 80%和 0. 7 以上,且在目视分析和定量评价中均优于对比方法。     

基于深度迁移学习的天气图像识别

当对天气图像等场景复杂和特征不明显的图像进行识别时,往往存在识别率不高和特征冗余等问题。基于此,本文提出了一种基于深度迁移学习的图像分类算法。该算法利用ImageNet数据集的模型参数构建ResNeXt、Xception以及SENet 3种网络模型提取图像特征,采用领域自适应的判别联合分布自适应算法来相似化特征向量,完成高质量的特征表示,并以其结果为准则融合模型特征,将融合特征经过多层感知机训练以实现高准确率识别的图像分类。实验结果表明,该算法的性能优于传统的单一网络模型,进一步提升了图像分类准确率的上限。     

基于分割注意力的特征融合 CNN-Bi-LSTM 人体行为识别算法

针对传统人体行为识别算法不能有效抑制空间背景信息,网络间缺乏信息交互,以及无法对全局时间相关性进行建模的问题,提出一种基于分割注意力的特征融合卷积神经网络-双向长短时记忆网络(CNN-Bi-LSTM)人体行为识别算法。首先以一定采样率采样30帧图像,通过分割注意力网络提取图像的深度特征,并引入特征融合机制增强不同卷积层间的信息交互;然后将深度特征输入到Bi-LSTM网络对人体动作的长时时间信息建模,最后使用Softmax分类器对识别结果进行分类。相较于传统双流卷积网络,该算法在UCF101和HMDB51数据集上的准确率分别提高了6.6%和10.2%,有效提高了识别准确率。     

基于证据理论的多分类器集成方法研究

提出了一种基于证据理论的多分类器集成方法。该方法首先对分类器输出的抽象层信息进行不确定性表征,即对输出证据的基本概率分配进行赋值,然后,利用证据组合规则对多分类器进行集成,并针对语气组合中“焦元爆炸”的问题,推导了一种快速算法。使信息复杂度和计算复杂度大大降低低。该方法将对往设计一个性能优良的高维输入分为器的问题转化为设计多个性能较优的低维分类器,较好的解决了高维特征空间的判分问题和高可靠性分类器的设计问题,最后将此算法应用于字符识别,结果令人满意。     

非下采样Shearlet变换耦合边缘制约的遥感图像融合算法

为了解决当前遥感图像融合算法因忽略了区域中像素点的边缘特征而导致融合图像中存在块效应以及模糊效应的不足,在非下采样Shearlet变换的基础上,设计了基于边缘制约模型的遥感图像融合算法。首先,将多光谱(MS)图像经过IHS分解,提取相应的亮度分量。然后,通过非下采样Shearlet变换,将全色(PAN)图像与亮度分量进行分解,获取各自的高频系数与低频系数。再通过图像的空间频率特征,建立低频系数的融合函数,对低频系数进行融合。并利用图像的区域平均梯度特征与图像区域中像素点的边缘能量特征,构造了边缘制约模型,对高频系数进行融合。最后,将融合后低频系数、高频系数经非下采样Shearlet逆变换和IHS逆变换,获取融合图像。实验结果显示,与当前遥感图像融合方法相比,所提算法的融合图像具有更高的清晰度,更好地保持了图像的光谱特性,消除了块效应以及模糊效应。     

基于区域 NSBP 特征的加权证据融合表情识别

为了提取鲁棒性强的人脸纹理特征并提高区域特征决策融合的性能,提出一种基于邻近平滑二值模式( neighbor smooth binary pattern, NSBP)特征描述子和加权证据融合(weighted evidence fusion, WEF)的表情识别新方法。 首先,提出了一种 NSBP 描述子,通过判定水平、垂直及对角线方向上的“中心”像素点灰度值是否在各梯度方向上两邻域的灰度值范围内来对图像进 行编码;然后基于提取的眉毛、眼睛和嘴巴区域的 NSBP 纹理特征来构造证据的初始基本概率分配(basic probability assignment, BPA);最后针对登普斯特-谢弗(Dempster-Shafer, D-S)证据理论在证据之间存在冲突时进行融合的不足,提出一种加权证据修 正的合成方法,以完成 3 个区域证据的决策融合。 实验结果表明,该方法在 CK(Cohn-Kanade)数据库上的平均表情识别率和识 别时间分别为 95. 25%、765 ms,与其他相关方法的比较也验证了其有效性。     

基于多层特征融合CNN的变压器PRPD图谱识别

智能化的分类算法在局部放电模式识别中应用良好,但是需要人工提取特征,因而存在特征丢失和识别效率低的问题。文中对传统的卷积神经网络进行多层特征融合的改进,并用于局部放电模式识别,以预处理后的PRPD图谱为输入,自动提取图谱特征,并进行深层和浅层的特征融合以防止特征丢失,最后输出分类结果。此外文中算法还对传统CNN的池化策略进行改进,使用最大二均值池化,进一步保留了图谱的有效特征。实验结果表明,相比于传统的人工提取统计特征再输入分类器的模式,特征融合CNN的识别正确率更高,耗时更少。