基于YOLOv3-tiny的列车轮对踏面缺陷定位与测量方法

针对基于深度学习的轮对踏面缺陷检测算法中检测框尺寸精度不足的问题,文章提出一种结合YOLOv3-tiny与传统图像算法的踏面缺陷检测算法,以实现低CPU消耗的列车轮对踏面缺陷快速定位与几何参数的精确测量.其首先对工业场景下获取到的小样本进行图像增强,然后采用YOLOv3-tiny算法对踏面缺陷进行迁移学习,实现缺陷的粗...     

基于视觉的列车车轮踏面擦伤定位方法

为了实现列车车轮踏面擦伤检测,建立了基于机器视觉的踏面擦伤动态检测系统.对该系统中踏面擦伤可疑图像区域定位技术进行了研究.首先,采用快速中值滤波算法平滑原始图像,然后采用基于Canny算法的踏面区域分割算法提取踏面区域,再根据踏面擦伤图像特征设计了基于踏面边缘线扫描搜索擦伤可疑区域的方法提取擦伤可疑图像区域.实验结果表...     

信息增益混合邻域粗糙集的肺部肿瘤高维特征选择算法

针对冗余属性和不相关属性过多对肺部肿瘤诊断的影响以及Pawlak粗糙集只适合处理离散变量而导致原始信息大量丢失的问题,提出混合信息增益和邻域粗糙集的肺部肿瘤高维特征选择算法(Information gain-neighborhood rough set-support vector machine,IG-NRS-SVM)。该算法首先提取3 000例肺部肿瘤CT图像的104维特征构造决策信息表,借助信息增益结果选出高相关的特征子集,再通过邻域粗糙集剔除高冗余的属性,通过两次属性约简得到最优的特征子集,最后采用网格寻优算法优化的支持向量机构建分类识别模型进行肺部肿瘤良恶性的鉴别。从约简和分类识别两个角度验证方法的可行性与有效性,并与不约简算法、Pawlak粗糙集、信息增益和邻域粗糙集约简算法进行对比。结果表明混合算法精确度优于其他对比算法,精确度达到96.17%,并且有效降低了时间复杂度,对肺部肿瘤计算机辅助诊断具有一定的参考价值。     

一种基于邻域粗糙集的多标记专属特征选择方法

在多标记学习中,数据降维是一项重要且具有挑战性的任务,而特征选择又是一种高效的数据降维技术。在邻域粗糙集理论的基础上提出一种多标记专属特征选择方法,该方法从理论上确保了所得到的专属特征与相应标记具有较强的相关性,进而改善了约简效果。首先,该方法运用粗糙集理论的约简算法来减少冗余属性,在保持分类能力不变的情况下获得标记的专属特征;然后,在邻域精确度和邻域粗糙度概念的基础上,重新定义了基于邻域粗糙集的依赖度与重要度的计算方法,探讨了该模型的相关性质;最后,构建了一种基于邻域粗糙集的多标记专属特征选择模型,实现了多标记分类任务的特征选择算法。在多个公开的数据集上进行仿真实验,结果表明了该算法是有效的。     

基于图像畸变校正的车轮踏面区域提取

为了实现踏面缺陷部位面积的精确测量,提出了一种基于图像畸变校正的车轮踏 面区域提取方法。首先采用改进的彩色图像标记分水岭初次分割侧视视角踏面曲面图像,然后 根据踏面曲面图像横向和纵向畸变的不同特点顺次进行平面横纵坐标几何校正并在此过程中完 成踏面区域的二次分割与视角转换,最后得到踏面正视视角矫正图像。实验结果表明,该方法 可以准确分割并校正侧视视角踏面图像,为实现踏面缺陷面积的精确计算打下基础。     

基于机器视觉的货车轮对踏面异常磨损监测方法

为实现对轮对踏面磨损的准确监测,提出基于机器视觉的货车轮对踏面异常磨损监测方法.结合监测原理采集货车高清图像,将图像转换成灰度图像,通过背景差分方法剔除多余背景,只保留货车轮对图像,将灰度图像转换成二值图像,分割图像内具有特殊含义的不同区域,得到轮对局部踏面信息.运用Canny算子提取图像中货车轮对的踏面边缘,构建灰度空间,依靠灰度共生矩阵映射图像在灰度空间的分布状况,得到可疑区域图像.使用垂直或水平的扫描线对可疑区域图像扫描,若局部区域超出设想阈值,则证明该点为异常磨损点.实验结果证明,所提方法得到的局部图像较为清晰,能够以最小的误差识别货车轮对的异常磨损区域.     

基于邻域关系模糊粗糙集的分类新方法

针对目前模糊等价关系所诱导的模糊粗糙集模型不能准确地反映模糊概念范畴中数值属性描述的决策问题,提出一种基于邻域关系的模糊粗糙集模型NR-FRS,给出了该粗糙集模型的相关定义,在讨论模型性质的基础上进行模糊化邻域近似空间上的推理,并分析特征子空间下的属性依赖性;最后在NR-FRS的基础上提出特征选择算法,构建使得模糊正域增益优于具体阈值的特征子集,进而剔除冗余特征,保留分类能力强的属性.采用UCI标准数据集进行分类实验,使用径向基核函数(RBF)支持向量机作为分类器.实验结果表明,同基于邻域粗糙集的快速前向特征选择方法以及核主成分分析方法(KPCA)相比,NR-FRS模型特征选择算法所得特征子集中特征数量依据参数变化更加平缓、稳定.同时平均分类准确率提升最好可以达到5.2%,且随特征选择参数呈现更加平稳的变化.     

基于邻域量化容差关系粗糙集模型的特征选择算法*

数值型不完备信息系统的特征选择方法大多是以容差关系为基础,但是这种处理方式存在数据相似性刻画过于宽松的缺陷.文中提出邻域量化容差关系的粗糙集模型,在该模型的基础上定义邻域量化容差条件熵,分析相关性质,根据邻域量化容差条件熵的单调性构造相应的特征选择算法.实验表明,文中算法在特征选择结果、运行时间和分类精度方面具有优越性.     

基于信噪比与邻域粗糙集的特征基因选择方法

鉴于传统基因选择方 法会选出大量冗余基因从而导致样本预测准确率较低,提出了一种基于信噪比与邻域粗糙集 的特征基因选择方法（Signal noise ration and the neighborhood rough set, SNRS） 。 首先采用信噪比指标获得分类能力较强的预选特征子集;然后利用邻域粗糙集约简算法 对预选特征子集进行寻优;最后采用不同的分类器对特征基因子集进行分类。通过实验表 明,该方法能够克服传统分类算法精度不高的缺陷,并且能够在较少的特征基因下取得较高 的分类精度,验证了该方法的可行性和有效性。     

基于相交邻域粗糙集的基因微阵列数据分类

在对基因微阵列数据的特征选择和分类的研究中,粗糙集理论是一个可以消除冗余基因的有效工具.但是传统的粗糙集模型不能很好地处理连续型数值数据,而离散化方法可能会导致信息的丢失.为此,提出了一种基于相交邻域粗糙集模型的属性约简算法,即将传统粗糙集中的距离邻域扩展为相交邻域,采用基于集合的方式来定义近似,以此构建粗糙集模型.在癌症数据集上进行实验,结果表明基于集合近似和相交邻域的粗糙集模型可以取得较好的分类效果,并且通过对选择出的基因进行GO术语分析,进一步证明了该模型的有效性.     

Three-way decision reduction in neighborhood systems

Rough set reduction has been used as an important preprocessing tool for pattern recognition, machine learning and data mining. As the classical Pawlak rough sets can just be used to evaluate categorical features, a neighborhood rough set model is introduced to deal with numerical data sets. Three-way decision theory proposed by Yao comes from Pawlak rough sets and probability rough sets for trading off different types of classification error in order to obtain a minimum cost ternary classifier. In this paper, we discuss reduction questions based on three-way decisions and neighborhood rough sets. First, the three-way decision reducts of positive region preservation, boundary region preservation and negative region preservation are introduced into the neighborhood rough set model. Second, three condition entropy measures are constructed based on three-way decision regions by considering variants of neighborhood classes. The monotonic principles of entropy measures are proved, from which we can obtain the heuristic reduction algorithms in neighborhood systems. Finally, the experimental results show that the three-way decision reduction approaches are effective feature selection techniques for addressing numerical data sets.     

一种快速轮对踏面光截曲线图像分割方法

为准确地实现轮对轮缘磨耗的测量,提出了将二维最大相关准则的阈值分割法应用于轮对踏面光截曲线图像的分割.引入量子粒子群优化算法代替穷尽搜索获取阈值向量.通过对实际的踏面光截曲线图象分割表明,该方法是一种实用、有效的踏面光截曲线图像分割法.     

基于邻域粗糙集的航空发电机健康诊断方法

提出一种基于邻域粗糙集和支持向量机相结合的航空发电机智能健康诊断方法.采用专业健康试验平台对某型战斗机的真实航空发电机进行试验,得到转速、负载、油压等大量表征发电机健康状态的监测数据.引入数据挖掘思想,采用邻域粗糙集理论对监测数据进行属性约简,将约简后的属性集输入给所设计的支持向量机健康诊断器,对航空发电机的健康状态进行了诊断研究.研究表明,该方法能够很好实现对某真实航空发电机的健康诊断,具有较高的推广应用价值.     

基于邻域粗糙互信息熵的非单调性属性约简

属性约简是粗糙集理论一项重要的应用,目前已广泛运用于机器学习和数据挖掘等领域,邻域粗糙集是粗糙集理论中处理连续型数据的一种重要方法.针对目前邻域粗糙集模型中属性约简存在的缺陷,构造一种基于邻域粗糙集的邻域粗糙熵模型,并基于此给出邻域粗糙联合熵、邻域粗糙条件熵和邻域粗糙互信息熵等概念.邻域粗糙互信息熵是评估属性集相关性的一种重要的方法,具有非单调性变化的特性,对此,提出一种基于邻域粗糙互信息熵的非单调性属性约简算法.实验分析表明,所提出算法不仅比目前已有的单调性属性约简算法具有更优越的属性约简结果,而且具有更高的约简效率.     

粗集理论在图像特征选择中的应用

粗集理论是一种新的处理含糊和不确定性问题的数学工具。它作为一种新的软计算方法，与进化算法、神经元网络和模糊方法等一样，是具有发展潜力的智能信息处理方法。本文采用粗集理论知识约简的思想，提出了一种图像特征选择的算法，该算法不仅能够找出有效特征集、降低图像特征空间的维数、减少图像分类的工作量，而且提高了分类识别率。由于粗庥只处理定性数据或概念类的对象，需要进行数据离散化归一化，故本文又利用Kohonen网络，提出了一种属性值的离散化算法。实验结果证明，上述两种算法是有效的和实用的。     

多半径邻域粗糙集改进约简算法

属性约简是粗糙集理论中的重要问题。许多学者针对邻域粗糙集提出多种属性约简方法,包括应用最为广泛的启发式算法。在多半径邻域粗糙集的基础上,针对当前启发式约简算法往往会包含一定冗余属性的缺陷,提出一种融合属性权重影响的改进约简运算方法,通过根据各属性权值大小设置阈值使得约简结果能够消除冗余属性。实验选取UCI的数据集与当前几种常用启发式约简算法进行比较分析。实验结果表明,所提出的属性约简方法能够得到更优的约简集合,同时更大程度地保留了决策表本身的知识信息,具有较高的分类能力。     

邻域互补信息度量及其启发式属性约简

信息熵体系是进行不确定刻画与近似推理的重要理论,已经被引入粗糙集进行数据分析与智能处理。经典的互补熵、互补条件熵和互补互信息能够刻画粗糙性与模糊性,该信息体系的拓展具有应用意义。本文基于邻域粗糙集,扩张构建邻域互补信息度量并研究其启发式属性约简。通过解析式模拟与信息粒替换,定义邻域互补熵、邻域互补条件熵和邻域互补互信息,得到系统方程、双界刻画和粒化非单调性;基于邻域互补互信息,提出非单调属性约简并设计启发式约简算法;采用决策表实例与UCI数据实验有效验证性质与算法。基于邻域扩张,相关信息度量与属性约简具有应用前景。