基于随机森林的缺损杂草种子识别

针对有缺损的杂草种子图像,提出用于有缺损杂草种子图像识别的分类模型,并讨论不同类型的图像特征对识别结果的影响。通过特征提取及使用核主成分分析法降维得到四种图像特征,并将其组合,将不同类型的特征输入至随机森林分类器,得到不同类型特征下的识别结果。实验结果表明,随机森林分类器对图像中的连续噪声具有良好的鲁棒性;源自彩色图像的特征和源自对应灰度图像的特征具有良好的判别能力互补性。     

基于增强算子的污染土雷达图像特征提取仿真

针对雷达图像特征提取效率低、精度不高等问题,提出一种基于增强算子的污染土雷达图像特征提取方法。首先使用多尺度非均匀滤波把含有噪声与不含噪声的像素点灰度值、构成因素及像素加权灰度密度三个特征进行划分,完成雷达图像去噪。其次提出增强算子方法,将图像数据转变至图像的空间域,以此判断污染土雷达图像内是否存在对比度不高区域和细微区域。最后采用灰色关联分析计算超像素之间的相似度,运用MLS增强算子对曲面进行拟合,通过高斯曲率与平均曲率构建出特征判断准则,提高图像特征提取完整性,实现污染土雷达图像特征的精准提取。仿真结果表明,与传统方法相比所提方法计算速度较快,雷达特征提取效率较高,可大幅提升污染土雷达图像特征提取准确率。     

MOMEDA结合数学形态滤波的齿轮故障特征提取

为了实现齿轮故障特征的有效提取,针对齿轮早期故障振动信号非线性、非平稳且信噪比低的特点,提出了一种基于多点最优最小熵反卷积(MOMEDA)和数学形态滤波的齿轮故障特征提取方法。首先利用MOMEDA恢复信号中的周期性故障特征并实现信号的降噪,再运用形态差值滤波器对解卷积后的信号进行滤波以增强信号中的冲击特征,最后对滤波结果求取频谱以进行故障特征提取;通过对仿真结果和实验数据的分析验证了该方法的可行性和有效性。结果表明,该方法具有抑制噪声和提取周期性故障冲击特征的能力,能够实现齿轮故障特征的提取。     

基于VMD与时间序列分析的滚动轴承故障特征提取方法

为了在非线性、非平稳的滚动轴承故障振动信号中有效提取出敏感的故障特征,提出了基于变分模态分解(VMD)与时间序列分析相结合的特征提取方法。首先通过VMD将原始信号分解为不同预设尺度的本征模态分量(IMF),对各个IMF分量建立时间序列预测模型,通过叠加重构得到最终的预测模型,比较评价指标确定最优参数的选取。最后,通过仿真信号与滚动轴承实际故障数据分析,并与经验模式分解(EMD)进行对比,结果表明该方法能够有效的提取到故障特征频率。