加权自适应MULBP与2DPCA结合的掌纹识别方法

针对局部二值模式(local binary pattern, LBP)容易受到随机噪声和边缘点对图像的影响,以及局部二值模式描述图像纹理特征时阈值不能自动选取导致鲁棒性差的问题,提出一种基于加权自适应多重均匀局部二值模式(weighted adaptive multiple uniform local binary pattern, WA-MULBP)与二维主成分分析(two dimensional principal component analysis, 2DPCA)相结合的掌纹识别方法。首先采用直方图均衡化(histogram equalization, HE)对掌纹感兴趣区域(region of interest, ROI)图像进行光照预处理,减少成像时的光照变化对最后掌纹识别成功率产生的影响;然后将预处理后的图像分成大小均匀的子块并利用自适应多重均匀局部二值模式(adaptive multiple uniform local binary pattern, A-MULBP)算法获取各个子块的纹理特征直方图和权值;最后,将各个子块的纹理特征直方图和权值相乘串联得到最终的纹理特征直方图,经2DPCA维数约简后采用欧氏距离判别法进行掌纹识别。在香港理工大学PolyU图库、同济和IIT-D非接触式图库、自建非接触图库以及它们的噪声图库上进行对比实验,可获得最低等误率分别为1.879 0%、2.019 2%、2.184 9%、2.663 2%、4.380 3%、4.730 1%、5.005 0%和5.223 7%,且识别时间都在1 s以内。相比其他算法,在保证实时性的情况下,有效提高了识别精度和鲁棒性。     

基于分块LBP和分块PCA的指静脉识别方法

针对单独提取传统的局部二元模式(local binary pattern,LBP)指静脉特征识别率不高的问题,提出一种结合分块LBP和分块主成分分析(principal component analysis,PCA)的特征提取方法。首先对手指静脉感兴趣区域(region of interested,ROI)进行分块,提取分块LBP特征;然后,采用分块PCA对所提取特征进行降维除冗,得到一组新的降维后特征;最后计算欧氏距离并采用最近邻分类器进行分类。实验结果表明,论文提出方法识别率可达99.33%,等误率(equal error rate,EER)低至0.21%。与传统的3种算法进行比较,该方法的识别率有很大提高,且具有较好的稳定性和鲁棒性。     

基于直方图加权HCBP的人脸表情识别

针对局部二值模式(Local binary pattern,LBP)及其改进算法所提取的特征维数过长、局部特征描述不够充分的缺点,提出了一种基于直方图加权HCBP(Haar-like centralized binary pattern,HCBP)的人脸表情识别方法。首先将人脸图像分成大小均匀的若干子块,利用HCBP算子提取各子块的纹理特征;然后通过信息熵的计算求得各子图像的权值,将加权子块HCBP特征直方图和原图像的HCBP直方图进行联合作为表情特征;最后,使用最近邻分类器对特征进行分类。Haar型特征与CBP相结合使得本文特征提取算法对局部特征的描述更为充分,信息熵的引入区分了人脸不同部位对表情的贡献程度。通过在JAFFE和Cohn-Kanade人脸表情库的实验证明:本文方法具有更高的识别率和识别效率。     

融合DCLBP和HOAG特征的人脸表情识别方法

为了进一步提高人脸表情识别算法的准确性,提出一种融合双编码局部二值模式(DCLBP)算子和绝对梯度直方图(HOAG)算子的人脸表情识别方法,该方法首先利用DCLBP算子提取人脸图像的局部纹理特征,利用HOAG算子提取人脸图像的局部形状特征;然后,采用典型相关分析法(CCA)融合所提取的两种特征;最后,利用支持向量机(SVM)进行人脸表情分类。实验结果表明,与单一特征识别方法和级联特征识别方法相比,本文方法获得了更好的识别效果,在CK (Cohn-Kanade)和JAFFE数据集上的实验分别达到了100%和99.05%的识别率,与其他相关方法的比较也验证了其有效性。     

基于PCA降维的分层超限学习机手势识别方法

针对原始超限学习机在手势识别应用中欠缺良好的泛化性能和鲁棒性等问题,运用主成分分析(PCA)算法降低手势数据维数简化数据结构,并引入以超限学习机为基础,根据多层感知器理论拓展的分层超限学习机作为分类器应用于手势识别.PCA算法提取手势图像的主要特征,通过分层超限学习机的稀疏自动编码和分层训练,获得原始输入的多层稀疏表达,使自动编码后的输出近似原始输入,最大限度地减少重构误差,提高特征分类的精度.实验表明,与原始的超限学习机相比,具有更好的泛化性能,更快的识别速率以及更高的识别精度,提高了整体的学习性能.     

变压器内单一局放PRPD谱图统计参量的主成分分析

设计了4类由变压器油纸绝缘缺陷引起的"单一局放模式"模型:气隙放电模型、针板放电模型、介质表面金属杂质放电模型、油隙放电模型。通过标准化试验方法得到了不同模型局部放电相位分布模式(phase resolved partial discharge,PRPD模式)的二维谱图,并对谱图进行分析得到25个局部放电统计参量。采用主成分分析对统计参量的有效性进行了分析,得到了25个统计参量对不同类型放电信息表达的新特征参量组,以及对不同放电类型识别的贡献率。     

基于信息熵与主成分分析的火电机组综合评价方法

为解决火电厂运行优化、状态监测和故障诊断中机组运行状态的综合评价问题,在分析评价指标特点的基础上,将信息熵理论与主成分分析方法相结合应用于火电机组综合评价,得到了机组状态评价的二级指标和一级综合评价指标。以2008年全国600 MW火电机组竞赛中的5台机组为研究对象,建立基于信息熵与主成分分析的机组状态综合评价模型。该方法得到的机组排名与实际竞赛机组排名完全一致,表明该方法可信度和有效性较高,对不同机组进行状态对比和不同电厂之间开展竞赛具有较好的指导意义。     

基于自适应分类加权最小二乘法的DCT域分形图像压缩

在对基本的DCT域分形图像压缩方法进行分析基础上,提出了一种改进方案,即基于自适应分类加权最小二乘法的DCT域分形图像压缩方法,并使用基本方法和改进方法对标准灰度图像分别进行了测试.测试结果表明,本文提出的方法可以在PSNR下降很小的情况下大大提高编码速度.     

基于密度分簇的长周期监测数据异常识别方法

针对水工结构长周期监测数据野值识别中存在分布假设难以满足、野值点数量受限和野值难以有效量化的问题,提出了以改进局部异常系数算法为基础的密度分簇局部异常识别方法.该方法将长周期监测数据集分为极端簇、野值簇和正常簇,在每个簇中以不同方式赋予异常可能性,得到了综合考虑自变量和效应量的异常可能性时序图,实现了水工结构长周期监测...     

图像化数据驱动的电力系统暂态稳定性在线评估方法

目前电力系统暂态稳定性评估（TSA）大多采用标准算例生成的数据集,然而实际电网的母线、发电机、线路等电力元件的数量巨大,难以实现评估模型的实时监视和在线更新;而现有降维方法常常遗漏重要信息,导致预测精度下降。提出一种图像化数据驱动的电力系统暂态稳定性在线评估方法,将输入时间序列重新排列成二维图像,利用二维主成分分析法（2D-PCA）对原始图像进行特征降维,并建立卷积神经网络（CNN）模型进行系统稳定性预测。在IEEE-39算例中进行验证,结果表明本文所提基于2D-PCA和CNN的TSA模型在保证预测精度的同时能够大幅提高训练效率,有望推进深度学习在电力系统暂态稳定性在线评估的应用。     

边缘AI的霜雪识别系统设计与实现

为提高霜雪识别系统的识别率,开展了基于边缘AI的霜雪识别系统设计。综合海思嵌入式处理器Hi3559A高算力、低功耗特点,硬件部分采用模块复用的方法降低功耗和资源消耗,软件部分,从模型训练、模型量化、模型部署入手对MobileNetV2图像分类网络和ISP自适应处理算法进行改进,最终识别率99.7%,预处理时间0.3 s,图像分类时间0.8 s,模组平均功率2 W,鲁棒性好、性能稳定。由此可见Hi3559A智能相机模组可有效纠正雪深探测仪的疑误数据。     

结合残差网络与多级分块结构的步态识别方法

针对步态识别中由于衣着与背包的遮挡造成不能提取有鉴别性的步态特征,从而导致识别准确率不高的问题,提出一 种结合残差网络和多级分块结构的步态识别方法。 首先在水平方向上对步态能量图进行不同尺度的多级分块,以提取不同区 域的细粒度特征,减少局部遮挡对于其他区域的影响,同时为了更好地学习在步态中运动频率最高区域的特征,在腿部加入 Inception 模块;其次为了提升网络模型的识别精度,结合交叉熵损失、三元组损失、L2 正则化对残差网络的权值进行约束。 最 后在公开的步态数据集 CASIA-B 和 OU-ISIR Treadmill B 上进行实验,在携带背包或不同衣着条件下的识别率分别达到了 87. 5%、82. 6%,表明该模型对于衣着与携带背包的条件具有鲁棒性。     

基于故障类型识别的输电线路自适应测距方法

输电线路的故障类型会影响测距的结果。为更准确地定位线路的故障位置,需先识别故障的类型,再匹配相应算法以提高测距结果的精度。首先,利用空间域的关联维数描述故障后电气量变化的复杂程度,利用时域的差值方根描述故障后电气量的畸变程度。然后,根据两种特征包含信息量的多少,采用熵权法对两种指标进行特征融合。最后,以融合特征量为依据实现故障类型的识别,在此基础上为不同类型的故障匹配相应的测距算法,以最大程度减少故障阻抗对测距结果的影响。仿真表明,提出的自适应故障测距方法不受故障类型的影响,测距结果精度高,具有普遍适用性。     

融合知识库和深度学习的电网监控告警事件智能识别

电网监控告警信息是监控人员进行监控事件识别的重要数据基础。针对当前人为处理海量监控告警信息效率低的现状和电网智能技术深化应用的需求,提出一种融合知识库和深度学习的电网监控告警事件自主识别方法。基于自然语言处理技术中的Word2vec模型对监控告警信息进行向量化建模,基于卷积神经网络建立监控告警事件识别模型,通过算例对比验证所建模型的有效性和实用性。提出融合知识库与所建模型的应用方法,实现电网监控告警事件的智能感知和可靠识别。     

基于2D CNN和Transformer的人体动作识别

人体动作识别是计算机视觉领域的研究热点之一,在人机交互、视频监控等方面具有深远的理论研究意义。为了解决2D CNN无法有效获取时间关系等问题,利用Transformer在建模长期依赖关系上的优势,引入Transformer架构并将其与2D CNN相结合用于人体动作识别,以更好地捕获上下文时间信息。首先使用融合通道-空间注意力模块的2D CNN提取强化的帧内空间特征,其次利用Transformer捕捉帧间的时间特征,最后应用MLP Head进行动作分类。实验结果表明在HMDB-51数据集和UCF-101数据集上分别达到了69.4%和95.5%的识别准确度。     

基于混沌理论和模型识别神经网络样本预处理技术的负荷组合预测模型研究

针对神经网络在输入变量选择问题上存在的缺陷,提出不考虑影响负荷的所有因素,仅用混沌理论处理后的负荷样本作为神经网络的输入.但是这种不考虑影响因素的方法不能明显提高预测精度,因此引入一种只考虑影响因素的样本处理方法,并将这两种方法的预测结果进行组合预测.仿真结果表明将这两种方法组合是可行的和有效的.     

融合PCA与自适应K-Means聚类的水电机组故障检测在线方法

灯泡贯流式水电机组在运行过程中,由于受水力因素、机械、工况等因素影响,很容易导致转轮叶片与转轮室发生故障,严重影响水电机组安全运行。在分析灯泡贯流式水电机组转轮叶片与转轮室故障信号特征的基础上,提出了一种基于K均值(K-Means)和莱特准则(Wright′s criterion)的水电机组故障在线检测方法。该方法利用主元分析(PCA)对水电机组振动和噪声信号特征降维后,融合莱特准则改进传统K均值算法,以实现K值的自适应选择,对特征进行在线聚类,能快速准确识别水轮机变负荷状态与金属扫膛故障。将本文方法应用到五凌电力近尾洲水电站灯泡贯流式机组故障检测中,实验结果表明,采用该方法的故障在线检测准确率为100%、变负荷在线检测准确率为96.7%,运行近10个月没有出现故障误报和漏报,表明了该方法的有效性。     

采用 sEMG 的手势识别用 APSO/ CS-SVM 方法

针对基于参数寻优的支持向量机(SVM)方法存在早熟收敛、全局寻优能力差、局部寻优精度低等问题,提出一种自适应粒子群/布谷鸟(APSO/CS)参数寻优方法,旨在实现SVM模型中核函数参数、惩罚因子的优化。测试函数分别对APSO/CS、APSO、CS的参数寻优性能进行了对比分析,表明APSO/CS寻优能够加快局部和全局寻优的收敛速度。采用表面肌电信号(sEMG)对APSO/CS、APSO、CS寻优的SVM方法进行了手势识别对比测试,实验测试结果表明,采用APSO/CS寻优的SVM方法进行手势识别时正确率最高,最高正确率可达94.50%,该方法可为识别分类算法提供一种新思路。     

基于尺度-能量熵特征对的特高频局部放电辨识方法

对气体绝缘组合电器(GIS)进行局部放电(PD)检测,可以发现GIS内部早期绝缘缺陷和隐患,并预防绝缘事故发生。文中采用复小波分解(CWT)对GIS内部特高频(UHF)PD信号进行多尺度分解,分析了CWT能量熵(CWT-EE)随CWT尺度的变化规律,发现UHF PD信号信息主要分布在能量熵变化梯度较大的尺度下。为此,文中提取CWT-EE及其对应尺度,构建尺度-能量熵(SP-EE)特征对,既保留了PD信号能量特征信息,又保留了UHF PD信号小波尺度信息。最后,采用支持向量机(SVM)进行UHF PD类型辨识,结果表明:SP-EE特征对不但可以有效识别GIS内部4种典型绝缘缺陷,而且能够有效降低UHF PD信号分解层数和PD特征维数。