基于图像处理的输电线路冰区发展趋势估计方法

输电线路的冰灾区域发展趋势的有效预测能提高线路的状态监测和故障排查能力,提出基于图像处理的输电线路冰区发展趋势估计方法。采用遥感图像采集技术进行输电线路遥感信息采集,对采集的输电线路遥感图像进行图像降噪处理,并对降噪输出的输电线遥感监测图像进行冰区域分块处理,结合图像分割方法进行冰区域预测和块估计,实现输电线路冰区发展趋势估计。实验结果表明,采用该方法进行输电线路冰区发展趋势估计判断准确性较高,监测的实时性较好。     

输电线路山火识别方法研究

若爆发大面积山火影响到输电线路时,将对电网的安全稳定运行提出严峻的挑战.因此有效识别山火目标是防止输电线路走廊继续遭到火灾破坏的重要举措.本文根据MATLAB图像处理技术对监测到的图像数据进行有效的处理.根据山火烟雾面积增长判别图像所在区域是否发生火灾,从而进行预警,及时通知运行人员,便于制定最佳的山火抢险方案,避免森林野火继续蔓延.     

基于图像处理技术的输电线路的故障诊断

文章将从图像处理技术概念入手,分析其对输电线路故障检测的重要意义,最后结合当前输电线路特点,深入探讨技术在故障检测工作中的应用,以期为我国电力事业持续发展提供更多参考和支持.     

基于超像素和模糊聚类的医学超声图像分割算法

图像分割在医学超声图像的定量、定性分析中均扮演着十分重要的作用,并直接影响到后续的分析、处理工作.针对医学超声图像对比度低和噪声强的特点,提出了一种将超像素和模糊聚类技术相结合的图像分割方法.该方法利用简单线性迭代聚类算法产生多个超像素子区域,通过比较各个子区域间特征向量的相似性,利用模糊C均值(FCM)聚类技术对这些过分割区域进行合并,实现超声图像目标区域的有效分割.和传统的基于单像素的FCM聚类算法相比,该方法具有较强的鲁棒性,有效提高了目标区域的分割精度和分割效率,取得了较好的分割效果.     

基于惯性传感器协同１Ｄ ＣＮＮ的输电线路覆冰情况识别方法

输电线路覆冰是最常见破坏电网系统安全稳定运行的自然灾害。针对输电线路覆冰情况具有非线性增长、影响因素复杂等特点,提出了基于惯性传感器协同1D CNN的输电线路覆冰情况识别方法。该方法基于一维卷积神经网络,网络可自动从原始数据中进行特征提取和分类。采用集中质量法进行了输电线路覆冰的模拟实验,搭建了基于惯性传感器的输电线路模拟覆冰的三轴加速度的数据采集平台,构建了由三种线路覆冰情况：未覆冰、轻度覆冰以及重度覆冰的21824个样本组成的数据集,实验结果表明,基于惯性传感器协同1D CNN的线路覆冰情况识别的方法,性能优秀,平均准确率可达到91%。     

基于改进聚类算法的图像特征提取

图像的识别与分类技术作为人工智能方向的研究热点之一,具有很重要的研究意义。图像的特征提取作为其中的关键,从本质上决定着图像识别正确率的高低。随着大数据时代的到来,以深度学习模型为代表的特征学习方法展现了其在图像特征提取任务上的强大能力。通过逐层训练的方式,深度学习模型能够以高度自主化的方式提取出图像的深层特征,并取得了现有究阶段的最好成果。尽管深度学习模型的学习能力极其强大,但其模型结构的复杂以及训练之中的开销也为其训练带来了阻碍。因此文章以聚类算法为基础,通过构建层次的图像特征提取模型以提高图像分类的准确率。     

基于改进型像素标记算法的目标定位

提出新的像素标记算法,与以前的像素标记算法不同,该算法首先对目标点进行分类,然后根据不同的标记规则对不同的目标点进行标记。该算法不仅在算法复杂度上有所减少,只需一次扫描就能完成目标的描述,而且能够得到目标的面积、重心和边界坐标等信息。该算法已经应用于带钢表面缺陷检测,具有快速、准确等特点。     

一种基于面像素模型的图像缩放算法

提出了一种基于面像素模型的图像缩放算法.这种方法考虑了CCD采集像素的实际情况,将每个像素看成是一个长方形,而不像常用算法中把每个像素看成一个采样点,利用现有的像素值重构出原始CCD感光元件上的光强分布,然后通过积分求取单位面积上的光强得到新的像素值.实验结果表明,该方法比常用的图像缩放算法更好地保持了图像高频分量,具有更高的锐度和对比度.同时,所需资源较少、运算速度快,利于VLSI硬件实现和实时处理.     

基于改进遗传算法的无线网络覆盖算法

考虑到传统的遗传算法在对无线传感网络覆盖进行优化时,存在起始阶段计算速度快,后期局部寻找最优解能力弱,不能充分使用系统反馈路径信息,使得算法会因冗余迭代而导致陷入局部最优解,影响优化效率和覆盖率等问题,将蚁群算法融合到遗传算法中,对遗传算法进行改进。通过不同覆盖范围和节点的三个实例进行优化效果分析,可知在小面积的覆盖范围内,以及节点个数较少时,该文研究的改进方法与传统优化方法的覆盖率和完成时间差别不大,但是随着覆盖范围的增大,节点个数的增加,该文研究的改进方法完成时间明显缩短,覆盖率明显增大,相比传统优化方法具有更大的优势。     

一种改进的基于局部密度的聚类算法

聚类分析一直是机器学习和数据挖掘领域一个比较活跃而且极具挑战性的研究方向.Alex提出的基于局部密度的聚类算法是一种快速、有效的聚类方法,但该方法通过手工选取确定聚类个数和聚类中心.为此,对原算法进行改进,在初步选取候选聚类中心的基础上,使用基于密度连通的算法优化选取聚类中心,然后使用大密度最近邻方法确定样本类别.实验证明,该方法能有效解决聚类个数和聚类中心无法确定的问题,同时在聚类评价指标上显示出较好的聚类效果和性能.     

基于改进LEACH的多簇头分簇路由算法

为了降低无线传感器网络(WSN)的能耗,延长网络的生存周期,提出一种多簇头双工作模式的分簇路由算法.算法对低功耗自适应集簇分层(LEACH)协议作了以下改进:采用多簇头双工作模式来分担单簇头的负荷,以解决单簇头因能耗较大而过早消亡的问题;选举簇头时充分考虑节点位置和节点剩余能量,并应用粒子群优化(PSO)算法优化簇头的选举,以均衡网络内各节点的能耗;建立簇与簇之间的数据传输路由,以减少簇间通信的能耗.仿真结果表明,算法有效降低了网络的能耗,延长了网络的生存周期.     

基于改进QPSO的模糊C-均值聚类算法

针对模糊C-均值聚类算法容易陷入局部极值等缺陷,提出了基于改进QPSO的模糊C-均值聚类,算法利用QPSO的优点,并对量子门更新策略进行了改进。实验结果显示该算法提高了模糊聚类算法的聚类效果以及搜索能力,在全局寻优能力、跳出局部最优能力、收敛速度等方面具有优势。     

基于像素分析的轨迹异常车辆的识别法

交通异常情况检测一直是交通管理中的重要任务,其在智能交通系统中显得尤为重要。传统的检测方法首先对目标物体(行人和车辆)进行区分,然后再对提取的车辆进行轨迹异常判断。在车流量日益加剧的今天,此种方法增加了计算机的运算复杂度。针对上述算法计算量过于复杂的问题,本文提出了基于像素点的背景方法,首先结合隐含马尔可夫模型(Hidden Markov Model)和共发模型(Co-occurences model),对视频中的异常像素点进行判断,然后通过仿三维模型车辆进行识别的方法,对由异常像素点组成的车辆进行最终的识别。实验结果表明该算法具有较强的有效性和在智能交通系统中有较好的应用。     

基于改进模糊均值聚类算法的医学图像分割

为了提高医学图像分割性能,针对传统模糊聚类算法存在的缺陷,提出了一种改进模糊均值聚类算法的医学图像分割方法。首先采用粒子群算法选择模糊均值聚类算法的聚类中心,然后利用空间邻域信息设定聚类样本空间,最后采用具体的医学图像数据进行仿真实验,测试其有效性。仿真结果表明,相对于传统模糊聚类算法,本文算法不仅提高了医学图像分割精度,而且提高了医学图像分割效率。     

基于DES的无刷交流电机控制系统FPGA设计与实现

本文介绍了一种基于离散事件系统（DES）的无刷交流（BLAC）电机的电流控制系统,提出系统的控制器带有图形用户界面(GUI),能够直接显示出有限状态机（FSM）的状态。通过应用FPGA对原有DES控制系统进行改进,将这五个选定的矢量视为的DES离散状态,合理设置FSM选择矢量规则,实现了限定所有可能的方向。在Xilinx Spartan 3E FPGA平台进行的硬件测试结果显示,本文提出的方法减少了60%以上的开关变化数量和开关损耗,证明了提出的DES改进方法对负载变化具有健壮性。