最大熵和高斯模型在锂电池缺陷识别中的应用

锂电池极片缺陷在线识别系统中采用最大熵阈值法实现图像的阈值分割,采用缺陷面积排序的方法取出最大缺陷目标,提取二值化图像中缺陷的几何形状和投影参数作为特征值,最后采用高斯混合模型算法实现对缺陷目标的识别分类。实验结果表明:该系统能自动实现阈值分割,准确提取缺陷特征,识别准确率达到94%。     

基于多角度混合高斯模型的纸币图像识别算法

针对金融领域的应用需求,提出了一种基于双面网格特征和多角度混合高斯模型的纸币图像识别算法。该算法使用双面网格作为特征提取方法,并根据类内、类间距离求取网格划分数量,证明双面网格特征相较单面网格特征的优势。然后针对不同倾斜角训练多角度混合高斯模型作为分类器,省去对整幅图像进行旋转的预处理过程,简化识别流程。改进的高斯密度判决函数进一步降低了时间消耗。实验结果表明,该算法的识别率可以达到100%,识别速度4ms/张,准确性和实时性都得到了很好的保证。     

基于重复模式提取与高斯混合模型的变压器故障声纹识别

变电站存在大量干扰声音,高噪声环境会降低声纹识别的准确率。为此,提出一种基于重复模式提取(repeating pattern extraction technique, REPET)和高斯混合模型(Gaussian mixture model, GMM)的变压器故障声纹识别方法。首先,在真实的变压器油箱中模拟不同类型放电和机械故障声音。其次,针对变电站内非平稳性干扰声音,采用基于REPET的盲源分离算法将非稳定干扰声音从混合声音中分离。最后,针对主要由变压器冷却风扇声造成的持续性干扰声音,采用梅尔频率倒谱系数和基于GMM的声纹识别算法来降低风扇噪声对声纹识别系统的影响,并通过实验数据对该方法进行验证,实验室条件下对含噪声音的识别率可达100%。另外,GMM训练所需声音数据量少,针对实际变压器故障声音难以获取的情况,具有一定实用价值。     

基于高斯混合模型的运动目标检测方法研究

在研究比较常用的各种运动目标检测方法的基础之上,结合静止场景运动目标检测的特点,采用基于背景减除法的高斯混合模型方法进行运动目标检测,即采用高斯混合模型进行背景建模、背景减除法确定目标前景区域,并通过图像平滑、二值化处理、去噪等方法对图像进行后处理,最终得到目标前景图像.该方法具有运算量小、处理速度较快的特点.实验结果表明,所设计的嵌入式运动目标检测系统能够检测出较完整的前景区域并判断出目标前景,能够满足静止场景下运动目标检测的需求.     

介质阻挡放电灰度直方图的高斯混合概率模型研究

工业生产中对介质阻挡放电(dielectric barrierdischarge,DBD)均匀性的要求与实验室存在明显不同,较大时间尺度上实现的均匀放电在实际应用中也具有重要价值。基于高斯混合模型,提出一种能够较为准确地识别丝状和均匀DBD的灰度概率模型,通过采用信赖域算法对模型参数进行估计,并通过模型检验及应用实例对模型的有效性和实用性进行验证。研究结果表明:丝状放电的灰度直方图(gray level histogram,GLH)服从双高斯概率分布,而均匀放电的GLH则服从单高斯分布。随着曝光时间的逐渐增大,由双高斯概率模型计算得到的丝状放电中放电区域和背景区域的灰度平均值和标准差均逐渐增大,由单高斯概率模型计算得到的均匀放电的灰度平均值也逐渐增大,但标准差基本保持不变。空气气隙间距的减小使GLH由均值逐渐变大的双高斯分布转化为均值逐渐变小的单高斯分布,表明放电产生由丝状放电向均匀放电的转化,丝状放电强度逐渐增大,而均匀放电强度逐渐减小。以上结果表明,所建模型可以有效地对丝状和均匀放电进行定量识别。     

基于人脸先验知识和混合高斯模型的手势检测

手势检测是时下人机交互的热点。针对现在手势检测系统中的设备较为昂贵复杂,本文设计了一个采用普通摄像头采集图像,利用人脸先验知识来进行肤色建模和肤色分割,提取出图像里的肤色区域,然后利用基于混合高斯模型的方法去除背景检测手势的方法。该方法检测成功率高,适用于手势检测系统。     

电网可靠性评估中随机变量的高斯混合模型

电网可靠性评估通过对不确定性因素对电网运行性能影响的概率量化诊断,可深度揭示电网的风险水平并实现风险的溯源辨识,因此,不确定性因素的概率建模准确性成为可靠性评估的基础和应用前提。为实现计算精度和计算效率的综合兼顾,提出了多维随机变量的高斯混合模型,可以对任意分布的连续型随机变量进行灵活高效建模,且易于计及多维随机变量间的相关性变化规律。提出两阶段复合抽样方法对所建高斯混合模型进行抽样模拟,能够有效生成随机样本进行可靠性评估。最后,以负荷概率建模为例,对IEEE-RTS79测试系统进行可靠性评估,从模型精度和可靠性评估有效性两个方面验证了所述方法的正确性和可行性。     

基于改进高斯混合模型的概率潮流解析方法

大规模风电并网使电力系统的随机性问题日益突出,概率潮流分析是一种能够计及电力系统随机性的稳态运行分析重要工具。针对风电的随机性和多个风电场出力之间的相关性问题,提出利用遗传算法改进的高斯混合模型求解多个风电场出力的联合概率密度函数,利用联合概率密度函数对多个风电场出力的随机性和相关性进行刻画。在此基础之上,利用线性潮流方程计算多条线路和多个节点电压的联合概率分布,最终求解概率潮流的计算结果。仿真结果表明,所提方法计算精度高,速度快,利用联合概率密度函数和联合分布函数能够比边缘分布更精确地评估电力系统多条线路同时过载的风险。     

基于多模态轻量化混合模型的情绪识别

实现更加准确的情绪识别是当前面临的一项富含挑战性且十分有意义的任务。由于情绪的复杂多样性,单一模态的脑电信号难以对情绪进行全面客观的度量。因此本文提出一种多模态轻量化混合模型PCA-MWReliefF-GAPSO-SVM,该混合模型由PCA-MWReliefF特征通道选择器和GAPSO-SVM分类器构成。选用脑电信号(EEG)、肌电信号(EMG)、体温信号(TEM)三模态信号进行情绪识别。在DEAP公共数据集上进行多次实验验证,在效价维度、唤醒维度和四分类中分别取得了97.500 0%、95.833 3%、95.833 3%的分类准确率。实验结果表明,提出的混合模型有助于提高情绪识别准确率且明显优于单模态情绪识别。与近期的类似工作相比,本文提出的混合模型具有较高准确率、计算量小且通道数少的优点,更易于实际应用。     

Markov随机游走和高斯混合模型相结合的运动目标检测算法

针对高斯混合算法对每一像素与它前后帧的像素相关联,并未考虑与相邻像素之间的关联,无法准确地捕捉到运动物体轮廓的情况,提出一种基于混合高斯模型和Markov随机游走的运动目标检测算法。利用混合高斯模型计算像素之间的颜色信息,采用Markov随机游走提取图像的边缘信息,并与提取的运动初始目标进行与计算,同时利用高斯混合模型更新背景信息。结果表明,本方法比传统的混合高斯方法具有较高的分割精度,很好的解决了混合高斯算法边缘模糊的问题,探测率也大大的提高了。     

基于高斯混合模型的智能电表误差数据挖掘与分析方法

为了合理科学的选择误差最小的智能电表供给用电客户,设计了基于高斯混合模型的智能电表误差数据挖掘与分析方法。首先,分析了高斯混合模型与EM算法的基本思路,其次对智能电表误差数据求三次标准差作为建模数据,建立了以高斯混合算法为基础的智能电表误差数据模型,最后与传统的Kmeans聚类算法模型进行对比测试。实验结果表明,相对于其他聚类算法,所设计的方法轮廓系数值更大,性能更优。能够用于在大量的数据中寻找误差最小的智能电表,并能够给智能电表厂家反馈产品意见,同时还具有产品市场划分等功能。     

基于边缘检测和混合高斯模型的运动目标检测算法

提出一种运动目标检测算法。该算法在时间域上通过混合高斯模型进行背景建模及更新,同时利用基于HSV颜色空间的阴影模型实现阴影检测,提取运动目标的初步形状。然后在空间域上利用Canny边缘检测算子获得运动目标的边缘轮廓,并进一步运算,提取出最终的运动目标。将所提出的算法应用到了越界侦测（报警）中,试验和应用结果表明,该算法能够更有效地检测出运动目标。     

基于振动信号频谱高斯混合模型的瓷支柱绝缘子故障诊断

本文提出一种基于振动信号频谱高斯混合模型(GMM)的变电站瓷支柱绝缘子振动信号特征提取方法,并利用粒子群算法(PSO)优化后的极限学习机(ELM)实现故障状态识别与分类.首先,根据瓷支柱绝缘子振动信号的频谱得到信号的频域分布.然后,利用高斯概率密度函数和期望最大值算法(EM)将频谱划分为三种模态,每个模态可以得到标准差σ、权重系数α 和均值μ 三个特征参数用于表征各频率的模态带宽、模态分量占比和模态中心频率.最后,将各模态的特征参数作为特征值输入分类模型实现状态识别与分类.     

基于混合高斯过程的多模型热力参数测量软仪表

为了解决工业过程中参数失效和优化运行中参数计算的问题，提出了一种新型软仪表，它是基于混合高斯模型，利用EM算法实现对混合模型中的参数估计。混合模型的使用既有利于降低单一高斯模型的计算负担，又能有效反映工业过程中的工况变化，判断出与特定工况相关程度最大的过程知识，利用它们建立与特定工况对应的局部模型，并将它们合并组成具有多模型结构的全局模型。作为示例，建立了测量火电厂烟气含氧量的软仪表。仿真结果表明，文中提出的方法能有效地实现工业过程参数的软测量，具有较大的实用价值。     

基于高斯混合模型聚类的风电场短期功率预测方法

对任意来流条件下的风电场发电功率进行准确预测,是提高电网对风电接纳能力的有效措施.针对大型风电场的功率预测采用单点位风速外推预测代表性差的局限,提出基于高斯混合模型(GMM)聚类的风电场短期功率预测方法.方法结合数据分布特征,利用GMM聚类将大型风电场划分为若干机组群,借助贝叶斯信息准则指标评价,获得风电场内最优机组分...     

基于高斯混合模型的平流层浮空器RCS分布拟合

雷达散射截面(RCS)是表征目标电磁散射特性的重要物理参数。本文针对典型起伏模型对平流层浮空器动态RCS分布特性描述精度较低的问题,采用高斯混合模型对浮空器动态RCS测量数据的起伏分布进行拟合并完成检验。首先,对浮空器体坐标系中的雷达视线角进行了解算;其次,采用多个高斯分布模型的混合叠加逼近浮空器RCS的概率密度分布,并引入期望最大化算法对各高斯分布分量的参数进行估计;最后,选取具有代表性的方位角度域内的浮空器RCS实测数据,分析了高斯混合模型对RCS概率分布的拟合效果并与典型起伏模型对比及检验拟合优度。数据分析结果表明,在最小二乘准则下高斯混合模型相比于典型起伏模型对RCS概率分布的拟合效果最高可提升96.87%,验证了高斯混合模型的有效性。     

基于高斯混合分布模型的风电功率预测误差统计分析研究

针对风电功率预测误差的统计分析,研究了一种基于高斯混合模型的风电功率预测误差分布,采用期望最大化算法,从统计学角度分析了风电功率负荷预测误差数据,并且在理论上证明了该方法的合理性。该方法的优点在于,无论其统计分布是怎样的,所有风电功率预测误差的概率密度函数都可以使用高斯混合模型近似表示,然后进行适当的子模型削减。通过对高斯混合模型与其他各种统计分布模型的性能进行比较,证明了高斯混合模型在风电功率预测误差统计分析应用中的有效性。     

基于高斯混合模型的风电场群功率波动概率密度分布函数研究

如何描述风电功率波动的概率密度分布特性一直是风电联网运行分析领域的难点。在利用概率密度函数法分析风电功率波动特性的基础上,首先验证了采用多种单一分布函数模型拟合风电波动概率密度分布特性的效果较差,并根据列维定理揭示了风电场群出力波动概率密度分布特性呈现多种分布的规律;在此基础上提出采用高斯混合模型替代单一分布函数模型来拟合风电波动概率密度分布特性的方法。仿真结果表明,高斯混合模型具有良好的拟合效果,适用于描述大型风电场群出力波动的概率密度分布特性。