基于特征融合技术的发动机故障诊断

为了提高发动机的故障识别率,设计了一种将B&B算法与广义辨别分析（GDA）相结合的多类特征融合方法。从发动机转子的振动信号中提取出频谱特征集和纹理特征集,用B&B算法删去2类特征集中信息量少的特征,并用GDA和支持向量机（SVM）分类器进行特征融合和分类识别。发动机的转子故障试验结果表明,该方法获得的融合特征包含有更多的类别信息,用于转子故障获得的识别率为98.21%,且不受分类器核参数的影响;而频谱特征、纹理特征输入SVM分类器后获得的故障识别率仅为92.86%和89.29%。该研究为发动机的故障诊断提     

改进烟花算法和概率神经网络智能诊断齿轮箱故障

针对复杂环境下农机设备的齿轮箱系统在故障诊断时存在易受现场噪声干扰和故障识别率低等问题,提出了一种基于改进的烟花算法和概率神经网络的齿轮箱智能故障诊断方法。为提高现有概率神经网络模式分类方法的性能,定义了一项样本相似度衡量指标以提高建模过程中训练样本的质量。将烟花算法与概率神经网络技术有机融合提出了一种改进的烟花算法-概率神经网络模式分类方法,利用烟花算法优化概率神经网络的平滑参数以确定网络参数的最优值,提高模式分类与识别精度。将改进的烟花算法-概率神经网络模式分类方法用于噪声环境下齿轮箱的故障诊断建模,构建故障特征参量与齿轮箱工作状况间的复杂非线性映射关系。应用结果表明,与基于BP神经网络、GABP(genetic algorithm back propagation)神经网络和概率神经网络的故障诊断模型相比,在不同程度噪声影响下烟花算法-概率神经网络模型均具有最高故障识别率。当噪声控制系数为0.01、0.02、0.04和0.06时,模型的故障识别率分别为100%、95.83%、93.33%和88.33%。该研究可为非线性复杂系统的故障诊断提供了一种可行的解决方案。     

基于废气成分分析和支持向量机的发动机故障诊断

为了实现发动机故障的快速实时诊断,提出了一种基于废气成分分析和支持向量机的发动机故障诊断方法。该方法首先运用NHA500废气分析仪采集发动机典型故障状态下的HC、CO、CO2、O2、NOX等废气参数值,接着对采集到的数据进行规范化处理,提取特征向量作为学习样本,然后用于设计训练基于支持向量机的多元分类器,进行故障类型识别。试验结果表明,采用纠错编码的支持向量机分类方法比神经网络具有更好的抗干扰性和更强的分类能力,在小样本的情况下故障诊断正确率达98.5%,能有效描述废气成分变化和故障状态之间的复杂关系。     

基于特征迁移学习的变工况下轴向柱塞泵故障诊断

不同工况下的轴向柱塞泵故障数据存在分布差异,现有的基于特征迁移学习的变工况故障诊断方法大多只通过单个传感器信号进行分析,具有一定的局限性和片面性。为了利用多传感器信号提高变工况下轴向柱塞泵故障诊断的性能,该研究提出一种耦合分类器子空间嵌入分布自适应（Subspace Embedded Distribution Adaptation with Coupled Classifiers, SEDACC）方法。该方法利用多传感器信号的频谱数据构造主要数据集和辅助数据集,通过子空间对齐（Subspace Alignment, SA）方法将源域和目标域的主要数据投影到公共子空间中,并采用加权条件最大均值差异（Weighted Conditional Maximum Mean Discrepancy, WCMMD）作为度量进行特征分布的适配。同时,基于结构风险最小化（Structural Risk Minimization, SRM）准则在源域标签数据上学习主分类器,根据主分类器对于目标域的预测结果在目标域辅助数据上学习辅助分类器。通过交替和迭代策略不断优化分类器参数,最后对二者进行加权融合得到最终的诊断模型。通过轴向柱塞泵变工况故障诊断试验进行验证,结果表明,当以垂直于端盖的z方向振动信号为主要数据并使用声音信号（或以平行于端盖的x方向的振动信号）作为辅助数据时,SEDACC方法在6种迁移任务中的平均准确率为99.88%（99.46%）,高于其他方法。此外,所提方法在目标工况样本稀少的情况下仍具有较高的诊断精度,当目标域和源域样本数比值为0.2时,6种迁移任务的平均准确率达到92.66%。研究结果可为更完备与准确的机械故障诊断提供参考。     

基于机器视觉的小麦害虫分割算法研究

农业病虫害的自动识别是精准农业研究方向之一。以小麦蚜虫为例，运用机器视觉技术对非特定场景下害虫的分类和分割算法进行了研究。在分类上，训练了SVM分类器和基于k-均值聚类的分类方法。比较得出，SVM分类器和k-均值聚类算法在处理精度和速度上各有优势；在分割上，运用合并和分裂相结合的区域生长算法分割害虫和叶片，进行自动识别。分析表明，该算法对害虫的分类效果好、分割识别准确率达到90．7％，速度能够满足实时处理的要求，为农业机械精准施药提供了技术上的支持。     

基于偏最小二乘投影的可见/近红外光谱猪肉综合品质分类

针对全波段光谱技术的生鲜猪肉综合品质快速无损分类存在光谱数据量大、样本数量较少时分类准确率较低等缺点。该文提出了一种基于偏最小二乘(partial least squares,PLS)投影分析算法和支持向量机的生鲜猪肉综合品质分类器。利用基于偏最小二乘投影分析算法对全波段光谱数据进行数据降维,选取了13个特征波长。利用粒子群优化算法优化支持向量机惩罚参数和径向基核函数参数,优化后二者最优为4.939和0.01。利用选取的特征波长和优化后的参数建立了生鲜猪肉综合品质支持向量分类器。研究结果表明,分类器对训练集中白肌肉(pale,soft and exudative,PSE)、正常肉(reddish-pink,firm and non-exudative,RFN)和黑干肉(dark,firm and dry,DFD)的回判识别率分别为为88.46%、94.11%和92.31%;测试集中PSE、RFN和DFD预测正确率分别为84.62%、94.11%和84.62%。该分类器满足模型简单、预测准确率高等优点,为生鲜猪肉综合品质在线分级提供参考。     

基于奇异值分解和支持向量机的滚动轴承故障模式识别

提出了基于奇异值分解和支持向量机进行滚动轴承故障诊断的新方法。对故障轴承的状态特征提取和故障特征准确分类是解决该问题的两个关键。奇异值分解可以将高维相关变量压缩为低维独立的主特征矢量，而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征，采用奇异值分解对其提取状态主特征矢量，然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明，奇异值分解后的主特征矢量与支持向量机相结合可以很好的分辨出轴承的正常和故障状态，并且对未知故障有良好的识别能力。与常用的人工神经网络方法相比，该诊断方法具有更好的有效性、鲁棒性和精确性。     

基于改进Mask-RCNN算法的作物害虫分类识别

智能虫情测报灯对农业生产中及时察觉虫害、虫灾问题起重大作用,准确的害虫分类识别是给虫情测报提供可靠数据支撑的关键。该研究对智能虫情测报灯所需核心识别算法进行改进,针对分类目标多尺度、存在多种相似非目标害虫干扰、易产生目标粘连等问题,提出一种基于改进Mask-RCNN(mask region-based convolutional neural network)模型的害虫图像智能识别模型。该模型使用DeAnchor算法改进Mask-RCNN的锚框引导机制,使用NDCC(novelty detection consistent classifiers)训练分类器进行联合分类和检测,改善非目标杂虫的误识别问题。改进后模型对无杂虫、不同虫体密度图像的识别准确率最高达到96.1%,最密集时可达90.6%,比原Mask-RCNN模型识别准确率平均提高4.7个百分点。对于含杂虫图片,在仅有非目标的图片识别中,误检率降至9%,非目标与目标共存且密度为40虫/图的误检率降至15%。试验表明,该文所提模型在现有分类模型的基础上,增强了对密集区域的检测能力,改善了非目标误识别问题,在实际检测环境下的害虫分类识别精度更高,可为虫害防治工作提供数据参考。     

结合LLE流形学习和支持向量机的猪肉颜色分级

猪肉颜色分级是肉品品质无损检测的重要内容。该文通过对猪肉彩色数字图像颜色规律的分析,结合猪肉红(R)、绿(G)、蓝(B)颜色分量及其亮度和饱和度值,构建了一个新的颜色维度。将采集的1070份猪肉图像样本进行专家分级和标记后,给出了猪肉颜色的特征表示,并利用支持向量机(SVM)进行了颜色分级。试验结果表明,随着训练集样本数的增加,分级准确率有所提高。当将所有样本作为训练集时,分级准确率高达96.5%。针对SVM分级后泛化能力不强的问题,采用流形学习LLE维数变换,使其泛化能力由37%提高近1倍。结果表明LLE可有效改善SVM的分级准确率。该方法可为猪肉品质无损检测的研究与应用提供参考。     

基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。     

基于多特征软概率级联的场景级土地利用分类方法

为实现高分辨率遥感影像特征的有效组织优化,以及提高特征的可判别性,该文提出了基于中层特征学习的多特征软概率级联模型实现场景级土地利用分类。首先,提取影像的密集尺度不变转换特征(dense scale invariant feature transform,DSIFT)、光谱特征(spectral feature,SF)以及局部二值模式特征(local binary pattern,LBP)作为低层特征;然后由局部约束线性编码(locality-constraint linear coding,LLC)分别对DSIFT特征、SF特征以及LBP特征进行稀疏编码得到3种低层特征的稀疏系数,并结合空间金字塔匹配(spatial pyramidal matching,SPM)模型、最大空间平滑方法对稀疏系数进行优化,获得影像的中层特征表达;最后,利用SVM分类器,分别对3种低层特征的中层特征表达进行分类,并分别计算3种低层特征分类的软概率,级联3种特征的软概率将其作为图像最终的特征表达,利用SVM分类器进行第2次分类得到最终分类结果。采用UC-Merced Land Use数据集对该方法进行了验证,试验结果表明:1)该方法总体精度达到88.6%,相较于传统稀疏编码空间金字塔匹配(sparse coding and spatial pyramidal matching,Sc SPM),局部约束线性编码(locality-constraint linear coding,LLC)等分类方法,总体精度分别提高了12.7%,9.9%;2)相较于提取单一低层特征的场景分类方法,该文算法更有利于实现对影像中复杂且不易区分的地物的表达,可有效提高土地利用分类精度。     

基于层次多尺度散布熵的滚动轴承智能故障诊断

针对全寿命周期内滚动轴承振动信号的特征提取与智能诊断问题,该研究提出一种基于层次多尺度散布熵的滚动轴承智能故障诊断方法。首先,在散布熵的基础上,结合层次分解和多尺度分析的理论思想,提出一种信号复杂性度量方法——层次多尺度散布熵(Hierarchical Multiscale Dispersion Entropy, HMDE);其次,为了避免HMDE按经验性选取参数的缺陷,借助鸟群优化算法(Bird Swarm Algorithm, BSA)自适应地确定其重要参数,并采用参数优化的HMDE提取原轴承振动信号中的多层次、多尺度故障特征;最后,将构建的多维度故障特征矩阵输入到支持矩阵机(Support Matrix Machine,SMM)中进行模型训练并完成轴承故障模式及程度的自动判别。通过2组轴承加速寿命试验对所提方法进行了有效性验证。通过与精细复合多尺度散布熵(RefinedCompositeMultiscaleDispersionEntropy,RCMDE)、广义复合多尺度排列熵(GeneralizedCompositeMultiscalePermutationEntropy,GCMPE)、广义精细复合多尺度样本熵(GeneralizedRefined Composite Multiscale Sample Entropy, GRCMSE)、层次模糊熵(Hierarchical Fuzzy Entropy, HFE)、层次样本熵(Hierarchical Sample Entropy, HSE)、修改的层次多尺度散布熵(Modified Hierarchical Multiscale Dispersion Entropy, MHMDE)和层次多尺度排列熵(Hierarchical Multiscale Permutation Entropy, HMPE)方法的识别精度对比,对于XJTU-SY轴承加速寿命试验,本文方法的平均识别精度分别提高了3.89、12.34、6.63、9.15、7.09、0.81和2.63个百分点。对于ABLT-1A轴承加速寿命试验,本文方法的平均识别精度分别提高了2.17、3.51、6.17、9.51、11.51、1.17和3.01个百分点。本文方法实现了全寿命周期内滚动轴承不同故障模式及程度的识别,与传统的基于多尺度熵或层次熵的故障诊断方法相比,能够获取更全面、更丰富的轴承故障特征信息,识别精度得到了较大的提升。本文研究可为全寿命周期内滚动轴承故障诊断提供参考。     

基于Zernike矩的马铃薯薯形检测

目前基于机器视觉的马铃薯薯形检测的形状特征单一,相关研究较少,为了进一步探索合适的形状特征参数及检测方法,该文将Zernike矩作为特征参数并利用支持向量机实现了马铃薯薯形的检测分类,准确度较高。首先用截取最佳图像的方法对马铃薯图像进行归一化,使得归一化后的图像具有平移和尺度不变性,然后从归一化的图像中计算具有旋转不变性的Zernike矩参数,通过特征筛选确定分类的19个Zernike特征参数,最后将这些特征输入到支持向量机中,用高斯径向基核函数（RBF）和Sigmoid核函数构建混合核函数,完成马铃薯薯形检测分类,对薯形良好和畸形的检测准确率达93%和100%,能够准确剔除畸形马铃薯并满足实际检测的要求。     

基于深度神经网络的多级高压提水泵故障辨识

多级高压提水泵属于复杂旋转机械，受设备自身结构影响，其故障特征频率易被强噪声淹没，且叶轮、轴承、齿轮等转子部件的故障振动信号相似度极高，导致现有故障辨识方法无法快速准确辨识其故障模式。针对上述问题，该研究提出一种改进的一维卷积长短期记忆神经网络（One-Dimensional Convolution and Long Short-Term Memory Neural Network，1D-CNN-LSTM）自适应故障辨识模型。首先通过贝叶斯优化算法获得给定模型超参数，再输入经互补集合经验模态分解降噪后的振动数据集，通过1D-CNN层自适应提取样本特征并作为LSTM层输入；利用LSTM层学习具有识别性的深层特征并训练模型，最后由输出层Softmax函数完成故障辨识与分类。多级高压提水泵试验台实测数据集对模型进行验证的结果表明：提出的1D-CNN-LSTM智慧故障辨识模型能够快速辨识关键转子部件的故障模式，且准确率可达97%，具有更好的抗噪能力和鲁棒性能，可为智慧应急供水与净水一体化系统的可靠运维技术研发奠定理论基础。     

结合ZY-1 02D光谱与纹理特征的干旱区植被类型遥感分类

高光谱遥感技术已广泛应用于植被类型制图。然而,稀疏植被冠层覆盖和土壤背景影响仍然是干旱区植被类型遥感分类的主要挑战,单独利用遥感数据光谱或纹理特征难以获得可靠的分类精度和稳定性。广义正态分布优化算法（Generalized Normal Distribution Optimization,GNDO）的特征优选结果在质量和稳定性方面相较传统优化算法具有优势,但目前还未应用于高光谱波段选取研究。为探索结合ZY-1 02D光谱与纹理特征进行干旱区植被类型遥感分类的可行性,验证GNDO方法应用于高光谱波段选取的有效性,同时探讨不同数量训练像元条件下,各特征选取方法的选择结果差异和对植被类型分类精度的影响,该研究以青海省都兰县宗加镇为例,在随机选取各分类类别不同数量训练像元（30、50、100、150、200）基础上,分别利用遗传算法（Genetic Algorithm,GA）、粒子群优化算法（Particle Swarm Optimization,PSO）、灰狼优化算法（Grey Wolf Optimization,GWO）以及GNDO算法进行高光谱波段选取并对比结果,同时利用灰度共生矩阵（Gray-Level Co-occurrence Matrix,GLCM）方法提取纹理特征,将提取的光谱特征和纹理特征组合成30组分类数据集,利用随机森林（Random Forest,RF）方法完成植被类型自动分类,对比不同分类数据集的分类精度。结果显示：蓝波段（400～450 nm）、红边波段（700～750 nm）和红波段（600～650 nm）对区分植被类型最敏感;基于光谱特征的分类数据集中,使用200个训练像元和GNDO方法进行特征优选获取的分类数据集（GNDO200）获得了最高的总体分类精度（80.44%）;随着训练像元的增加,各分类数据集总体分类精度整体均呈上升趋势,不同的特征选择方法的分类精度对训练像元数量表现出不同的依赖程度;图像纹理特征的加入,明显提升了植被分类精度,将使用200个训练像元和GWO方法进行波段优选的结果与纹理特征结合的分类数据集（GWO200+TEX）获得了最高的总体分类精度（82.86%）。该研究验证了ZY1-02D国产高光谱卫星数据光谱纹理特征结合进行干旱区植被类型划分的潜力,证实了GNDO方法对高光谱波段选取的有效性,为高光谱植被类型制图中光谱、纹理特征选取提供了一种思路。     

基于高分5号影像的东北典型黑土区土壤分类

高精度的土壤分类及制图结果有助于更好地制定土地环境保护和土地资源利用策略。为探究星载高光谱影像实现区域尺度高精度土壤分类及制图的可能性,该研究获取东北黑土区拜泉县、明水县共计4幅高分5号(GF-5)星载高光谱遥感影像。首先,将原始反射率数据(Original Reflectance,OR)进行包络线去除处理获得去包络线数据(Continuum Removal,CR);其次,对OR和CR进行主成分分析(Principal Component Analysis,PCA)处理,分别得到反射率主成分信息(OR-PCA)和去包络线主成分信息(CR-PCA),并在OR-PCA和CR-PCA的基础上结合地形因子(Terrain,TA)。最后,OR、CR、OR-PCA、CR-PCA、OR-PCA-TA、CR-PCA-TA分别作为输入量结合随机森林分类模型,进行土壤分类并实现数字土壤制图。结果表明:1)包络线去除法可有效地提高星载高光谱土壤分类精度,与OR相比,CR的总精度提高了5.48%,Kappa系数提高了0.12。2)PCA可有效地降低高光谱数据的冗余性,提高模型的运算效率以及分类精度;与CR作为输入量相比,CR-PCA的土壤分类总精度提高了3.67%,Kappa系数提高了0.02。3)TA的引入显著提升了土壤分类精度,以CR-PCA-TA作为输入量的土壤分类精度最高,总精度为81.61%,Kappa系数为0.72,实现了高精度的土壤分类模型及土壤制图。研究结果可为大范围、高精度的土壤分类及制图提供新的思路。