一、多分类器融合模式识别方法研究（论文文献综述）
陈莉芬[1]（2020）在《面向多源特征的模式识别算法及应用研究》文中研究表明当针对电力系统中相关设备或者波形等开展研究时,单一信息源的特征不足以对其进行全面刻画能力。近年来,随着大数据、物联网和云计算时代的到来,电网数据量不断庞大,特征种类日益增多,为设备状态诊断等各种模式的辨识提供了多源化的信息支撑。但这些特征来源增多、分布差异大、信息之间关系复杂,仅凭传统的单核分类器难以保证分类效果。因此,有必要研究如何有效分析和处理高维特征及保持分类器的辨识稳定性。为提高面向多源特征模式识别算法的精度和性能,本文分别在特征提取、模式分类、决策环节引入融合算法,进而构建面向多源特征模式识别算法的框架,以满足不同场景的应用需求。为实现提取环节的融合,考虑到成对特征联合作用对特征与类别相关度的影响以及度量尺度规范化问题,本文对最大相关最小冗余准则进行改进,提出了基于联合交互-冗余的最大相关最小冗余准则的特征选择算法。在完成模式分类环节融合时,考虑到不同来源特征获取途径不一,选用支持向量机作为分类器来克服某些来源样本量较少的问题。同时由于不同核函数或同一核函数不同参数的学习性能差异较大,因此通过组合多个核函数把多源特征映射至不同高维空间,并且由于此时多源特征样本空间不固定,提出了集成半径信息的多核SVM算法,将半径信息引入多核SVM模型,从而联合间隔来选取核函数权重。通过分析决策环节融合算法,发现其无法解决某一来源数据量较少时最终辨识精度降低的问题,因此采用集成分类器结构来构建各源特征对应的神经网络,并且为使小样本特征集对应神经网络更好地学习和表达其典型特征,先后利用多源特征样本和小样本特征集开展初步训练和二次训练,对初步训练得到的基神经网络进行权重系数修正,促进敏感性神经元动作和抑制不敏感性神经元动作。电能质量扰动辨识对电能质量扰动的分析及抑制措施的选取具有重要意义。以往大多研究是利用单一特征提取手段得到的特征来辨识各种单一电能质量扰动,但是现场往往是多种电能质量扰动同时发生,此时特征空间更为复杂、其边界也更为模糊,并且通过分析各种特征提取手段所得扰动特性曲线的特点,说明混合电能质量扰动辨识有必要引入不同特征提取手段提取的多源特征。接着将本文所提出的三种方法应用于混合电能质量扰动辨识。通过仿真数据的分析,验证了引入多源特征对混合电能质量扰动辨识的有效性以及本文所提出的三种方法应用在基于多源特征模式识别的混合电能质量扰动辨识方面的有效性。电力变压器是电力系统的关键环节,能否尽快发现变压器的各种潜伏性故障保证变压器的正常运行直接关系到电力系统的供电稳定性。电力变压器结构复杂,运行环境存在较多不确定性,其故障征兆与故障发生机理间关系多样、模糊,仅凭单一的信息来进行变压器故障诊断具有较大的局限性,并且通过分析变压器各种特征的特点,进一步说明综合引入油气特征和电气特征的必要性。接着将本文所提出的三种方法应用于变压器故障诊断。通过现场数据应用分析表明,同时引入油气和电气特征有助于提高变压器故障诊断的准确性,以及本文所提出三种方法应用在基于上述特征进行变压器故障诊断具有较高的精度。仿真数据和实例分析都验证了本文所提出三种方法的有效性。通过对基于联合交互-冗余的最大相关最小冗余准则的特征选择结果进行评估,说明该方法能够从众多特征中筛选出关键的特征子集,在较少特征的情况下保证辨识的精度;通过对集成半径信息的多核SVM辨识结果的分析,说明该方法能够有效地组合不同来源的信息,辨识精度高,鲁棒性较好;通过对多样本量通用的集成分类器算法辨识结果的分析,说明其他来源的信息能够为小样本特征集提供补充信息,并提高最终的辨识精度。
刘兴旺[2]（2020）在《运动想象脑电信号识别方法及其在轮式机器人中的应用》文中指出脑-机接口（Brain Computer Interface,BCI）是一种不依赖于大脑外周神经与肌肉组成的通讯控制系统,随着BCI技术的不断发展,已经逐步实现通过使用BCI技术使得大脑直接与外界沟通,这项重大突破为无法进行正常交流或者瘫痪的患者带来了福音。为加强此类人群的自我独立能力,提高沟通交流的便利性,对运动想象脑电信号进行分类研究以及设计基于脑电信号运动想象的在线BCI平台显得十分重要。为定量描述BCI系统,本文将深入研究向前、向后、向左、向右四种运动想象脑电信号。首先,自行设计实验方案采集运动想象脑电信号,利用小波改进阈值法对原始脑电信号进行降噪预处理;其次,运用多特征融合的脑电信号特征提取方法进行特征提取,再采用主成分分析法（Principal Component Analysis,PCA）对多维特征向量进行降维;最后,利用类别驱动的特征选择与分类支持向量机（Class Driven Feature Selection and Classification Support Vector Machine,CFSC-SVM）进行分类处理,将离线分析结果应用到基于脑电运动想象的在线BCI平台中,实现对轮式机器人的控制。本文具体研究内容如下:基于BCI技术自行设计实验方案,采集大脑皮层运动想象脑电信号,将其转换成数字信号输入计算机以待后续分析处理。考虑到采集过程中存在一定干扰因素,本文采用小波改进阈值法对采集到的脑电原始信号进行降噪预处理,并借助信噪比改善量及均方差值验证降噪效果。将小波包能量、自回归模型算法所提取的不同频带小波包能量以及时间序列相关系数有顺序的首尾连接,形成多融合特征的脑电信号特征,保证数据信息的准确性和真实性。并用PCA降维方法对这些高维数据进行降维,为后续的分类识别奠定基础。采用CFSC-SVM对实验采集到的不同状态下运动想象脑电信号进行分类识别。通过分类准确率及ROC曲线线下面积等指标验证了 CFSC-SVM在识别性能上的优越性,同时对比单特征向量及多融合特征向量经CFSC-SVM分类的识别准确率,验证多融合特征提取方法的优越性。将离线分析结果应用到基于脑电运动想象的在线BCI设计中,结合控制模块和驱动系统实现对轮式机器人的控制,并选取不同受试者进行试验,验证了本文所设计在线BCI平台的可行性。
周国庆[3]（2020）在《基于多传感器融合的下肢康复机器人控制系统设计》文中研究说明下肢康复机器人作为医疗机器人领域的一个重要分支,是机器人技术与医学技术相结合的产物。针对康复治疗后期具有一定运动能力的运动障碍患者,本文提出了基于多传感器信息融合的下肢康复机器人控制系统设计,目的在于根据患者自己的运动意图,辅助患者进行康复训练。本文主要通过步态实验、多信息融合步态识别系统的构建和基于任意相角裕度R-PM法改进的PID算法来设计控制系统。论文首先分析了现有下肢康复训练方式的优缺点,结合人体下肢肌肉骨骼生物力学,分析了正常人步态周期内的运动学和动力学特征。其次,结合人体下肢运动机理设计了步态实验平台,并对人体五种步态运动模式（平地、上下楼、上下坡（10°））的特征数据进行了采集与分析,为多传感器融合算法、步态模式识别研究和控制系统设计提供了数据支撑。再次,对采集的多传感器数据进行了预处理和特征提取,并应用多传感器自适应加权融合估计算法对步态特征信息进行数据融合,构建了多分类器识别投票系统对融合数据进行学习训练,完成了对五种步态运动模式的精确分类,使步态模式的平均识别精度达到99.43%。最后,以步态模式识别的结果为输入数据进行了康复训练的控制系统设计;为了保证康复机器人运动的柔顺性,本文设计了基于任意相角裕度R-PM法改进PID控制算法。通过MATLAB的SIMULINK模块进行控制系统的仿真,验证了本研究所设计的控制系统的可行性,相较于传统PID控制,改进的PID控制器具有运动平稳性好、响应速度快和跟踪性好等优点。
励文艳[4]（2020）在《轴向柱塞泵早期故障特征提取与模式识别方法研究》文中研究说明随着现代工业的迅速发展,液压泵作为液压系统的动力部件,在工程应用中发挥着不可替代的作用。轴向柱塞泵以其结构紧凑、工作压力高、容积效率高以及容易实现变量等优点而被广泛使用。柱塞泵在液压系统中负载最重且长时间高速运转,致其容易出现各种故障。轻则引起噪声增加、振动加剧,影响工作效率;重则危害人的生命安全、造成严重财产损失。因此对柱塞泵运行状态进行监测,实现其故障诊断,对保障高速运转柱塞泵正常、高效运行意义重大。柱塞泵内部结构复杂,故障类型多样,且同种类型不同程度的故障对泵产生不同程度的影响。尤其在故障的早期阶段,故障信号较为微弱,这些故障信号极易被强烈的背景噪声所淹没,不易察觉,导致故障特征提取和定位困难。针对上述问题,本论文以轴向柱塞泵为研究对象,运用合适的信号处理方法,以早期典型多故障诊断为出发点将不同程度故障诊断作为研究目标,在轴向柱塞泵振动信号中提取故障特征量,对轴向柱塞泵的早期典型多故障和不同程度故障的特征提取与模式识别方法做了深入的研究。论文主要从以下几个方面展开研究:（1）了解轴向柱塞泵内部结构和基本工作原理,分析其典型故障类型及故障振动机理,进而确定故障参量的采集方法。针对斜盘式轴向柱塞泵常见故障设计和搭建试验台,完成正常信号、松靴、柱塞磨损、配流盘磨损、不同程度的滑靴磨损故障信号的采集。（2）针对轴向柱塞泵结构复杂且早期故障易受噪声干扰的问题,本文提出了变分模态分解（Variational Mode Decomposition,VMD）、分位数排列熵（Quantile Permutation Entropy,QPE）和多分类支持向量机相结合的方法对几种典型故障（滑靴磨损、松靴、柱塞磨损和配流盘磨损故障）进行研究。首先将采集的振动信号进行VMD分解得若干固有模态分量（Intrinsic Mode Function,IMF）,根据相关系数法进行信号重构;然后计算各重构信号的QPE值作为特征向量;最后将提取的特征向量输入多分类支持向量机进行模式识别。并与其它方法进行对比分析,证明所提故障诊断方法的有效性。（3）针对轴向柱塞泵不同程度磨损的早期微弱故障诊断方法开展研究,其内容包括以下两个方面:1)针对轴向柱塞泵不同程度故障特征相近、难以识别的问题,提出基于局部S变换和ELM的故障诊断方法。采集正常状态和不同程度滑靴边缘磨损状态的振动信号进行局部S变换;然后对不同特征向量组进行定性和定量分析,选择提取S矩阵最大奇异值、转轴振动基频能量占比和柱塞振动基频能量占比共三维特征向量;最后将特征向量输入ELM完成不同程度滑靴边缘磨损故障模式的识别。并与其它方法进行对比分析,结果表明,所提方法可以用较少的特征向量获得较高的模式识别效率。2)针对不同程度的早期微弱故障特征变化规律难以提取的问题,传统的信号处理方法难以满足需求,因此提出一种基于VMDF多尺度散布熵和ELM的柱塞泵早期故障诊断方法。在基于传统VMD基础之上,本文提出基于特征能量占比（Feature Energy Ratio,FER）的变分模态分解特征能量重构法（Variational Mode Decomposition Feature Energy Reconstruction,VMDF）实现信号重构;计算重构信号的多尺度散布熵（Multiscale Dispersion Entropy,MDE）,选择峰值尺度散布熵作为特征向量;最后将提取的特征向量输入ELM完成不同程度滑靴端面磨损故障模式的识别。并与其它方法进行对比分析,结果表明,所提方法既可以反映故障程度变化规律,又能获得较高的模式识别效率。
姚媛媛[5]（2020）在《分布式光纤传感系统的振动信号识别研究》文中进行了进一步梳理分布式光纤振动传感系统因其特性常用于安全系统的监测,如石油线路安全隐患监测,通信光缆线路监测,铁路沿线轨道传感等领域。由于相位敏感光时域反射计（Phase-Sensitive Optical Time Domain Reflectometer,Φ-OTDR）采用瑞利散射光的相位变化作为测量系统扰动的唯一条件,所以其具有结构简单,系统稳定,可同时对多点进行监测等特点。Φ-OTDR目前正广泛适用于各种实际应用场景中,具有良好的发展前景和适用空间,因此对Φ-OTDR技术的研究也在逐步发展中。然而目前光纤信号的模式识别方法在实际场景下使用时还存在局限性,如去噪效果不明显,特征提取不匹配以及分类效果差距大等。本文通过针对性的分析扰动事件类型,对初始数据进行预处理后使用恰当的去噪方法,完善特征提取方式并对分类算法改进,形成一种基于滑动平均差分法去噪,多参数特征提取,分类融合的模式识别方式,此方法较之于单一特征提取等方法具有较高的模式识别准确率。本文的主要研究工作如下:（1）针对于信号预处理以及去噪方面,提出了相关系数分帧以及滑动平均差分去噪的优化方法。在对信号进行采集后,首先对原始信号进行预处理,提出一种基于相关性系数进行分帧的方式,通过提取振动片段间的相关性系数,针对于淹没在环境噪声中的振动信号进行提取分离,有效的分离振动信号。并在预处理的基础上,对信号进行归一化处理,使用滑动平均差分的方法对信号去噪,结合平均法和差分法的优点,能够有效减少失真点,使曲线更加平滑,信噪比提高了9.48d B。（2）在特征提取前,对信号特征进行分析,并对特征进行提取。考虑光纤传感的实际使用场景,设定四种扰动信号,其中包括敲击、碾压、攀爬、模拟下雨,更好的还原真实场景下周界防护的重点扰动。然后对信号特征进行分析,在去除环境噪声的条件下,对有无扰动以及扰动是否是人为进行判别分析,依据分析结果,分别从不同方面提取扰动特征,为后续的分类提供特征向量。（3）提出基于分类融合理论的加权分类方法用于模式识别,增强分类识别精度。在搭建Φ-OTDR传感系统后,根据数据特性和信号特征用SVM（Support Vector Machine）、BP（Back Propagation）、Adaboost（Adaptive Boosting）三种不同的分类器进行分类,根据不同类型扰动信号的特性,按照加权投票的方式对分类器进行融合,进而将不同的扰动类型进行准确分类,并对比单个分类器识别结果,分类融合算法的平均分类准确率在94%以上。
郑羽纶[6]（2020）在《基于图像处理的多特征融合苹果分级方法研究》文中研究表明我国是苹果生产大国,但不是贸易强国。苹果出口量仅占总产量的3%,其主要原因是苹果采后品质检测及分级水平较低。现阶段苹果大多依靠人工进行分级,工作效率较低,并且在自动分级中主要依据苹果单一特征进行分级,分级精度不高。因此,本文以红富士苹果为研究对象,提出了基于图像处理的多特征和多分类器下的苹果分级,完成缺陷果的识别和完好果的分级,提高了分级效率和精度。本文首先获取苹果图像,并进行RGB和HSI模型介绍,提取这两种模型下的苹果分量图。经过对比发现,在R分量图下利用Otsu法进行图像分割时效果最好。通过开操作平滑目标边缘,利用Canny算子检测目标轮廓,同时完成果梗和缺陷区域彩色图像的提取,为特征检测奠定基础。其次,对于缺陷区域和果梗区域,提取其纹理和几何特征。对于完好果的特征提取而言,通过计算苹果图像的最小最大半径比和圆形度来描述苹果形状;利用颜色定量分析和红色着色率来获得苹果颜色特征;并根据GB/T 10651-2008《鲜苹果》中最大横截面直径作为果径,提出了一种苹果大小检测的方法,即先计算每个苹果表面的最小最大半径比,将比值最大的那一面作为果径面,然后将果径面的最小外接圆直径作为苹果大小并进行实验对比,结果表明该方法符合实际分选要求。最后,进行苹果分级工作。通过逻辑判断法和支持向量机模型来判别苹果是否为缺陷果。在对完好果的分级中,本文分别进行了单一特征下的分级;多特征组合下利用K-最近邻、BP神经网络和支持向量机算法的分级;为了提高分级准确率,又提出多分类器融合的分级方法,即将准确率高且差异性大的单分类器进行融合,并将各单分类器结果通过加权投票法进行结合,最终分级准确率高达90.2%。本文研究结果为苹果自动分选提供参考。
王志兵[7]（2020）在《超声刀具磨损状态识别与寿命预测技术研究》文中进行了进一步梳理超声复合加工技术因其具有切削力小与加工精度高等优点,被广泛应用于Nomex蜂窝复合材料加工领域。超声刀具作为超声复合加工设备中的重要组成部分,研究它的磨损状态和剩余寿命对于声学系统故障的找出具有理论意义,对于减少企业经济开支和提升零件加工质量具有重要的工程价值。本文的主要研究工作与成果如下:1、直刃刀磨损阶段划分与监测信号采集实验研究。通过对直刃刀进行收集与观察,得到直刃刀的典型磨损形式,并选取其中切削面磨损带宽作为磨损测量值。通过搭建超声切削实验平台,完成不同走刀长度的切削力和切削声信号采集实验。研究超声切削过程中的走刀长度、主切削力均方根值和刀具磨损值之间的关系,将直刃刀的磨损状态划分成三个阶段,并绘制其磨损状态曲线。2、直刃刀磨损特征提取与降维。对采集声信号的基底噪音进行分析,并用椭圆高通滤波器完成声信号的基底噪音去除。采用时域、频域和小波包分析的方法对力信号和滤噪后的声信号进行特征提取,并采用主成分分析技术完成特征向量的降维。3、直刃刀磨损状态识别模型的建立。构建了多个BP神经网络分类器,采用K近邻聚类分析的方法,使得各BP神经网络分类器实现权值的自适应获取,通过线性加权融合技术得到多BP神经网络分类器的磨损识别判决。并通过实验测试发现,基于多分类器融合的直刃刀磨损状态识别正确率优于传统单BP神经网络分类器的识别正确率。4、直刃刀剩余寿命预测模型的建立。采用BP神经网络和HMM模型,分别建立了直刃刀剩余寿命预测模型。使用测试样本对训练好的两种模型进行测试,发现基于HMM模型的直刃刀剩余寿命预测精度较高,尤其是在直刃刀剧烈磨损阶段时的预测精度优于BP神经网络模型的预测精度。
黄鑫[8]（2019）在《基于卷积神经网络的旋转机械故障特征自动学习与智能诊断方法研究》文中研究指明在旋转机械领域中,随着对计算机技术、传感器技术以及通信技术等现代科学技术应用的日益增加,诸如航空发动机、大型风电装备、汽轮发电机组等重大旋转机械装备逐步朝向高速、高效、高精、集成和智能化方向发展。为了最大限度的消除安全隐患,保障旋转机械高效、安全运行,必须建立可靠的健康监测系统对旋转机械中轴承、行星齿轮箱等关键部件进行实时监控与安全预警。但由于现代旋转机械装备群规模大、所需测点多、单个测点采样频率高以及数据采集时间跨度长,使得监测数据呈现出了体量庞大、生成快速、模态繁多、多源异构、价值大但密度低等“大数据”特性。在此背景下,仅依靠传统的故障诊断技术已经难以再满足实际工程对旋转机械故障诊断精度和效率的要求。本文针对在机械“大数据”背景下如何提高旋转机械故障诊断的可靠性、诊断精度以及诊断效率等问题,从对深度学习应用角度出发开展了关于旋转机械故障特征自动提取以及智能故障诊断的相关研究。在基于传统信号分析的基础上,通过研究和分析各故障表征域所揭示的故障信息特点,证实了故障信号时频域表征更有利于深度学习模型从中拾取故障特征,同时利用离散小波变换揭示故障时频域信息,通过所构建的卷积神经网络对时频域信息进行了有效特征学习;通过研究轴承故障信号特点,提出了一种WPT-PWVD时频域构建方法,并进一步构建了深度卷积神经网络对所构建的时频域信息进行有效学习;通过将信息融合技术与深度学习理论相结合,利用深度残差卷积神经网络的优势提取不同故障状态多通道多征兆域深层特征以进行特征融合,提出了多源信息深度融合的故障诊断方法。论文研究内容如下:（1）针对人工提取的故障特征自适应能力和泛化能力弱,难以匹配旋转机械特定故障状态的问题,提出了一种基于卷积神经网络与离散小波变换的行星齿轮箱故障诊断方法。首先利用不同信号处理方法,分别从时域、频域和时频域三个不同征兆域分别对故障进行表征并分析其对故障表征性能的差异,通过分析选用离散小波变换对故障信号进行处理,以揭示故障时频域特征分布;再则利用深度学习理论知识构建卷积神经网络模型（Convolution Neural Network,CNN）并借助其强大的特征提取以及模式识别能力从所构建的时频域中拾取故障特征;最后构建Softmax多分类器,利用反向传播算法（Backpropagation,BP）逐层调节网络参数以逐步建立故障特征空间与故障空间之间的映射关系,揭示故障内在模式并生成合适的多分类器。利用行星齿轮箱的多种故障数据验证了所提方法的有效性。（2）针对不同时频域分析方法在表征故障信息时均存在一定程度的局限性,导致深度学习模型特征拾取效果易过早陷入瓶颈的问题,提出了一种基于深度卷积神经网络与WPT-PWVD的轴承故障诊断方法。首先分析轴承故障信号特点,采用具有自适应窄带滤波和全频域渐细分辨能力的小波包分解（Wavelet package decomposition,WPT）对故障信号进行全频段分解以揭示不同频带故障信息。同时提取故障信号中多个能量集中的高频带分量,获取故障冲击信息,降低背景噪声干扰。对提取的多个高频分量分别进行重构并利用希尔伯特算法对重构信号进行包络解调,揭示低频故障信息。对解调信号分量分别进行伪魏格纳分布（Pseudo Wigner-Ville Distribution,PWVD）并将计算结果累加,由此得到无交叉项、分辨率高的故障信号WPT-PWVD时频域表征。利用深度学习理论知识进一步构建特征学习能力更强的深度卷积神经网络（Deep Convolution Neural Network,DCNN）,并对 WPT-PWVD时频域表征进行故障特征学习。将所提方法对多种轴承故障数据进行分析和诊断,验证了该方法的有效性。（3）针对传统的信息融合方法将故障特征提取与信息融合算法相分割,导致其匹配程度难以评价的问题,提出一种基于多源信息深度融合的行星齿轮箱故障诊断方法。首先利用垂直和水平方向传感器采集行星齿轮箱运行过程中的多通道信号以描述其整体运行状态;运用小波包分解和集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）分别对多通道信号进行处理并构建相应的时频域表征以揭示故障的多通道多征兆域信息;利用深度学习理论构建多个深度残差卷积神经网络（Deep Residual Convolution Neural Network,DR-CNN）,分别对行星齿轮箱多通道多征兆域信息进行学习以建立局部特征空间与故障空间之间的映射,同时提取各深度残差网络所拾取的各征兆域深层故障特征,由此构建特征空间的证据体集;最后利用随机森林（Random Forest,RF）对证据体集中的多源故障特征信息进行融合,建立全局特征空间与故障空间之间的联系,以从多个侧面充分利用故障多征兆域信息,最终得到融合诊断结果。将所提方法应用于行星齿轮箱故障数据中,得到了与其运行状态一致的决策判据。文章最后对工作进行了总结,并展望后续研究方向。
张秦梫[9]（2019）在《基于声电融合的变压器局部放电智能诊断方法》文中研究说明随着电网的发展,对电力设备的稳定可靠工作有了更高要求,这也驱动了局部放电带电检测技术的逐渐成熟,诸如特高频（UHF）检测法、超声波检测法等都在变电站现场得到了广泛的应用,这也推动了变压器在运行条件下的状态监测的不断发展。目前国内外学者针对变压器局部放电的模式识别基于不同的检测方法提出了各种算法,然而对于获取的大量不同来源的数据综合分析甚少,对于数据的利用率不高。因此,本文提出了声电融合的变压器局部放电智能诊断方法,能够融合变压器局部放电UHF和超声波信号作出诊断,不仅能更有效地利用多源数据,而且提高了识别正确率。论文的实验数据是在实验室的真型变压器上采集得到,分别通过UHF传感器和超声波传感器检测得到。每种检测方法各在尖端电晕、悬浮放电、绝缘气隙和沿面放电4种缺陷模型上采集了共2600多条数据,然后通过深度学习等机器学习算法以及声电融合智能算法进行模式识别,实现了很高的识别正确率。针对检测得到的UHF局部放电信号,绘制出了三维相位分辨的脉冲序列（PRPS）图谱,以及其对应的二维图谱,包括放电次数-相位、最大放电量-相位和平均放电量-相位分布。分别求出二维分布的统计参数,包括偏斜度、峰度等得到21维特征向量。本文提出了在线序列极限学习机（OS-ELM）,实现了传统极限学习机（ELM）的增量式学习改进算法,不仅提高了识别准确率,在训练时间和泛化性能上更是有显着的改进。识别正确率上相比传统的ELM、支持向量机（SVM）和BP神经网络分别提高了2.5、4.9和23.4个百分点;在训练时间上仅需要SVM的1/10000、BPNN的1/5000。针对局部放电超声波信号,由于其特征提取相比于UHF信号更加复杂,又因为深度学习网络在学习特征信息上的优势,本文提出采用深度学习网络,包括深度神经网络（DNN）、递归神经网络（RNN）和卷积神经网络（CNN）来学习超声波信号的特征信息,并实现模式识别。首先对超声波信号进行降采样处理,采用梅尔频率倒谱系数（MFCC）并结合色度图、光谱对比图等特征参量,分别训练深度学习网络DNN、RNN和CNN,比较识别结果和性能,证明了CNN在超声波识别上的优势,最终实现了92.9%的准确率和99.82%的AUC分数。考虑到分别处理UHF信号或者超声波信号对多源数据的利用效率太低,本文提出声电信号融合的智能诊断系统。基于多源信号的融合特征,分别训练机器学习和深度学习网络,得到识别结果。然后基于Choquet模糊积分,对各个输出的分类结果进行融合,以得到最终分类结果,大大提高了识别正确率,特别是在单个分类器识别效果较差的样本类型上,提升效果非常明显。对于SVM和CNN识别正确率只有75%和87%的绝缘气隙放电类型,声电融合智能诊断系统最终实现了90.89%的正确率。而对于悬浮和沿面放电的识别正确率分别高达95.27%和96.31%。
申怀飞[10]（2018）在《基于遥感多时相影像的南海北部湾地区地物分类与识别方法研究》文中研究表明随着遥感技术的发展,遥感数据的类型越来越丰富、数据量日益剧增,海量的遥感数据在同一地区形成了多时相遥感影像序列数据。遥感影像时间分辨率的提高,使得遥感数据中蕴含的时间维度信息越来越丰富。遥感影像时间维度信息的增加拓展了遥感数据的应用领域,如何利用或借鉴目前成熟的技术方法,挖掘海量遥感数据所蕴含的丰富信息（特别是时间维信息）,提高多时相遥感图像地物分类识别精度始终是遥感应用领域研究人员无法回避的难题。论文针对这一难题,以中国南海北部湾地区为研究区,在借鉴多分类器融合算法、随机森林算法和指纹识别技术等理论的基础上,重点研究了如何利用多时相遥感图像中蕴含的丰富信息的方法,从两种算法构建思路（即改善优化现有遥感图像分类算法和借鉴相关领域技术构建全新遥感图像分类识别算法）出发,构建了多时相遥感影像分类与识别算法。具体来说,论文通过对多分类器融合算法和随机森林算法的分析,首先利用稳定权重加权投票法对多分类器融合算法做了相应的改进,并在借鉴随机森林算法的基础上,将改进后的多分类器融合算法应用于多时相遥感图像分类;随后借鉴指纹识别技术提出了基于像元图像指纹识别技术的多时相遥感图像分类与识别算法;最后利用研究区多时相Landsat OLI影像数据进行了算法的验证测试,算法的分类识别精度达到了预期效果。论文的研究结论和创新点包括:（1）构建了基于稳定权重加权投票的多分类器融合算法。在借鉴前人关于多分类器融合算法相关研究成果的基础上,对比分析了基于多种投票模式的多分类器融合分类结果,提出了稳定权重的概念,改进了精度权重值的不稳定性问题,并对稳定权重进行了修正,最终构建了基于稳定权重加权投票的多分类器融合算法。该算法不仅改善了分类器的分类性能,显着提高了遥感图像分类精度,而且避免了因精度评价样本的抽样性带来的不稳定性问题。通过测试可知:算法分类结果的总体精度从各子分类器分类结果的52.76%-58.23%提升至61.54%,提升了3.31%-8.78%。（2）提出了基于稳定权重加权投票的多分类器迭代融合算法模式。利用迭代算法思想,对基于稳定权重加权投票的多分类器融合算法进行了改进,提出了基于稳定权重加权投票的多分类器迭代融合算法模式,充分挖掘了多分类器融合算法的潜力,进一步提升了分类精度。（3）提出了基于稳定权重加权投票的多训练样本集多时相影像多分类器三重融合算法模式。为了挖掘利用多时相遥感影像所蕴含的丰富地物信息（特别是时间维度信息）,论文通过分析遥感图像监督分类过程中的三个主要影响因素,在借鉴随机森林算法思想的基础上,提出了基于稳定权重加权投票的多训练样本集多时相影像多分类器三重融合算法模式。该算法充分考虑了遥感图像分类过程中的影响因素,改善了因训练样本抽样特性带来的不稳定性问题,改善了不同分类器的性能差异问题,同时也在一定程度改善了单一时相遥感影像所带来的“同物异谱,异物同谱”的影响,通过算法的三次融合融合分类,极大限度地提升了遥感图像的分类精度。算法测试结果表明:总体精度从最初的42.30%-69.08%提升至83.09%,提升了 14.01%-40.39%,提升幅度显着。（4）构建了基于像元图像指纹识别的多时相遥感图像分类识别算法。在借鉴指纹识别技术原理的基础上,论文通过构建遥感多时相影像的像元图像的方法,利用Hash算法原理,提出了基于像元图像指纹识别的多时相遥感图像分类算法和基于像元图像指纹识别的多时相遥感图像目标地物识别算法。该算法充分利用了多时相遥感影像丰富的时间维度信息,有效解决了高维影像数据的数据冗余所带来的算法效率低下问题,提高了遥感图像分类精度的同时,提升了算法运算效率。通过算法最终测试可知:分类算法测试结果的总体精度可到达80%以上,而从识别算法的测试结果（红树林和桉树林）来看,识别算法对红树林和桉树林的识别正确率分别达到了 79.63%和75.54%。测试结果表明算法取得了令人满意的效果。论文利用多分类器融合思想和迭代算法思想构建了基于稳定权重加权投票的多分类器融合算法及其迭代融合算法,并将其应用于遥感多时相影像;进而构建了基于稳定权重加权投票的多训练样本集多时相影像多分类器三重融合算法模式,消弱了遥感图像监督分类过程中的各因素对分类结果的不利影响,改善了分类效果,提高了分类精度,但是该算法分类过程复杂冗长,算法效率较为低下。而论文最后构建的基于像元图像指纹识别的多时相影像分类算法,通过图像压缩技术,在提高算法效率的前提下,挖掘了多时相影像的时间维度信息,一定程度上改善了遥感图像分类效果,提高了分类精度,另外该算法经过改进,通过利用统计分析结果设定合理阈值的方式,将分类算法转化为目标地物的识别算法,使得地物类型的识别更加快速有效。基于两种算法思路构建的分类（识别）算法或者模式,各有优劣。
二、多分类器融合模式识别方法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多分类器融合模式识别方法研究（论文提纲范文）
（1）面向多源特征的模式识别算法及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 面向多源特征模式识别算法的发展 |
| 1.2.2 面向多源特征模式识别算法在电力系统中的应用 |
| 1.3 本文主要工作 |
| 第二章 面向多源特征模式识别算法研究 |
| 2.1 引言 |
| 2.2 特征提取环节融合辨识算法研究 |
| 2.2.1 信息论的基础知识 |
| 2.2.2 最大相关最小冗余准则 |
| 2.2.3 联合交互-冗余的最大相关最小冗余准则研究 |
| 2.2.4 基于联合交互-冗余的最大相关最小冗余准则的特征选择算法研究 |
| 2.3 模式分类环节融合辨识算法研究 |
| 2.3.1 SVM算法 |
| 2.3.2 多核SVM算法 |
| 2.3.3 集成半径信息的多核SVM算法研究 |
| 2.3.4 多分类集成半径信息的多核SVM实现 |
| 2.4 分类-决策双环节融合辨识算法研究 |
| 2.4.1 大样本特征集对应神经网络的建立 |
| 2.4.2 小样本特征集对应神经网络的建立 |
| 2.4.3 多源融合决策 |
| 2.4.4 多样本量通用的集成分类器算法流程 |
| 2.5 三类融合算法的对比 |
| 2.6 本章总结 |
| 第三章 基于多源特征模式识别的混合电能质量扰动辨识 |
| 3.1 引言 |
| 3.2 原始特征空间的提取 |
| 3.2.1 电能质量扰动信号建模 |
| 3.2.2 原始扰动特征量提取 |
| 3.3 基于多源特征模式识别的混合电能质量扰动辨识逻辑 |
| 3.4 基于多源特征模式识别的混合电能质量扰动辨识仿真分析 |
| 3.4.1 混合电能质量扰动数据的获取 |
| 3.4.2 基于联合交互-冗余的最大相关最小冗余准则的特征选择算法有效性验证 |
| 3.4.3 集成半径信息的多核SVM算法有效性验证 |
| 3.4.4 多样本量通用的集成分类器算法有效性验证 |
| 3.5 本章总结 |
| 第四章 基于多源特征模式识别的变压器故障诊断 |
| 4.1 引言 |
| 4.2 特征空间的获取及故障类型的划分 |
| 4.2.1 变压器故障特征的特点 |
| 4.2.2 变压器故障特征空间 |
| 4.2.3 变压器故障类型的分类空间 |
| 4.3 基于多源特征模式识别的变压器故障诊断逻辑 |
| 4.4 基于多源特征模式识别的变压器故障诊断实例分析 |
| 4.4.1 变压器故障数据的获取 |
| 4.4.2 基于联合交互-冗余的最大相关最小冗余准则的特征选择算法有效性验证 |
| 4.4.3 集成半径信息的多核SVM算法有效性验证 |
| 4.4.4 多样本量通用的集成分类器算法有效性验证 |
| 4.5 本章总结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 研究生期间发表的学术论文 |
| 学位论文评阅及答辩情况表 |
（2）运动想象脑电信号识别方法及其在轮式机器人中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究目的和意义 |
| 1.2 BCI技术的国内外研究现状及分析 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 脑电信号处理方法国内外研究现状 |
| 1.3.1 脑电信号预处理方法研究进展 |
| 1.3.2 脑电信号特征提取方法研究进展 |
| 1.3.3 脑电信号分类方法研究进展 |
| 1.4 文献综述简析 |
| 1.5 本文主要研究内容 |
| 1.5.1 研究内容 |
| 1.5.2 研究方法及技术路线 |
| 1.6 本章小结 |
| 第2章 信号采集方法与脑电信号预处理方法研究 |
| 2.1 脑电信号相关概念 |
| 2.2 信号采集方法研究 |
| 2.2.1 大脑皮层区域划分及信号通道选择 |
| 2.2.2 脑电信号采集实验 |
| 2.3 基于小波改进阈值的脑电信号预处理 |
| 2.3.1 小波变换定义 |
| 2.3.2 小波基函数选择 |
| 2.3.3 阈值选取与阈值函数 |
| 2.3.4 改进阈值小波降噪 |
| 2.3.5 降噪效果评价指标 |
| 2.4 本章小结 |
| 第3章 基于多特征融合的脑电信号特征提取方法研究 |
| 3.1 基于小波包能量的特征提取方法研究 |
| 3.1.1 小波包能量的定义 |
| 3.1.2 基于小波包能量的特征向量构造 |
| 3.2 基于自回归模型的特征提取方法研究 |
| 3.2.1 自回归模型参数估计 |
| 3.2.2 自回归模型选定阶次 |
| 3.2.3 基于自回归模型的特征向量构造 |
| 3.3 构造多特征融合脑电特征向量 |
| 3.4 特征向量降维 |
| 3.4.1 PCA方法简介 |
| 3.4.2 PCA方法的工作原理 |
| 3.4.3 PCA降维实验 |
| 3.5 本章总结 |
| 第4章 脑电信号模式识别方法研究 |
| 4.1 支持向量机算法概述 |
| 4.2 SVM多分类器 |
| 4.2.1 一对多SVM分类器概述 |
| 4.2.2 一对多SVM分类器识别EEG实验 |
| 4.2.3 一对一SVM多分类器概述 |
| 4.2.4 一对一SVM多分类器的EEG分类实验 |
| 4.2.5 类别驱动的特征选择与分类SVM (CFSC-SVM)分类器概述 |
| 4.3 SVM分类器的识别算法比较实验 |
| 4.4 基于CFSC-SVM的识别算法 |
| 4.4.1 基于WPD小波包能量的模式识别研究 |
| 4.4.2 基于自回归模型的模式识别研究 |
| 4.4.3 基于多特征融合的模式识别方法 |
| 4.4.4 基于CFSC-SVM的模式识别算法的对比与分析 |
| 4.5 本章小结 |
| 第5章 基于脑电运动想象的在线BCI平台设计 |
| 5.1 在线BCI平台设计 |
| 5.1.1 在线BCI平台总体框架 |
| 5.1.2 各模块功能介绍 |
| 5.2 在线BCI平台对轮式机器人的控制 |
| 5.2.1 总体设计思路 |
| 5.2.2 轮式机器人驱动 |
| 5.2.3 在线BCI平台控制性能比较 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（3）基于多传感器融合的下肢康复机器人控制系统设计（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究发展现状 |
| 1.2.1 下肢康复机器人研究 |
| 1.2.2 基于传感器信息的肢体运动模式识别研究 |
| 1.2.3 下肢康复机器人控制策略研究 |
| 1.2.4 国内外研究现状总结 |
| 1.3 本文研究内容 |
| 1.4 本章小结 |
| 2 步态分析基础理论 |
| 2.1 人体生物力学概述 |
| 2.2 康复训练方式 |
| 2.3 人体步态概述 |
| 2.3.1 步态运动参数 |
| 2.3.2 步态动力学参数 |
| 2.3.3 步态周期划分 |
| 2.4 本章小结 |
| 3 步态实验 |
| 3.1 实验平台搭建 |
| 3.1.1 传感器采集位置确定 |
| 3.1.2 传感器和采集板选型 |
| 3.1.3 传感器标定 |
| 3.1.4 传感器数据类型定义 |
| 3.1.5 硬件电路设计与实现 |
| 3.1.6 采集系统搭建 |
| 3.2 步态实验设计 |
| 3.2.1 步态实验对象选择 |
| 3.2.2 步态采集方式 |
| 3.2.3 步态采集方案 |
| 3.3 信息处理与特征提取 |
| 3.3.1 数据信息滤波和归一化 |
| 3.3.2 步态周期验证 |
| 3.3.3 步态特征提取 |
| 3.4 本章小结 |
| 4 多信息融合的步态特征识别 |
| 4.1 步态特征向量构造 |
| 4.2 多传感器信息特征融合 |
| 4.2.1 多传感器加权融合算法 |
| 4.2.2 多传感器加权值计算 |
| 4.3 步态模式识别投票系统构建 |
| 4.3.1 分类器的介绍 |
| 4.3.2 多分类器融合算法 |
| 4.4 步态模式识别结果与分析 |
| 4.5 本章小结 |
| 5 控制系统设计与仿真 |
| 5.1 下肢康复机器人结构介绍 |
| 5.1.1 下肢动力学模型建立 |
| 5.1.2 控制运动角度范围 |
| 5.1.3 电机转角与丝杠位移关系模型 |
| 5.2 步态模式 |
| 5.3 控制系统设计 |
| 5.3.1 控制系统设计总框图 |
| 5.3.2 驱动系统选择 |
| 5.3.3 控制系统硬件构成 |
| 5.3.4 控制电路设计 |
| 5.3.5 PID控制器设计及应用 |
| 5.4 实验仿真 |
| 5.4.1 测试对比仿真实验 |
| 5.4.2 髋关节仿真验证 |
| 5.4.3 关节角度调控仿真实验 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 7 参考文献 |
| 8 攻读硕士学位期间取得的研究成果 |
| 9 致谢 |
（4）轴向柱塞泵早期故障特征提取与模式识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于信号处理的诊断方法 |
| 1.2.2 基于人工智能的诊断方法 |
| 1.3 本文主要研究内容 |
| 1.3.1 研究路径 |
| 1.3.2 主要研究内容 |
| 第二章 轴向柱塞泵故障机理分析与故障参量选择 |
| 2.1 轴向柱塞泵内部结构及工作原理 |
| 2.2 轴向柱塞泵故障振动机理分析 |
| 2.2.1 轴向柱塞泵机械振动机理分析 |
| 2.2.2 轴向柱塞泵流体振动机理分析 |
| 2.3 轴向柱塞泵典型故障类型及振动传递路径 |
| 2.3.1 轴向柱塞泵典型故障类型 |
| 2.3.2 轴向柱塞泵振动传递路径 |
| 2.4 轴向柱塞泵故障参量选择 |
| 2.5 本章小结 |
| 第三章 轴向柱塞泵故障特征提取与模式识别方法模型建立 |
| 3.1 信号预处理及特征提取算法介绍 |
| 3.1.1 S变换与希尔伯特变换 |
| 3.1.2 变分模态分解 |
| 3.1.3 分位数排列熵 |
| 3.1.4 多尺度散布熵 |
| 3.2 模式识别算法介绍 |
| 3.2.1 支持向量机 |
| 3.2.2 极限学习机 |
| 3.3 基于VMD分位数排列熵和多分类SVM的故障诊断方法 |
| 3.3.1 前言 |
| 3.3.2 数学模型建立 |
| 3.4 基于局部S变换和极限学习机的故障诊断方法 |
| 3.4.1 前言 |
| 3.4.2 数学模型建立 |
| 3.5 基于VMDF多尺度散布熵和极限学习机的故障诊断方法 |
| 3.5.1 前言 |
| 3.5.2 数学模型建立 |
| 3.6 本章小结 |
| 第四章 轴向柱塞泵试验台搭建及早期典型多故障诊断方法研究 |
| 4.1 轴向柱塞泵故障实验平台的搭建 |
| 4.1.1 实验平台系统原理及设备选择 |
| 4.1.2 传感器安装位置及方向 |
| 4.1.3 故障实验台的搭建 |
| 4.2 基于VMD分位数排列熵和多分类SVM的轴向柱塞泵早期典型多故障诊断方法研究 |
| 4.2.1 信号采集 |
| 4.2.2 信号VMD分解和重构 |
| 4.2.3 特征提取与结果分析 |
| 4.2.4 模式识别与结果分析 |
| 4.2.5 结论 |
| 4.3 本章小结 |
| 第五章 轴向柱塞泵不同程度早期磨损故障诊断方法研究 |
| 5.1 基于局部S变换和ELM的轴向柱塞泵磨损故障诊断方法研究 |
| 5.1.1 信号采集 |
| 5.1.2 特征提取与结果分析 |
| 5.1.3 模式识别与结果分析 |
| 5.1.4 结论 |
| 5.2 基于VMDF多尺度散布熵和ELM的轴向柱塞泵早期磨损故障诊断方法研究 |
| 5.2.1 信号采集 |
| 5.2.2 信号VMDF分解和重构 |
| 5.2.3 特征提取及结果分析 |
| 5.2.4 模式识别及结果分析 |
| 5.2.5 结论 |
| 5.3 本章小节 |
| 第六章 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表成果 |
| 致谢 |
（5）分布式光纤传感系统的振动信号识别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 引言 |
| 1.2 分布式光纤传感器 |
| 1.2.1 准分布式与分布式光纤传感器 |
| 1.2.2 分布式光纤传感器结构 |
| 1.2.3 分布式光纤传感器主要特点 |
| 1.2.4 分布式光纤传感器应用领域 |
| 1.3 基于Φ-OTDR的扰动模式识别研究进展 |
| 1.4 研究意义与研究内容 |
| 1.4.1 研究意义 |
| 1.4.2 研究内容 |
| 2 基于Φ-OTDR的分布式光纤传感的理论研究 |
| 2.1 引言 |
| 2.2 光的散射 |
| 2.2.1 弹性光散射 |
| 2.2.2 非弹性光散射 |
| 2.2.3 散射光对比 |
| 2.3 基于干涉仪的分布式光纤传感器方案 |
| 2.3.1 Sagnac干涉仪方案 |
| 2.3.2 Michelson干涉仪方案 |
| 2.3.3 Mach-Zehnder干涉仪方案 |
| 2.4 基于光时域反射仪的分布式光纤传感器方案 |
| 2.4.1 OTDR方案 |
| 2.4.2 BOTDR方案 |
| 2.4.3 POTDR方案 |
| 2.4.4 Φ-OTDR方案 |
| 2.4.5 方案对比 |
| 2.5 基于Φ-OTDR的分布式光纤传感器 |
| 2.5.1 基于Φ-OTDR的分布式光纤传感器原理 |
| 2.5.2 基于Φ-OTDR的分布式光纤传感器结构 |
| 2.5.3 基于Φ-OTDR的分布式光纤传感器输出信号 |
| 2.6 本章小结 |
| 3 Φ-OTDR分布式光纤传感模式识别 |
| 3.0 引言 |
| 3.1 模式识别过程 |
| 3.2 信号采集 |
| 3.3 信号预处理 |
| 3.3.1 信号预加重 |
| 3.3.2 信号分帧 |
| 3.3.3 信号加窗 |
| 3.3.4 相关系数分帧 |
| 3.4 信号去噪 |
| 3.4.1 信号归一化 |
| 3.4.2 信噪比 |
| 3.4.3 小波去噪 |
| 3.4.4 谱减法去噪 |
| 3.4.5 滑动平均差分去噪 |
| 3.5 信号特征分析 |
| 3.5.1 持续时间 |
| 3.5.2 幅度特征分析 |
| 3.6 特征提取 |
| 3.6.1 波形因子和脉冲因子 |
| 3.6.2 峰值因子和裕度因子 |
| 3.6.3 短时能量和短时平均幅度 |
| 3.6.4 短时过零率和上升过零间隔 |
| 3.6.5 短时过电平率和过双电平率 |
| 3.6.6 功率谱 |
| 3.6.7 频带方差 |
| 3.7 本章小结 |
| 4 Φ-OTDR系统模式识别实验研究 |
| 4.1 引言 |
| 4.2 实验系统搭建 |
| 4.3 分类识别 |
| 4.3.1 SVM理论 |
| 4.3.2 BP神经网络 |
| 4.3.3 Adaboost分类 |
| 4.4 分类融合 |
| 4.5 实验结果 |
| 4.6 本章小结 |
| 5 结论 |
| 5.1 论文主要完成工作 |
| 5.2 未来展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）基于图像处理的多特征融合苹果分级方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 水果分级国内外发展现状 |
| 1.2.1 水果分级国外研究现状 |
| 1.2.2 水果分级国内研究现状 |
| 1.3 水果分级发展前景 |
| 1.4 论文的主要研究内容及结构 |
| 第2章 苹果分级系统框架及综述 |
| 2.1 苹果分级系统的基本框架 |
| 2.2 苹果分级总体流程 |
| 2.2.1 苹果图像的采集和预处理 |
| 2.2.2 特征提取 |
| 2.2.3 苹果分级 |
| 2.3 分类算法概述 |
| 2.4 多分类器融合方法概述 |
| 2.5 本章小结 |
| 第3章 苹果图像的采集和预处理 |
| 3.1 概述 |
| 3.2 苹果实际分选流程 |
| 3.3 图像采集 |
| 3.4 常见的颜色模型 |
| 3.4.1 RGB模型 |
| 3.4.2 HSI模型 |
| 3.4.3 RGB模型到HSI模型的转换 |
| 3.4.4 不同模型下的苹果分量图 |
| 3.5 图像分割 |
| 3.6 形态学去噪 |
| 3.7 边缘检测 |
| 3.8 缺陷和果梗区域提取 |
| 3.9 本章小结 |
| 第4章 苹果特征提取 |
| 4.1 概述 |
| 4.2 缺陷和果梗的特征提取 |
| 4.3 苹果形状特征提取 |
| 4.3.1 最小最大半径比值法描述苹果形状 |
| 4.3.2 圆形度法描述苹果形状 |
| 4.4 苹果颜色特征提取 |
| 4.4.1 基于RGB模型下颜色定量分析 |
| 4.4.2 苹果红色着色率 |
| 4.5 本章小结 |
| 第5章 苹果大小检测 |
| 5.1 传统的苹果大小检测方法 |
| 5.2 改进的苹果大小检测 |
| 5.2.1 果径面选取与测量 |
| 5.2.2 图像标定 |
| 5.3 苹果大小测量实验与结果分析 |
| 5.3.1 单一苹果果径面的选取与测量 |
| 5.3.2 苹果大小测量结果 |
| 5.4 本章小结 |
| 第6章 苹果分级研究 |
| 6.1 苹果分级需求分析 |
| 6.2 数据规范化 |
| 6.3 不同分类算法介绍 |
| 6.3.1 K-最近邻算法 |
| 6.3.2 BP神经网络算法 |
| 6.3.3 支持向量机算法 |
| 6.4 基于多特征多分类器融合的分级方法 |
| 6.4.1 分类器选择原则 |
| 6.4.2 多分类器融合规则 |
| 6.5 缺陷果识别实验 |
| 6.6 完好果的分级实验 |
| 6.6.1 单特征下的完好果分级 |
| 6.6.2 多特征单分类器下的完好果分级 |
| 6.6.3 多特征多分类器融合下的完好果分级 |
| 6.6.4 完好果分级的三组实验对比 |
| 6.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
| 个人简历 |
（7）超声刀具磨损状态识别与寿命预测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及研究目的意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究目的及意义 |
| 1.2刀具监测技术研究现状 |
| 1.2.1 刀具磨损监测信号的获取 |
| 1.2.2 信号特征的提取 |
| 1.2.3 模式识别技术 |
| 1.2.4 刀具剩余寿命预测研究现状 |
| 1.3 课题来源和主要研究内容 |
| 1.3.1 课题来源 |
| 1.3.2 本文主要研究内容 |
| 1.4 本章小结 |
| 第二章 超声刀具磨损阶段划分与监测信号采集实验研究 |
| 2.1 前言 |
| 2.2 直刃刀磨损机理分析 |
| 2.3 直刃刀磨损形态 |
| 2.4 监测信号采集实验 |
| 2.4.1 监测信号的选择 |
| 2.4.2 信号采集实验平台搭建 |
| 2.4.3 实验操作步骤 |
| 2.4.4 实验结果及分析 |
| 2.5 直刃刀磨损阶段划分 |
| 2.6 本章小结 |
| 第三章 超声刀具磨损特征提取 |
| 3.1 前言 |
| 3.2 声信号环境噪音去除 |
| 3.3 时域和频域特征提取 |
| 3.3.1 信号时域特征提取 |
| 3.3.2 信号频域特征提取 |
| 3.4 基于小波包分解的特征提取 |
| 3.4.1 小波包分解 |
| 3.4.2 切削声信号能量百分比特征提取 |
| 3.4.3 切削力信号能量百分比特征提取 |
| 3.5 特征矩阵降维 |
| 3.5.1 PCA降维原理 |
| 3.5.2 直刃刀磨损特征降维 |
| 3.6 本章小结 |
| 第四章 超声刀具磨损状态识别 |
| 4.1 前言 |
| 4.2 BP神经网络 |
| 4.3 基于K近邻的多BP神经网络分类器融合算法 |
| 4.3.1 分类器融合等级及结构选择 |
| 4.3.2 分类器权值自适应获取算法 |
| 4.4 基于分类器融合的直刃刀磨损状态识别 |
| 4.4.1 训练参数的确定 |
| 4.4.2 模型的训练 |
| 4.4.3 直刃刀磨损状态识别 |
| 4.4.4 与传统单BP神经网络模型对比 |
| 4.5 本章小结 |
| 第五章超声刀具剩余寿命预测 |
| 5.1 前言 |
| 5.2 隐马尔科夫模型 |
| 5.2.1 隐马尔科夫链 |
| 5.2.2 隐马尔模型分类 |
| 5.3 直刃刀剩余寿命预测 |
| 5.3.1 基于HMM的直刃刀剩余寿命预测 |
| 5.3.2 基于BP神经网络的直刃刀具剩余寿命预测 |
| 5.3.3 模型预测有效性对比 |
| 5.4 本章总结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士研究生期间发表的学术论文及参加的科研项目 |
（8）基于卷积神经网络的旋转机械故障特征自动学习与智能诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题背景及研究意义 |
| 1.3 旋转机械故障诊断技术国内外研究现状 |
| 1.3.1 旋转机械故障特征提取方法研究现状 |
| 1.3.2 旋转机械故障融合诊断方法研究现状 |
| 1.3.3 旋转机械故障智能诊断方法研究现状 |
| 1.3.4 卷积神经网络发展以其在旋转机械故障诊断领域中研究现状 |
| 1.4 旋转机械故障诊断当前存在的关键问题 |
| 1.5 论文主要工作 |
| 1.6 论文结构安排 |
| 第二章 卷积神经网络模型基本架构及其故障诊断应用原理 |
| 2.1 引言 |
| 2.2 卷积神经网络基本组成结构 |
| 2.2.1 卷积层 |
| 2.2.2 激活函数层 |
| 2.2.3 池化层 |
| 2.2.4 全连接层 |
| 2.2.5 分类器 |
| 2.2.6 目标函数 |
| 2.3 卷积神经网络训练方法 |
| 2.3.1 前向传播算法 |
| 2.3.2 反向传播算法 |
| 2.3.3 优化算法 |
| 2.4 基于卷积神经网络故障的诊断模型 |
| 2.5 本章小结 |
| 第三章 基于卷积神经网络和离散小波变换的行星齿轮箱故障诊断方法研究 |
| 3.1 引言 |
| 3.2 信号分析方法 |
| 3.3 离散小波变换及其特点 |
| 3.4 基于卷积神经网络和离散小波变换的行星齿轮箱诊断方法 |
| 3.4.1 诊断方法框架 |
| 3.4.2 卷积神经网络构建 |
| 3.4.3 实验数据以及样本集构建说明 |
| 3.4.4 对比实验设计 |
| 3.4.5 实验验证及分析 |
| 3.5 本章小结 |
| 第四章 基于深度卷积神经网络与WPT-PWVD轴承故障诊断方法研究 |
| 4.1 引言 |
| 4.2 WPT-PWVD时频分析 |
| 4.2.1 小波包变换 |
| 4.2.2 伪魏格纳分布 |
| 4.3 深度卷积神经网络构建 |
| 4.3.1 批量归一化 |
| 4.3.2 Dropout方法 |
| 4.3.3 数据集增强 |
| 4.4 基于深度卷积神经网络与WPT-PWVD的轴承故障诊断方法 |
| 4.4.1 诊断方法框架 |
| 4.4.2 时频图构建及预处理 |
| 4.4.3 实验数据以及样本集合构建说明 |
| 4.4.4 对比实验设计 |
| 4.4.5 实验验证及分析 |
| 4.4.6 不同工况下轴承复合故障诊断实例 |
| 4.5 本章小结 |
| 第五章 基于信息深度融合的行星齿轮箱故障诊断方法研究 |
| 5.1 引言 |
| 5.2 残差卷积神经网络构建 |
| 5.2.1 残差块单元 |
| 5.2.2 恒等映射 |
| 5.3 随机森林算法 |
| 5.4 基于信息深度融合的行星齿轮箱故障诊断方法 |
| 5.4.1 基于DR-CNN网络特征学习 |
| 5.4.2 基于多源信息深度融合的行星齿轮箱故障诊断方法步骤 |
| 5.4.3 实验数据以及样本集合构建说明 |
| 5.4.4 对比实验设计 |
| 5.4.5 实验验证及分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 本文创新之处 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（9）基于声电融合的变压器局部放电智能诊断方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变压器局部放电检测技术研究现状 |
| 1.2.2 变压器局部放电模式识别研究现状 |
| 1.2.3 多分类器融合技术研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 具体章节安排 |
| 第二章 局部放电信号采集方法和有效性分析 |
| 2.1 变压器局部放电实验平台 |
| 2.1.1 变压器局部放电模拟实验平台搭建 |
| 2.1.2 局部放电缺陷模型 |
| 2.1.3 局部放电实验步骤 |
| 2.2 变压器局部放电数据采集 |
| 2.2.1尖端电晕放电实验 |
| 2.2.2悬浮放电实验 |
| 2.2.3气隙放电实验 |
| 2.2.4沿面放电实验 |
| 2.3 变压器局部放电UHF和超声波法检测分析 |
| 2.4 本章小结 |
| 第三章 局部放电UHF信号的处理及识别分析 |
| 3.1 UHF局部放电数据特征量提取 |
| 3.2 用于局部放电模式识别的OS-ELM算法 |
| 3.2.1 OS-ELM原理 |
| 3.2.2 基于OS-ELM的局部放电模式识别 |
| 3.3 实验结果对比分析 |
| 3.3.1 识别正确率对比 |
| 3.3.2 不同训练集大小时的性能对比 |
| 3.3.3 训练时间对比 |
| 3.4 本章小结 |
| 第四章 局部放电超声波信号的处理及识别分析 |
| 4.1 超声波局部放电数据特征提取 |
| 4.2 用于局部放电模式识别的深度学习算法 |
| 4.2.1 深度神经网络(DNN) |
| 4.2.2 递归神经网络(RNN) |
| 4.2.3 卷积神经网络(CNN) |
| 4.3 实验与对比分析 |
| 4.3.1 识别正确率对比 |
| 4.3.2 混淆矩阵和AUC对比 |
| 4.3.3 训练时间性能对比 |
| 4.4 本章小结 |
| 第五章 局部放电声电融合方法及识别分析 |
| 5.1 声电融合智能诊断系统框架 |
| 5.2 基于Choquet模糊积分的分类器融合分析原理 |
| 5.2.1 融合分析流程 |
| 5.2.2 融合分析原理 |
| 5.2.3 模糊测度的确定 |
| 5.3 基于Choquet模糊积分的声电融合智能识别结果 |
| 5.3.1 Choquet模糊积分计算 |
| 5.3.2 融合后识别正确率 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（10）基于遥感多时相影像的南海北部湾地区地物分类与识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 选题意义 |
| 1.2 国内外研究进展 |
| 1.2.1 遥感多时相影像分类应用研究现状 |
| 1.2.2 遥感图像分类技术研究进展 |
| 1.2.3 多分类器集成相关研究进展 |
| 1.2.4 随机森林算法相关研究进展 |
| 1.2.5 指纹识别技术相关研究进展 |
| 1.2.6 目前研究存在的问题 |
| 1.3 论文研究思路和流程 |
| 1.4 论文主要研究内容 |
| 1.5 论文章节安排 |
| 第2章 研究数据与方法 |
| 2.1 研究区概况 |
| 2.2 研究数据获取及预处理 |
| 2.2.1 多时相影像获取及其特征 |
| 2.2.2 影像数据预处理 |
| 2.2.3 野外观测数据预处理 |
| 2.2.4 北部湾遥感影像分类体系 |
| 2.3 分类精度评价方法 |
| 2.3.1 生产者精度 |
| 2.3.2 用户精度 |
| 2.3.3 总体精度 |
| 2.3.4 Kappa系数 |
| 2.4 本章小结 |
| 第3章 基于稳定权重加权投票的多分类器融合算法 |
| 3.1 单分类器分类结果对比及多分类器融合提升潜力分析 |
| 3.2 基于多种模式投票的多分类器融合算法对比分析 |
| 3.2.1 基于多种模式投票的多分类器融合算法原理及流程 |
| 3.2.2 基于多种模式投票的多分类器融合对比分析 |
| 3.2.3 基于精度权值加权投票的多分类器融合算法的稳定性分析 |
| 3.3 基于稳定权重加权投票的多分类器融合算法 |
| 3.3.1 稳定权重值的算法 |
| 3.3.2 稳定权重值可能存在的问题 |
| 3.3.3 稳定权重值的修正算法 |
| 3.3.4 基于稳定权重加权投票的多分类器融合算法分类结果精度分析 |
| 3.4 基于稳定权重加权投票的多分类器迭代融合算法 |
| 3.4.1 多分类器迭代融合算法原理 |
| 3.4.2 多分类器迭代融合算法验证分析 |
| 3.5 本章小结 |
| 第4章 基于稳定权重加权投票的多训练样本集多时相影像多分类器三重融合分类算法 |
| 4.1 遥感图像分类算法结果影响因素分析 |
| 4.2 基于稳定性权重投票的多训练样本集分类结果融合算法 |
| 4.2.1 单个训练样本集分类局限性分析 |
| 4.2.2 多训练样本集分类结果融合分类算法 |
| 4.2.3 分类结果精度分析 |
| 4.3 基于稳定权重加权投票的多时相影像多分类器二重融合算法 |
| 4.3.1 单时相影像分类的局限性分析 |
| 4.3.2 多时相影像分类结果差异分析 |
| 4.3.3 多时相影像传统分类应用分析 |
| 4.3.4 多时相影像多分类器二重融合算法原理 |
| 4.3.5 分类结果分析 |
| 4.4 基于稳定权重加权投票的多训练样本集多时相影像多分类器三重融合分类算法 |
| 4.4.1 三重融合算法原理及流程 |
| 4.4.2 算法验证 |
| 4.4.3 算法分类精度提升效果分析 |
| 4.5 本章小结 |
| 第5章 基于像元图像指纹识别的多时相影像分类识别算法 |
| 5.1 指纹识别技术及其应用 |
| 5.2 基于像元图像指纹识别的多时相遥感图像分类算法构建 |
| 5.2.1 分类算法原理 |
| 5.2.2 分类算法流程 |
| 5.2.3 分类算法初次测试结果与精度分析 |
| 5.3 基于像元图像指纹识别的多时相遥感图像目标地物识别算法构建 |
| 5.3.1 识别算法原理 |
| 5.3.2 识别算法流程 |
| 5.3.3 识别算法初次测试结果及精度分析 |
| 5.4 分类与识别算法影响因素及精度提升分析 |
| 5.4.1 算法本身的影响分析及算法改进 |
| 5.4.2 多时相影像特征波段数量的影响分析 |
| 5.4.3 标准训练样本质量和数量的影响分析 |
| 5.5 分类与识别算法最终测试结果分析 |
| 5.5.1 分类算法最终测试结果与精度分析 |
| 5.5.2 识别算法最终测试结果分析 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究结论 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 主要参考文献 |
| 附录: 算法部分源代码 |
| 附录A 基于精度权值加权投票模式的多分类器融合算法部分源代码 |
| 附录B 基于精度权值优选投票模式的多分类器融合算法程序部分源代码 |
| 附录C 基于稳定性权值加权投票的多分类器融合算法程序部分源代码 |
| 附录D 基于像元图像指纹识别的多时相遥感影像分类算法部分源代码 |
| 附录E 基于像元图像指纹识别的多时相遥感影像目标地物识别算法部分源代码 |
| 附表 |
| 附图 |
| 攻读学位期间参与的科研项目和研究成果 |
| 致谢 |
四、多分类器融合模式识别方法研究（论文参考文献）
- [1]面向多源特征的模式识别算法及应用研究[D]. 陈莉芬. 山东大学, 2020(10)
- [2]运动想象脑电信号识别方法及其在轮式机器人中的应用[D]. 刘兴旺. 东北电力大学, 2020(01)
- [3]基于多传感器融合的下肢康复机器人控制系统设计[D]. 周国庆. 天津科技大学, 2020(08)
- [4]轴向柱塞泵早期故障特征提取与模式识别方法研究[D]. 励文艳. 太原理工大学, 2020(07)
- [5]分布式光纤传感系统的振动信号识别研究[D]. 姚媛媛. 北京交通大学, 2020(03)
- [6]基于图像处理的多特征融合苹果分级方法研究[D]. 郑羽纶. 河北科技大学, 2020(01)
- [7]超声刀具磨损状态识别与寿命预测技术研究[D]. 王志兵. 杭州电子科技大学, 2020(04)
- [8]基于卷积神经网络的旋转机械故障特征自动学习与智能诊断方法研究[D]. 黄鑫. 重庆交通大学, 2019(06)
- [9]基于声电融合的变压器局部放电智能诊断方法[D]. 张秦梫. 上海交通大学, 2019(06)
- [10]基于遥感多时相影像的南海北部湾地区地物分类与识别方法研究[D]. 申怀飞. 南京大学, 2018(09)