关键词： 半夏   无机元素   模式识别   产地溯源   计量学模型  

摘要： 为建立不同产地半夏无机元素的分析方法和溯源体系,为半夏药材的质量控制和道地性评价提供技术支持。采用电感耦合等离子体质谱法(ICP-MS)和电感耦合等离子体原子发射光谱法(ICP-AES)对我国6个主产区72份半夏样品中K、Ca、Na、Mg、Al等37种无机元素的含量进行测定,并采用方差分析、主成分分析、因子分析等计量学方法进行统计与评价。通过对比BP-神经网络算法、K-最近邻算法、最小二乘支持向量机等多种模式识别方法,探索适合半夏产地溯源的最佳模型。结果表明:不同产地半夏中无机元素的构成各具特征,各无机元素含量在产地间差异显著(P<0.05),其中La、Pb、As、Na、Bi、Hg、Sn、Cd、Ag 9种元素在不同产区间的差异最为明显;3D-plots图显示不同产地半夏样品分布相对集中,具备产地分类的可行性;KNN分类模型(曼哈顿距离)是半夏产地溯源的最佳方法,测试集的正确率达到100%。无机元素分析技术结合适当的计量学模型可以实现半夏的产地溯源。

关键词： 多功能雷达   模式识别   自注意力机制   特征提取   深度学习  

摘要： 雷达工作模式识别是解释雷达行为和功能的基本任务。现有方法难以在信号灵活、环境复杂的条件下筛除脉冲序列中不同空间和不同通道中的冗余信息。本文在深度残差网络的基础上，增加了空间自注意力模块和通道自注意力模块以适应上述信号特点。模型引入自注意力机制以实现雷达序列不同空间和通道的自适应权值分配，使网络能更有效率的关注更具差异性的信息，实现了极端条件下雷达工作模式的高精度识别。同经典深度学习网络AlexNet、LeNet、VGGNet、ResNet以及常规深度卷积网络相比，该模型在0～50%漏脉冲条件下，平均识别率提升了36%，在独立测试集40%漏脉冲比例下模型仍然具备90%以上的识别率，证明了所提网络的优越性和有效性。

关键词： 控制图   模式识别   复杂产品制造过程   t分布随机近邻嵌入(t-SNE)   卷积神经网络(CNN)  

摘要： 为解决控制图质量异常模式识别中， 实时质量数据呈现出高维非线性等复杂特征导致模型过拟合以及失真等问题， 提出一种基于融合特征 t分布随机近邻嵌入(t-DistributedStochasticNeighborEmbedding，t-SNE)降维的控制图质量异常模式识别方法. 首先， 从生产过程动态数据流中提取其统计特征、形状特征并与原始特征进行融合， 形成动态数据流的高维融合特征; 然后利用 t-SNE 算法对融合特征进行降维， t-SNE 算法能够有效地处理线性和非线性数据， 并产生更有意义的聚类; 进而利用一维卷积神经网络(1-Dimensional Convolutional Neural Networks， 1DCNN)作为分类器实现复杂产品制造过程的质量异常模式识别; 最后， 通过仿真实验将本文所提方法与单一类型特征方法、融合特征方法以及融合特征主成分分析法(Principal Component Analysis， PCA)、核主成分分析(Kernel PCA， KPCA) 和局部线性嵌入算法(Locally Linear Embedding， LLE) 降维方法的识别模型进行比较， 并利用锂离子电池极片制造过程为例进一步说明本文模型的有效性与实用性. 仿真与实例结果表明， 本文所提算法具有更高的识别效率和精度， 特别适用于处理在复杂产品制造过程背景下的高维非线性数据.

关键词： 变压器   故障   模式识别   小样本   生成对抗网络  

摘要： 针对变压器故障数据难以获取且数据量不均衡性显著的问题,提出一种基于BO-AC改进GAN的变压器故障诊断方法。针对局放超声信号的噪声干扰问题,采用小波阈值降噪提升了数据的信噪比;以一维时域超声信号作为数据源,基于GAN算法进行样本生成和故障诊断,通过在经典GAN架构中添加辅助条件层,优化模型的泛化性能,采用BO策略优化模型超参数,提升识别性能。通过与多种方法在不同方案下识别效果的对比,验证了文中方法的有效性和优越性。文中方法基于不均衡实测数据训练后的测试准确率均在95%以上,解决了样本数据不均衡条件下变压器故障类型的准确诊断问题,为保障变压器的可靠运行提供了新方法。

关键词： 光谱学   中红外光谱   模式识别   参数优化   掺伪判别  

摘要： 开展了独立成分分析(independent component analysis, ICA)联合支持向量机(support vector machine, SVM)模型对食品掺伪的判别.通过傅里叶变换红外光谱仪获得食用植物油(正品油、掺伪油和炸货油)以及奶粉(纯奶粉和掺三聚氰胺奶粉)的中红外光谱,首先,探究不同的光谱预处理方法对所建立模型的影响,经考察选取归一化结合移动平滑对光谱进行预处理;然后采用特征矩阵联合近似对角化(joint approximate diagonalization of eigenmatrices, JADE)方法提取光谱特征信息,其结果优于主成分分析对特征信息的提取效果;通过Kennard-Stone算法划分训练集和测试集,利用贝叶斯优化(Bayesian optimization, BO)对SVM模型参数进行优化.经考察,所构建的JADE-BO-SVM模型对掺伪食品的识别准确度达到100%,该法可为食品掺伪的高效、准确鉴别提供新的途径和思路.

关键词： 图像识别技术   大数据   物体识别   模式识别   面部识别   智慧物流   海量图像数据   物流行业  

摘要： 大数据图像识别技术是一种能从海量图像数据中识别和提取有效信息的技术,其应用领域广泛,包括面部识别、物体识别、模式识别等。在物流领域,大数据图像识别技术主要用于识别货物、追踪货物的运输过程、优化库存管理等。智慧物流作为物流行业的一种新型模式。

关键词： 虹膜识别   生物特征识别   模式识别   计算机视觉   深度学习  

摘要： 虹膜识别技术是一种十分安全的生物识别技术，以其卓越的精确性、安全性和稳定性等特点在边境管理、公共安全、金融支付等领域展现出巨大潜力。当前的虹膜识别系统在约束用户状态和采集设备的条件下展现出了较为稳定的性能，但是无法适应目前复杂多样的开放场景。开放场景中包含了大量不确定采集因素，例如采集的虹膜图像容易受到睫毛、头发遮挡和镜面反射等因素的干扰，这些不确定性因素往往会造成图像质量的整体下降，导致虹膜图像分割和特征提取环节性能的显著下降。因此，虹膜识别技术的研究应该进一步突破现有的限制，从受限制的场景扩展到约束条件更少的开放场景中进行研究。近年来，深度学习算法已被广泛应用于虹膜识别，旨在提升系统对开放场景的适应性。对深度学习技术在虹膜识别领域的应用现状进行了综述，总结了其在提高开放场景下识别精度的关键作用。首先，分析比较了各类深度学习模型在虹膜分割、特征提取和特征匹配任务中的表现，阐述了它们的优势和局限；接着，系统地总结了常见的虹膜数据集及其特性；最后，指出了虹膜识别任务新挑战及未来探索的潜在方向。提供了对基于深度学习的虹膜识别技术全面而深入的认识，有利于促进虹膜识别技术在实际应用中的创新和优化。

关键词： 轨道角动量   人工智能   模式识别   谱测量  

摘要： 涡旋光束携带的轨道角动量作为一种全新的光场调控自由度在超大容量光通信、旋转探测、高分辨率成像、光信息存储、量子技术等前沿领域展现了巨大的应用潜力。在上述应用中，实现快速、高精度的轨道角动量模态感知十分重要。随着人工智能在各领域的快速发展，将人工智能技术作为光束轨道角动量模态感知的新型解决方案引起了国内外学者的广泛关注。本文从人工智能的应用模型角度出发，对近年来基于人工智能技术的光束轨道角动量模态感知方法进行了系统性综述，主要包括机器学习、深度学习及混合学习模型下的轨道角动量模式分布探测和多模混合光束谱测量，同时讨论了扰动下的人工智能轨道角动量模态感知方法研究进展。

关键词： 气体绝缘组合电器   局部放电   非线性尺度空间特征提取   图像融合   分布熵   模式识别  

摘要： 气体绝缘组合电器（gas insulated switchgear，GIS）局部放电（partial discharge，PD）缺陷类型的准确识别对电力设备的状态评估与故障诊断至关重要，为了解决PD模式识别中特征提取准确性不足的问题，本文提出一种基于极坐标分布熵优化的非线性尺度空间特征（KAZE）提取方法。首先，对光、电单参量图谱进行非下采样轮廓波变换（non-subsampled contourlet transform，NSCT），得到包含信息更丰富的光电融合图谱；然后，利用KAZE算法提取图谱典型特征点，并依据相位、幅值、尺度信息将特征点发散至极坐标，提取子区域分布熵构成特征向量；最后，将特征信息带入经自适应增强算法（Adaboost）优化的长短期记忆网络（long short-term memory，LSTM）进行模式识别验证，并与KAZE法、统计参数法、卷积神经网络（convolutional neural networks，CNN）进行对比。结果表明，本文提出的特征提取方法在不同训练集分布下均可达到较高的识别率，最高可达91%，相较于统计参数法、CNN分别提升8.8%和4.4%，可以为提高GIS局部放电特征提取准确性提供参考。

关键词： 水利工程施工   缆机   多目标跟踪   模式识别   目标识别  

摘要： 缆机是拱坝施工中主要的混凝土入仓设备。监测缆机吊运过程并分析其施工效率,对于支撑工程现场调度优化、资源配置和指导施工至关重要。该文提出一种基于视觉跟踪和模式识别的缆机吊运混凝土效率智能分析方法,首先训练YOLO模型作为目标检测器,并引入轨迹片段特征改进Deep SORT算法,实现对缆机吊罐移动轨迹的多目标跟踪;然后基于轨迹数据的时序特征建立缆机吊运混凝土工作状态识别模型,实现从海量轨迹数据中快速准确识别缆机工作状态和计算吊运效率。拱坝工程的实例分析结果表明:该方法实现了高精度完整跟踪吊罐的移动轨迹, MOTA指标和IDF1指标分别高达90.0%和94.8%,准确识别出了缆机的6种工作状态,精准计算出了缆机的浇筑强度等效率指标,具备可靠性和准确性。