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。

关键词： 局部放电   选择性标注   在线学习   模式识别  

摘要： 训练与检测样本分布不一致是深度学习方法对现场新增局放识别准确率低的主要原因，为实现局放模式识别对现场数据分布变化的持续适配、降低样本标注工作量，提出局部放电模式识别在线学习方法。首先，以局放模式识别模型各层特征为信息来源，利用推理模型区分处于训练集分布内外的新增局放样本，并分别采用软标签及人工方式对两种样本进行在线标注；其次，为平衡训练集分布内外样本的数量、提升新增样本识别准确率，采用基于梯度惩罚的条件式wasserstein距离生成对抗网络(CWGAN-GP)扩充两类局放样本，并以联合训练的方式更新局放模式识别模型。利用实验及现场采样得到的局放样本对所提方法进行验证，结果表明，所提方法标注工作量降低66.68%，在线学习结束后，新增样本集与训练集分布相同时识别准确率可提升4.61%，分布不同时识别准确率最低提升22.27%。

关键词： 自然语言处理   人工智能   群体智能   智能计算   模式识别   智能系统   因果推理   多智能体  

摘要： 2024年将特别关注大模型、元宇宙、人工智能、物联网、区块链、量子计算、大数据、隐私安全保护等技术的融合应用。本年度组稿包括但不仅限于以下方向:人工智能:大模型、多视图/多模态学习、统计学习、联邦学习、稳定学习、终身学习、跨模态内容生成、大数据智能、混合增强智能、群体智能、因果推理、类脑智能计算、量子智能计算、智能机器感知与模式识别、自然语言处理与理解、机器人与智能系统、多智能体协同、自主协同控制与优化决策、人工智能艺术创作。

关键词： 神经网络   模式识别   大便便意识别   人体生理参数  

摘要： 针对医院患病老人长期卧床、缺乏自理能力,尤其是大便护理难以解决的问题,提出了基于神经网络的大便便前监测模型。根据人体便前90 s生理参数会发生明显变化的特点,通过采集人体有便意和无便意状态下的生理参数制定数据集,构建大便便意识别模型并使用数据集对其进行训练,最终通过训练后的模型实现对卧床失能老人的大便便意识别和便前监测。临床实验结果表明:该预测模型进行便意识别和便前监测的准确率在80%~87%之间,具有较高精度和实用价值。

关键词： 高光谱   塑料打包带   神经网络   模式识别  

摘要： 目的建立一种快速、准确、无损的塑料打包带的检验及分类方法。方法利用高光谱在波长为350~990 nm的条件下采集52个不同来源的塑料打包带样品的高光谱数据,并对样品进行Savitzky-Golay平滑处理,同时结合主成分分析对样品进行降维。将提取到的主成分进行K-Means聚类,以聚类结果为依据建立径向基函数神经网络(RBFNN)与BP神经网络模型(BPNN)。结果打包带样品的高光谱谱图在400~500 nm、600~700 nm处有较大区别。实验共提取了5个初始特征值大于1的主成分,可以解释96.633%的原始数据。通过K-means聚类将塑料打包带样品分为6类,Calinski-Harabasz指数为28.76,RBFNN分类准确率为86.7%;BPNN分类准确率为98.1%,BPNN的分类效果更好。结论研究表明神经网络在高光谱谱图分类处理上具有较高的准确度,同时也验证了高光谱在区分检验塑料打包带类物证的可行性与科学性,为公安机关提供了一种新的检验方法。

关键词： 模式识别   高水平运动员   功能磁共振成像(fMRI)   脑   静息态  

摘要： 为弥补传统的广义线性模型(generalized linear model,GLM)方法的不足,并探索模式识别在运动脑科学当中的应用价值。使用支持向量机(support vector machine,SVM)模式识别算法,以低频振幅(fractional amplitude of low-frequency fluctuations,fALFF)、局部一致性(regional homogeneity,ReHo)和度中心度(degree centrality,DC)作为学习特征,对射击运动组和滑冰运动组(分类1)、射击运动组和对照组(分类2)以及速滑运动组和对照组(分类3)之间进行二分类,并计算每一个脑区在分类算法当中的权重。使用留一交叉验证法计算分类正确率,使用总的准确率、接受者操作特性曲线(receiver operating characteristic curve,ROC)、以及预测准确率来衡量机器分类算法的优劣性。结果表明:分类1中SVM算法的正确率较高且分类效果更稳定,总的准确率(total accuracy,tACC)可以维持在96.67%以上,曲线下面积(area under curve,AUC)均为1,说明SVM算法对区分不同项目运动员脑静息态功能特征时更有优势;在分类2和分类3中,SVM算法效果取决于使用的指标。其中,使用fALFF或者综合使用三个静息态指标的分类效果较稳定(tACC均在80%以上,AUC均在0.88以上);小脑在分类1算法中占较多的权重,提示不同运动项目运动员的脑功能活动之间差异最明显的部位主要在小脑上。而分类2和3中,除了小脑,还有一些与运动执行和控制及其他功能活动相关的脑区参与了算法的构成。通过SVM分类算法的应用获得较为理想的结果,展示了模式识别方法在运动科学领域的应用价值。研究成果有助于体育科学研究者从新的角度更加全面地理解运动与脑的关系。

关键词： 高压开关柜   暂态地电压   局部放电定位   模式识别   级联方式  

摘要： 针对高压开关柜局部放电定位技术存在误差大、效率低、难以实现定位到柜的问题,文中基于开关柜中局部放电TEV信号进行了定位技术研究,提出了TEV传感器级联式定位方法。通过分布式传感器有线级联的方式、双母线分时比较方法与TEV传感器状态开关切换策略,使单个双通道采集卡能对多面开关柜上的TEV传感器信号脉冲进行采集比较,从而快速、高效、准确地在成排高压开关柜中定位出局部放电源所在的开关柜。基于该方法设计了高压开关柜局部放电级联式定位系统,采用总线级联式的模块化设计,不需增加高速采集通道数量即可满足任意扩展TEV检测节点数量的需求,最大化地减少了系统成本。通过搭建验证平台验证了该定位方法的定位效果,证明了级联式定位系统的工作有效性,实现了局部放电定位到柜的目的。

关键词： 表面肌电信号   模式识别   特征筛选   特征融合  

摘要： 针对现存基于肌电信号的动作模式识别方法数据量不足、特征融合冗余、分类器识别精度低、泛化能力差且动作类别少等问题,以下肢动作为研究对象,采集爬坡、平地行走、上楼以及下楼4种动作类别的表面肌电信号(surface electromyography,sEMG),提出一种基于特征相关性和任务贡献度的特征筛选方法,最终实现了多特征融合的下肢动作模式识别。该方法在提高下肢动作模式识别的效率与精度方面显著优于传统的单特征和原始信号识别方法,可为特征筛选、多特征融合动作模式识别研究提供参考。

关键词： 道路网   模式识别   道路相交角   格网矩形度  

摘要： 基于“数据密集型范式”的研究思路,设计了两种格网模式道路识别方法。一种是基于统计实验区域的道路相交角的方法,另外一种是基于统计实验区域道路网眼格网单元矩形度的方法。经过实验验证,两种方法效果均较好,且易于运用于工程实践。