声发射技术在复合材料损伤模式识别中的应用

应用模态分析技术,分析复合材料拉伸破坏试验中的声发射信号,提取复合材料不同破坏阶段下的声发射源信号的特征,进行了有关复合材料损伤模式识别的工作。     

基于红外成像的条烟自动检测系统

为了解决条烟封箱机装箱过程中的缺条检测问题,本文在研究红外图像处理技术的基础上,提出了一种基于红外成像的烟垛缺条检测方法,该方法通过对实时拍摄的烟垛端部图像进行形态学处理、边缘提取,计算边缘图像构成的轮廓矩,并通过对比该图像和模板的轮廓矩信息判断烟垛是否缺条。并根据实际应用,设计了基于红外成像的条烟封箱自动检测系统。实际检测表明,所研制的红外成像自动检测系统能很好的解决香烟封箱过程中的缺条检测问题,具有很好的应用价值。     

多维力传感器各维间相互干扰的消除

将计算机模式识别方法用于解决载荷作用点不定条件下多维力传感器各维间相互干扰的消除问题,提出了在偏载条件下特征提取方法以及相应的模式预处理和分类判别方法,并给出了一个应用实例。     

旋转机械故障振动诊断的模式识别方法

本简单介绍了模式识别诊断法的基本思想，提出了一种新的模式识别诊断法-故障模式分解法，并把最小平方误差（Least-Mean-Square-Error)准则算法引入旋转机械故障的振动诊断，取得了令人满意的数字仿真效果。     

铝合金平板超高速撞击声发射信号S2模态特征分析

对铝合金平板上形成的超高速撞击(HVI)声发射(AE)信号S2模态的特征进行研究,分析其与损伤模式之间的关系。以3 mm厚5A06铝合金平板为研究对象,通过数值仿真获得不同撞击工况下的超高速撞击声发射信号,提取信号中的S2模态,并分析其幅值、能量、频谱等特征。结果表明,S2模态能量随传播距离呈指数衰减;分别随撞击弹丸直径和撞击速度的增加先下降后上升,且在弹丸直径与靶板厚度相近、临界撞击速度时最低。S2模态的中心频率随弹丸直径的增加而降低;随撞击速度的增加而增加;随传播距离的增加向1500 kHz移动。S2模态小波包系数呈凹性的频域范围分别随撞击速度和弹丸直径的增大变窄。在此基础上,当靶板形成穿孔损伤时,可根据S2模态的中心频率推测弹丸的直径;在传播距离和弹丸直径已知的前提下,可根据S2模态小波包系数呈凹性的频域范围推测撞击速度。     

机器人视觉系统模糊识别抓取物算法

针对机器人视觉系统对抓取物的模糊识别问题,参照人眼-脑识别对象的过程,建立了包括区域分割与模糊识别两个环节的识别算法.以视觉图像的灰度与色度特征作为区域分割与模糊识别的依据,从灰度、色度及形体特征上提取特征集的指标,并根据经walsh变换后图像灰度迅速向低频聚集的特点,提出基于walsh变换的基元模式识别特征的定义方法.在构建识别目标矩阵与关系矩阵的基础上,应用模糊关系合成与最大隶属度原则建立识别算法.该算法可从少量的采样点中识别出对象,具有较好的实时性.     

虚拟扩展成像在大视场姿态角测量中的应用

对基于光电准直和针孔成像原理的姿态角测量系统,提出一种虚拟扩展成像面技术,对图像传感器成像面进行复用,虚拟扩大系统的测量视场.基于反射不对称的针孔光阑设计,实现一种光斑模式识别方法,对光斑质心和正反射模式进行识别,并进行虚拟成像面坐标扩展.通过计算机仿真,对识别结果进行了分析验证,表明这种方法对各种光斑模式都能准确识别,成倍扩大了测量视场.      

M-FSVM在可靠性寿命分布模式识别中的应用CSCD

在产品的可靠性研究中,准确、有效地识别产品所属的寿命分布,是可靠性建模成败的关键。针对传统支持向量机(SVM)在解决多分类问题时存在不可分区域等缺陷,提出了一种基于多分类模糊支持向量机(M-FSVM)的可靠性寿命分布模式识别方法,建立了包括指数分布、正态分布、对数正态分布和威布尔分布四种常用寿命分布模式识别的模糊支持向量机模型,并进行了仿真试验研究。仿真试验结果表明,该模型能够克服传统支持向量机中存在的不足,能够对常用的寿命分布模式进行智能识别,识别率高,便于工程应用。     

基于几何模式识别的发动机传感器故障诊断

提出一种基于几何模式识别技术的发动机传感器故障诊断方法,以解决传感器缓慢漂移故障和由于安装制造差异和性能蜕化等造成的模型不匹配难以区分的问题。传感器测量值输入到自适应模型中,产生一组部件性能修正因子,作为故障模式来对传感器故障进行诊断,每种故障或性能蜕化都对应惟一的模式,采用几何模式识别技术隔离出传感器故障。以某型涡扇发动机为对象进行的仿真结果表明,该方法能诊断出传感器小漂移故障,并能对部件状态进行监控。     

基于加权朴素贝叶斯分类器和极端随机树的蛋白质接触图预测

提出一个新的基于集成学习的预测器(TargetPCM),对蛋白质接触图(特别是中长程)进行高精度的预测。首先,TargetPCM使用加权朴素贝叶斯分类器(Weighted Nave Bayes classifier,WNBC)融合3个接触图预测器的输出,其中WNBC中的权重参数通过粒子群算法优化得到;其次,将WNBC融合后的输出和基于序列的特征进行组合,得到更具鉴别能力的特征;在此基础上,应用极端随机树训练得到最终的蛋白质接触图预测模型。为了验证TargetPCM的有效性,在包含98个非冗余蛋白质的数据集上进行了测试。结果表明:对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的集成预测器(NeBcon)分别提高了8.2%,16.1%和5.3%。在CASP11上进一步的验证表明,对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的基于协同进化的集成预测器(MetaPSICOV)分别提高了7.4%,9.1%和7.5%。实验结果验证了本文所提蛋白质接触图预测方法的有效性。