-
公开(公告)号：CN105260805B
公开(公告)日：2018-10-23
申请号：CN201510785671.8
申请日：2015-11-16
Applicant: 中南大学
Abstract: 本发明提供了一种基于异构分类器选择性融合的锑矿品位软测量方法，包括：对记录的锑浮选泡沫图像特征数据以及与品位相关的生产数据的预处理共同构成特征空间；首先随机选取部分特征构成多个子样本空间，然后对每个子样本空间使用bootstrap采样获得多个不同的子样本，并对每个子样本做PCA分析获得对品位变化敏感性高且无相关性或弱相关性的关键特征；基于具有较强学习能力的RBF核和具有较高泛化能力的多项式核的KELM，对每一个子样本集分别采用两种KELM构建候选子模型；采用信息熵的方法，赋予每个候选子模型权重；基于RMSE对所有候选子模型从小到大排序，选出最优加权子模型组合作为最终模型对精矿品位做出预测。
-
Patent Agency Ranking
公开(公告)号：CN106257498A
公开(公告)日：2016-12-28
申请号：CN201610599656.9
申请日：2016-07-27
Applicant: 中南大学
IPC: G06K9/62
Abstract: 本发明提出了一种基于异构纹理特征的锌浮选状态划分方法，综合了能够对高频段纹理特征效果较好的灰度共生矩阵算法，以及对中低频纹理图像具有较好建模效果的高斯马尔科夫随机场算法提取锌浮选图像纹理特征，并对将其高斯归一化作为纹理特征向量。在集成聚类算法中，首先采用效率相对较高的划分聚类，消除噪声点和离群点的影响，再使用聚类质量较好、稳定性较高的层次聚类算法对划分聚类输出的聚类中心进行组合，进而得到最终的聚类结果。实验证明,本发明所提取的纹理特征量具有良好的模式可分性,集成聚类算法可以很好地将不同状态的泡沫区分开来,且这种方法可以直接在计算机上实现,成本低,效率高,易于实施。
-
公开(公告)号：CN106257498B
公开(公告)日：2019-12-17
申请号：CN201610599656.9
申请日：2016-07-27
Applicant: 中南大学
IPC: G06K9/62
Abstract: 本发明提出了一种基于异构纹理特征的锌浮选状态划分方法，综合了能够对高频段纹理特征效果较好的灰度共生矩阵算法，以及对中低频纹理图像具有较好建模效果的高斯马尔科夫随机场算法提取锌浮选图像纹理特征，并对将其高斯归一化作为纹理特征向量。在集成聚类算法中，首先采用效率相对较高的划分聚类，消除噪声点和离群点的影响，再使用聚类质量较好、稳定性较高的层次聚类算法对划分聚类输出的聚类中心进行组合，进而得到最终的聚类结果。实验证明,本发明所提取的纹理特征量具有良好的模式可分性,集成聚类算法可以很好地将不同状态的泡沫区分开来,且这种方法可以直接在计算机上实现,成本低,效率高,易于实施。
-
公开(公告)号：CN105260805A
公开(公告)日：2016-01-20
申请号：CN201510785671.8
申请日：2015-11-16
Applicant: 中南大学
Abstract: 本发明提供了一种基于异构分类器选择性融合的锑矿品位软测量方法，包括：对记录的锑浮选泡沫图像特征数据以及与品位相关的生产数据的预处理共同构成特征空间；首先随机选取部分特征构成多个子样本空间，然后对每个子样本空间使用bootstrap采样获得多个不同的子样本，并对每个子样本做PCA分析获得对品位变化敏感性高且无相关性或弱相关性的关键特征；基于具有较强学习能力的RBF核和具有较高泛化能力的多项式核的KELM，对每一个子样本集分别采用两种KELM构建候选子模型；采用信息熵的方法，赋予每个候选子模型权重；基于RMSE对所有候选子模型从小到大排序，选出最优加权子模型组合作为最终模型对精矿品位做出预测。
-
公开(公告)号：CN107180140A
公开(公告)日：2017-09-19
申请号：CN201710426212.X
申请日：2017-06-08
Applicant: 中南大学
Abstract: 本发明提供了一种基于双树复小波与AdaBoost的轴系故障识别方法。主要步骤为：采集水平、竖直、轴向的振动加速度信号并处理为振动速度信号；将非平稳的故障振动信号通过双树复小波分解得到几个不同频段的分量；对各个频段信号使用自适应阈值降噪，提高信噪比；分别对降噪后的各层信号重构，获取各个频段的能量；以各个频段能量作为AdaBoost集成学习的输入，AdaBoost集成学习以单层决策树作为弱分类器，使用提出的SAMME.Z算法进行多分类，最终识别轴承故障类型。本发明具有良好的模式可分性，计算量低，效率高，对工业现场轴系运行状态监控有良好的指导作用。
-
公开(公告)号：CN107180140B
公开(公告)日：2019-12-10
申请号：CN201710426212.X
申请日：2017-06-08
Applicant: 中南大学
Abstract: 本发明提供了一种基于双树复小波与AdaBoost的轴系故障识别方法。主要步骤为：采集水平、竖直、轴向的振动加速度信号并处理为振动速度信号；将非平稳的故障振动信号通过双树复小波分解得到几个不同频段的分量；对各个频段信号使用自适应阈值降噪，提高信噪比；分别对降噪后的各层信号重构，获取各个频段的能量；以各个频段能量作为AdaBoost集成学习的输入，AdaBoost集成学习以单层决策树作为弱分类器，使用提出的SAMME.Z算法进行多分类，最终识别轴承故障类型。本发明具有良好的模式可分性，计算量低，效率高，对工业现场轴系运行状态监控有良好的指导作用。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
