摘要：针对传统图像辅助去噪方法存在去噪效果差、图像细节信息少、耗时长等问题,提出基于监督性机器学习算法的图像辅助去噪方法。通过监督性机器学习计算,对存在噪声图像做问题描述,通过非下采样转换,获得多尺度与全方向的非下采样轮廓转换因子。融合噪声分布与空间结构特征,构建最小支持向量机特征向量,计算最优阈值。并对高频率因子做辅助去噪处理,将辅助去噪因子变换,获得辅助去噪后图像。实验结果表明,上述方法可以精准估算噪声部分,并保留图像轮廓细节信息,提升图像质量,运行时间短,具有较高鲁棒性,为图像去噪处理提供科学依据。

摘要：针对当前图像特征分割技术分割复杂多样图像时存在精度较低的问题,引入数据挖掘理念,研究了一种新的图像特征分割技术。使用K-means聚类算法进行聚类处理,依次使用柔化处理、中值滤波处理和锐化处理后,实现图像去噪。通过分析预处理图像获得白色线剖面图,根据数据挖掘确定图像中的目标颜色R/B值和背景颜色R/B值,在灰度共生矩阵中获得描述参量,对比对比度、熵、相关性和能量,实现纹理特征提取,由此完成复杂多样图像的高精度分割。分别对模拟图像和遥感图像进行分割实验,与传统分割结果进行对比,从定性和定量两个角度验证基于数据挖掘的图像特征分割技术的有效性,结果表明,基于数据挖掘的图像特征分割技术能够获得更全面的图像信息和纹理细节,从而更加精准地分割出同质区域。

摘要：锂离子电池寿命预测是掌握电源性能衰退趋势的重要手段,已成为电子系统健康管理领域的研究热点;针对锂离子电池的寿命预测问题,基于NASA艾姆斯中心的锂离子电池地面试验采集的数据,将扩展卡尔曼滤波(EKF)算法应用于锂离子电池寿命预测过程中,并针对预测过程中存在的问题,采用最优Loess平滑原理进行改进,从而提高了预测的稳定性和精确性;实验结果表明,提出的预测方法能够有效地用于锂离子电池寿命预测中,在工程应用方面具有较高的实用价值。

摘要：无人机系统工作处于外回路,从故障发生到判定需要一定的时间做出反馈与控制,若未及时处理,将影响无人机系统运行的稳定性;无人机作为一个大的迟滞延迟复杂系统,只能通过遥测遥控数据掌握飞行器状态;而无人飞行器故障预测与健康管理技术(PHM),是利用先进的传感器的集成,实时下传无人机遥测数据,并借助各种算法和智能模型来预测、监控和管理无人机的状态;以遥测数据作为基础,结合无人机的实际工程应用需求,分析无人机发动机典型故障模式,建立无人机发动机典型故障的粒子滤波、K-Means聚类、多层感知器等3种诊断模型;并在最后利用试验数据对诊断结果进行了比较和分析,对3种方法的适用性展开了阐述和说明;实验结果表明,提出的诊断方法能够有效地用于无人机发动机故障诊断中,针对11种典型故障的平均诊断准确率在90%以上,在工程应用方面具有较高的实用价值。

摘要：针对当前图像破损提取方法忽略了破损点的特征分化处理,导致传统方法存在效率低、误差大的问题,提出新的大区域图像局部破损点优化提取方法。对大区域图像局部校正,获得破损信息,利用平滑处理加强图像质量,利用有效灰度区间对局部破损点进行灰度直方图转换,并使用Sobel算子检测直方图进行关键区域边缘,得到关键区域并使用滤波提纯,同时通过深度超限速特征分化对破损点处理,估算图像破损点向量量化区域的超像素级视觉特征,达到对大区域图像局部破损点优化提取的目的。仿真结果证明,研究方法具有提取效率高、误差小的优点,为相关领域研究提供较好依据。