摘要：本文为古陶瓷的断代提供一种有效的特征提取系统,采用深度学习方法,提取古陶瓷显微表面特征。根据古陶瓷表面特征专家的意见,将收集到的瓷片数据并制作成标准数据集。使用在大量数据上训练好的带掩码的自编码器作为预训练模型,在下游分类任务中使用古陶瓷表面特征数据集做精调,经过多次迭代训练,准确率可以逼近98%,可以为古陶瓷鉴定师辅助分期断代提供有力工具。

摘要：针对电梯反绳轮轴承复合故障信号中各故障特征易受到强噪声干扰导致特征提取效果欠佳的问题,该文提出了一种改进变分模态分解(VMD)与快速独立分量分析(FastICA)的反绳轮轴承特征提取方法。基于反绳轮轴承振动信号,采用综合适应度指数确定VMD最优分解参数,进行VMD分解获取多通道观测信号,利用FastICA对复合故障信号进行分离和包络解调,判断反绳轮轴承故障类型。通过搭建反绳轮轴承试验系统进行复合故障注入试验验证,结果表明,所提方法能够在强噪声背景下对复合故障信号进行分离并准确地提取了反绳轮轴承故障信号的特征。

摘要：为了能够有效提取滚动轴承复合故障特征信息,提出一种改进特征模态分解(FMD)的滚动轴承复合故障特征提取方法。该方法首先根据AR功率谱划分频带区间,并设置双层滤波器以防止中心频率偏移;然后根据阈值筛选指标删除虚假模态;最后对剩余模态进行包络谱分析,以此对滚动轴承进行故障诊断。结果表明:该方法能够在包含强噪声的复合故障信号中成功分离故障分量,有效降低算法的时间复杂度,为滚动轴承故障诊断提供一种新途径。

摘要：智能巡检终端采集的电力设备数据大多为图像、视频、声音等非结构化数据,具有复杂性、多样性的特征。对上述非结构化数据提取的准确性决定了电力设备的监测能力,为此,面向智能巡检终端中的非结构化数据,提出了一种新的特征提取技术。分别识别智能巡检终端中数据的图像特征值、视频特征值、声音特征值。以识别结果为基础,对其进行归一化处理,利用K-L变换完成对数据样本的降维处理,实现对智能巡检终端非结构化数据特征的提取。实验结果表明,所提方法提取的结构化数据样本长度始终与智能巡检终端主机所需输配电数据样本长度差距小于0.05×109 MB,提高了非结构化数据特征提取的精准性。

摘要：为实现织物图像的快速自动识别与检索,从织物图像浅层视觉特征提取、深度语义特征学习以及检索模型构建3个方面综述了该领域的研究进展,分析了现有研究中存在的问题。发现织物图像浅层视觉特征在小样本数据集的检索中具有较好的适用性,且多特征融合应用可有效提升检索精度,但在大样本数据集及高层语义识别检索问题中的应用存在局限性,深度卷积神经网络是克服这一问题的有效途径;织物语义属性的优化设计、卷积神经网络结构优化以及距离尺度学习是目前提升深度检索模型语义识别精度的3个有效途径;认为未来织物图像识别检索精度的提升主要依赖于标准化的语义系统设计、精准的图像分割与识别技术以及多模态的信息融合检索。

摘要：分析了数字化CAD/CAPP/ROBOTICS集成焊接对焊接坡口设计的要求,设计了满足在设计环境和工艺规划环境双向数据流动和共享的焊接坡口特征设计的总体方案,提出了基于坡口特征库的典型焊接坡口造型和改进的基于CAD/CAM平台二次开发程序驱动的通用焊接坡口特征造型实现方法,给出了基于坡口特征设计解决坡口信息提取及焊缝特征识别与提取的方法,并实例验证了坡口特征造型方法的正确性。

摘要：在复杂电磁环境中,脉冲的大量丢失(数据缺失)及信号参数空间的严重交叠,破坏了传统分选方法所利用的信号规律性,最终导致现有信号分选算法很难获得令人满意的分选效果甚至完全失效。在同时考虑多个关键特征指标(脉冲宽度、载波频率、到达时间)的基础上,设计多参数五层互耦的分选算法;特别是提出新的关键特征指标提取方法,研究数据内部蕴含的特征向量,建立相应的数学模型,最终应用于对各种通信信号的分选。通过数值结果可以看出,引入的五步分选法可以实现对严重交叠和部分数据缺失的信号的分选。

摘要：在建立曲线合成孔径雷达回波信号稀疏表示模型的基础上,基于压缩感知采样矩阵设计的不相关原则,给出了曲线孔径优化设计的评价准则,并利用基于全局优化的基追踪方法实现了目标三维特征提取。仿真结果验证了孔径优化评价准则的正确性和基追踪方法在目标特征提取处理中的有效性。

摘要：为有效地从点云数据中提取吻合轮胎结构设计特征的花纹边界,提出面向胎面点云映射阵的花纹边界提取方法.首先以优化分割获取的胎面点云为对象,将栅格作为基本单元进行3D胎面点云到点云映射阵的转化;然后采用列链码连通性生长的方式获取花纹结构知识单元,构建能够表征花纹结构信息的结构知识库;最后通过求解知识单元相似度实现知识库中花纹的聚类,并借助模式识别实现聚类结果与花纹设计基本类型的匹配,进而驱动基本类型花纹边界特征归类机制实现花纹边界特征点的提取.实例结果表明,该方法能够高效、稳定、准确地提取半钢子午线轮胎点云中的花纹边界特征信息.

摘要：由于时域滑移、非承载区信号丢失、噪声等因素的干扰,滚动轴承故障特征难以准确提取,而智能诊断方法提取的多为抽象特征,不具备可解释性。首先,联合冲击响应机理与稀疏表示理论,设计了具备可解释性的稀疏表示自编码网络,将自编码网络的编码层和解码层分别等效为稀疏向量的求解与过完备字典的学习;其次,基于冲击响应参数的损失函数特征设计了自适应优化算法,有效实现了特征参数的快速全局寻优;结合设计的稀疏表示自编码网络与滚动轴承冲击信号特征构建了二层神经网络,对轴承故障信号进行高精度的特征重构。最后,仿真分析表明该方法特征提取精度高、抗噪性能好,能够提取具有明确物理意义的冲击故障特征参数,并进一步通过实验验证了所提方法的有效性。