多媒体流数据的无监督分段算法
发布时间：2021-11-05 15:38
工况的准确判别对于电熔镁炉的生产至关重要,工业现场都是根据3-5s的火焰状况来判断熔炼工况的,利用监控视频去做电熔镁炉工况的判别时,就需要基于时间序列来做视频图像的工况分类。而在数据预处理过程中如何对电熔镁炉生产过程中的动态视频图像进行分段就是其中的关键问题。提出了一种电熔镁炉监控视频的无监督分段方法。该方法包含两个主要步骤:视频图像特征提取和基于特征序列的时间序列分段:图像特征提取的目标是提取出能表示原图像的数据特征;自适应分段的目标是构造以段为最小单元的数据样本集,每个数据段是由相等长度的图像特征向量序列组成,同时段内数据尽可能具有相同的分布。最后,采用实际数据的实验结果表明了所提方法的有效性。
【文章来源】：控制工程. 2020,27(09)北大核心CSCD
【文章页数】：6 页
【部分图文】：
四种主要工况可视特征示例Fig.1Examplesofvisualcharacteristicsforfourmainworkingconditions
第9期刘晓丽等：电熔镁炉监控视频的无监督分段方法·1515·图2方法流程图Fig.2Flowchartofmethod3.2图像特征提取算法实际工业生产中，基于图像的工况识别技术大多需要人工设计图像特征，例如文献[11,12]等。这类方法存在的普遍问题是特征的泛化性能不理想，当生产条件发生变化时，往往需要重新设计特征。自编码器是一种从无标记数据中自动提取特征的方法，通常利用基于神经元网络的非线性逼近器来建立对原始数据空间的低维表示。自编码神经网络应用的是一种无监督学习策略，在无标签的情况下我们假设神经网络的输入与输出是相同的，然后调整其参数，得到每一层的权重，得到输入集中不同的表示（每一层都代表一种表示）。自编码器包括两个部分：编码部分和解码部分。编码部分可以看作是一个降维压缩的过程，编码阶段的最后一层即我们所要提取的最终特征层；解码部分可以看做解压的过程，解码部分的存在是为了确保我们提取出来的信息的有效性。本文采取深度卷积自编码技术来提取特征。整体网络结构，如图3所示。图3预处理自编码器结构Fig.3Thestructureofpreprocessingconvolutionauto-encoder图3中，编码器采用5层池化层，每层池化层后接一个卷积层以平滑图像；解码阶段采用5层上采样层，每层上采样层之后接一个卷积层以平滑图像。池化层的池化方式为maxpooling，池化大小为(2,2)，即在水平竖直两个方向上采样范围为(2,2)。卷积层采用二维平面卷积，卷积核大小为(3,3)。其中，训练期间参数配置：输入维度为64×128×3；输出维度为64×128×3；训练目标：使得输入层与输出层尽量相近；训练阶段的loss:均方误差；优化函数：adam函数，学习速
近器来建立对原始数据空间的低维表示。自编码神经网络应用的是一种无监督学习策略，在无标签的情况下我们假设神经网络的输入与输出是相同的，然后调整其参数，得到每一层的权重，得到输入集中不同的表示（每一层都代表一种表示）。自编码器包括两个部分：编码部分和解码部分。编码部分可以看作是一个降维压缩的过程，编码阶段的最后一层即我们所要提取的最终特征层；解码部分可以看做解压的过程，解码部分的存在是为了确保我们提取出来的信息的有效性。本文采取深度卷积自编码技术来提取特征。整体网络结构，如图3所示。图3预处理自编码器结构Fig.3Thestructureofpreprocessingconvolutionauto-encoder图3中，编码器采用5层池化层，每层池化层后接一个卷积层以平滑图像；解码阶段采用5层上采样层，每层上采样层之后接一个卷积层以平滑图像。池化层的池化方式为maxpooling，池化大小为(2,2)，即在水平竖直两个方向上采样范围为(2,2)。卷积层采用二维平面卷积，卷积核大小为(3,3)。其中，训练期间参数配置：输入维度为64×128×3；输出维度为64×128×3；训练目标：使得输入层与输出层尽量相近；训练阶段的loss:均方误差；优化函数：adam函数，学习速率默认为0.01；训练阶段选取的batch_size为128，迭代次数epoches为50。训练好模型参数后，给定新的图像数据，利用网络中的编码部分（即如图3所示的网络结构部分），即训练好的编码部分的权值参数，来提取新图像数据的特征。3.3基于Q指标的多变量时间序列数据的自适应分段算法目前，已经提出的时间序列分段算法大体上可以分为3类[9]：①分为最优的固定k段子序列；
【参考文献】：
期刊论文
[1]结合泡沫图像多特征及模糊数学的浮选工况评判[J]. 吴倩,廖一鹏. 微型机与应用. 2017(12)
[2]基于时态边缘算子的时间序列分段线性表示[J]. 肖辉,马海兵,龚薇. 计算机工程与应用. 2008(19)
[3]基于层次聚类的时间序列在线划分算法[J]. 杜奕,卢德唐,李道伦,查文舒. 模式识别与人工智能. 2007(03)
[4]基于判定系数和趋势变动的时间序列逐段线性回归[J]. 黄超,龚惠群. 统计与决策. 2006(24)
[5]基于斜率提取边缘点的时间序列分段线性表示方法[J]. 詹艳艳,徐荣聪,陈晓云. 计算机科学. 2006(11)
本文编号：3478071
【文章来源】：控制工程. 2020,27(09)北大核心CSCD
【文章页数】：6 页
【部分图文】：
四种主要工况可视特征示例Fig.1Examplesofvisualcharacteristicsforfourmainworkingconditions
第9期刘晓丽等：电熔镁炉监控视频的无监督分段方法·1515·图2方法流程图Fig.2Flowchartofmethod3.2图像特征提取算法实际工业生产中，基于图像的工况识别技术大多需要人工设计图像特征，例如文献[11,12]等。这类方法存在的普遍问题是特征的泛化性能不理想，当生产条件发生变化时，往往需要重新设计特征。自编码器是一种从无标记数据中自动提取特征的方法，通常利用基于神经元网络的非线性逼近器来建立对原始数据空间的低维表示。自编码神经网络应用的是一种无监督学习策略，在无标签的情况下我们假设神经网络的输入与输出是相同的，然后调整其参数，得到每一层的权重，得到输入集中不同的表示（每一层都代表一种表示）。自编码器包括两个部分：编码部分和解码部分。编码部分可以看作是一个降维压缩的过程，编码阶段的最后一层即我们所要提取的最终特征层；解码部分可以看做解压的过程，解码部分的存在是为了确保我们提取出来的信息的有效性。本文采取深度卷积自编码技术来提取特征。整体网络结构，如图3所示。图3预处理自编码器结构Fig.3Thestructureofpreprocessingconvolutionauto-encoder图3中，编码器采用5层池化层，每层池化层后接一个卷积层以平滑图像；解码阶段采用5层上采样层，每层上采样层之后接一个卷积层以平滑图像。池化层的池化方式为maxpooling，池化大小为(2,2)，即在水平竖直两个方向上采样范围为(2,2)。卷积层采用二维平面卷积，卷积核大小为(3,3)。其中，训练期间参数配置：输入维度为64×128×3；输出维度为64×128×3；训练目标：使得输入层与输出层尽量相近；训练阶段的loss:均方误差；优化函数：adam函数，学习速
近器来建立对原始数据空间的低维表示。自编码神经网络应用的是一种无监督学习策略，在无标签的情况下我们假设神经网络的输入与输出是相同的，然后调整其参数，得到每一层的权重，得到输入集中不同的表示（每一层都代表一种表示）。自编码器包括两个部分：编码部分和解码部分。编码部分可以看作是一个降维压缩的过程，编码阶段的最后一层即我们所要提取的最终特征层；解码部分可以看做解压的过程，解码部分的存在是为了确保我们提取出来的信息的有效性。本文采取深度卷积自编码技术来提取特征。整体网络结构，如图3所示。图3预处理自编码器结构Fig.3Thestructureofpreprocessingconvolutionauto-encoder图3中，编码器采用5层池化层，每层池化层后接一个卷积层以平滑图像；解码阶段采用5层上采样层，每层上采样层之后接一个卷积层以平滑图像。池化层的池化方式为maxpooling，池化大小为(2,2)，即在水平竖直两个方向上采样范围为(2,2)。卷积层采用二维平面卷积，卷积核大小为(3,3)。其中，训练期间参数配置：输入维度为64×128×3；输出维度为64×128×3；训练目标：使得输入层与输出层尽量相近；训练阶段的loss:均方误差；优化函数：adam函数，学习速率默认为0.01；训练阶段选取的batch_size为128，迭代次数epoches为50。训练好模型参数后，给定新的图像数据，利用网络中的编码部分（即如图3所示的网络结构部分），即训练好的编码部分的权值参数，来提取新图像数据的特征。3.3基于Q指标的多变量时间序列数据的自适应分段算法目前，已经提出的时间序列分段算法大体上可以分为3类[9]：①分为最优的固定k段子序列；
【参考文献】：
期刊论文
[1]结合泡沫图像多特征及模糊数学的浮选工况评判[J]. 吴倩,廖一鹏. 微型机与应用. 2017(12)
[2]基于时态边缘算子的时间序列分段线性表示[J]. 肖辉,马海兵,龚薇. 计算机工程与应用. 2008(19)
[3]基于层次聚类的时间序列在线划分算法[J]. 杜奕,卢德唐,李道伦,查文舒. 模式识别与人工智能. 2007(03)
[4]基于判定系数和趋势变动的时间序列逐段线性回归[J]. 黄超,龚惠群. 统计与决策. 2006(24)
[5]基于斜率提取边缘点的时间序列分段线性表示方法[J]. 詹艳艳,徐荣聪,陈晓云. 计算机科学. 2006(11)
本文编号：3478071
本文链接：https://www.wllwen.com/kejilunwen/huaxuehuagong/3478071.html
