基于Relief算法的激光干涉仪故障图像自动识别方法研究

发布时间：2021-04-26 09:16

　　传统激光干涉仪故障图像识别方法将提取的所有故障图像特征作为输入进行故障图像识别,计算量大,且影响识别结果的准确性。为此,提出一种基于Relief算法的激光干涉仪故障图像自动识别方法。计算灰度共生矩阵,依据灰度共生矩阵求解获取纹理特征参数,构成特征子集对图像纹理特征进行描述。利用Relief算法对实例集合任意采样,求出各属性的权重对特征进行选择,从而实现对特征的排序,得到对识别作用最大的前几个特征,把特征权向量和原始样本数据共同输入相关向量机中进行训练,建立故障图像识别分类器,自动实现激光干涉仪故障图像的自动识别。经验证,Relief算法选择的特征可有效区分故障样本与非故障样本,所提方法对故障图像的识别准确性高。 

【文章来源】：自动化与仪器仪表. 2020,(12)

【文章页数】：4 页

【文章目录】：
0 引言
1 故障图像纹理特征提取
2 Relief算法特征选择
3 激光干涉仪故障图像自动识别
4 实验结果和分析
    4.1 特征选择有效性验证
    4.2 故障图像识别性能验证
5 结论


【参考文献】：
期刊论文
[1]基于稀疏编码空间金字塔匹配和GA-SVM的列车故障自动识别[J]. 孙国栋,周振,王俊豪,张杨,赵大兴.  光学精密工程. 2018(12)
[2]柴油机时频图像双向二维特征编码与故障识别[J]. 岳应娟,王旭,蔡艳平.  内燃机学报. 2018(04)
[3]基于ReliefF算法与偏最小二乘方法的鸽子转向运动解码[J]. 万红,刘录,赵坤,刘新玉.  科学技术与工程. 2018(07)
[4]基于ReliefF特征量优化及BP神经网络识别的高压隔离开关故障类型与位置诊断方法[J]. 张一茗,李少华,陈士刚,高群伟,宋亚凯,张文涛,李洪涛,关永刚.  高压电器. 2018(02)
[5]基于ReliefF剪枝的多标记分类算法[J]. 刘海洋,王志海,张志东.  计算机学报. 2019(03)
[6]基于卷积神经网络的绝缘子故障识别算法研究[J]. 高强,孟格格.  电测与仪表. 2017(21)
[7]基于ReliefF和蚁群算法的特征基因选择方法[J]. 吴辰文,李晨阳,郭叔瑾,闫光辉.  计算机应用研究. 2018(09)
[8]基于RReliefF特征选择算法的复杂网络链接分类[J]. 伍杰华.  计算机工程. 2017(08)
[9]三电平逆变器多故障模式识别方法[J]. 沈艳霞,吴娟,赵芝璞,纪志成.  系统仿真学报. 2017(07)
[10]基于激光自混合干涉技术和小波变换的齿轮箱故障诊断[J]. 姜春雷,周旭明.  光学技术. 2017(01)



本文编号：3161157