傳統(tǒng)激光干涉儀故障圖像識(shí)別方法將提取的所有故障圖像特征作為輸入進(jìn)行故障圖像識(shí)別,計(jì)算量大,且影響識(shí)別結(jié)果的準(zhǔn)確性。為此,提出一種基于Relief算法的激光干涉儀故障圖像自動(dòng)識(shí)別方法。計(jì)算灰度共生矩陣,依據(jù)灰度共生矩陣求解獲取紋理特征參數(shù),構(gòu)成特征子集對(duì)圖像紋理特征進(jìn)行描述。利用Relief算法對(duì)實(shí)例集合任意采樣,求出各屬性的權(quán)重對(duì)特征進(jìn)行選擇,從而實(shí)現(xiàn)對(duì)特征的排序,得到對(duì)識(shí)別作用最大的前幾個(gè)特征,把特征權(quán)向量和原始樣本數(shù)據(jù)共同輸入相關(guān)向量機(jī)中進(jìn)行訓(xùn)練,建立故障圖像識(shí)別分類器,自動(dòng)實(shí)現(xiàn)激光干涉儀故障圖像的自動(dòng)識(shí)別。經(jīng)驗(yàn)證,Relief算法選擇的特征可有效區(qū)分故障樣本與非故障樣本,所提方法對(duì)故障圖像的識(shí)別準(zhǔn)確性高。 

【文章來(lái)源】：自動(dòng)化與儀器儀表. 2020,(12)

【文章頁(yè)數(shù)】：4 頁(yè)

【文章目錄】：
0 引言
1 故障圖像紋理特征提取
2 Relief算法特征選擇
3 激光干涉儀故障圖像自動(dòng)識(shí)別
4 實(shí)驗(yàn)結(jié)果和分析
    4.1 特征選擇有效性驗(yàn)證
    4.2 故障圖像識(shí)別性能驗(yàn)證
5 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于稀疏編碼空間金字塔匹配和GA-SVM的列車故障自動(dòng)識(shí)別[J]. 孫國(guó)棟,周振,王俊豪,張楊,趙大興.  光學(xué)精密工程. 2018(12)
[2]柴油機(jī)時(shí)頻圖像雙向二維特征編碼與故障識(shí)別[J]. 岳應(yīng)娟,王旭,蔡艷平.  內(nèi)燃機(jī)學(xué)報(bào). 2018(04)
[3]基于ReliefF算法與偏最小二乘方法的鴿子轉(zhuǎn)向運(yùn)動(dòng)解碼[J]. 萬(wàn)紅,劉錄,趙坤,劉新玉.  科學(xué)技術(shù)與工程. 2018(07)
[4]基于ReliefF特征量?jī)?yōu)化及BP神經(jīng)網(wǎng)絡(luò)識(shí)別的高壓隔離開關(guān)故障類型與位置診斷方法[J]. 張一茗,李少華,陳士剛,高群偉,宋亞凱,張文濤,李洪濤,關(guān)永剛.  高壓電器. 2018(02)
[5]基于ReliefF剪枝的多標(biāo)記分類算法[J]. 劉海洋,王志海,張志東.  計(jì)算機(jī)學(xué)報(bào). 2019(03)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的絕緣子故障識(shí)別算法研究[J]. 高強(qiáng),孟格格.  電測(cè)與儀表. 2017(21)
[7]基于ReliefF和蟻群算法的特征基因選擇方法[J]. 吳辰文,李晨陽(yáng),郭叔瑾,閆光輝.  計(jì)算機(jī)應(yīng)用研究. 2018(09)
[8]基于RReliefF特征選擇算法的復(fù)雜網(wǎng)絡(luò)鏈接分類[J]. 伍杰華.  計(jì)算機(jī)工程. 2017(08)
[9]三電平逆變器多故障模式識(shí)別方法[J]. 沈艷霞,吳娟,趙芝璞,紀(jì)志成.  系統(tǒng)仿真學(xué)報(bào). 2017(07)
[10]基于激光自混合干涉技術(shù)和小波變換的齒輪箱故障診斷[J]. 姜春雷,周旭明.  光學(xué)技術(shù). 2017(01)



本文編號(hào)：3161157