简介:针对齿轮故障时振动信号复杂、特征提取困难的问题,提出采用局部特征尺度分解(LocalCharacteristicscaleDecomposition,LCD)与双谱分析相结合的故障特征提取方法。首先,利用LCD分解法对振动信号进行分解,并结合贝叶斯信息准则(BayesianInformationCriterion,BIC)和峭度时间序列互相关系数2个指标对内禀尺度分量(IntrinsicScaleComponent,ISC)进行筛选;其次,利用双谱分析法对所选取的ISC分量进行融合,提取双谱熵作为特征量;最后,运用该方法实现齿轮振动信号故障特征的提取,并通过齿轮预置故障试验验证了该方法的有效性。
简介:从大量的地震属性中提取最能反映地质特征的综合属性是储层预测技术的关键,通常选用降维方法来优选属性。目前应用最为广泛的线性降维方法。但是,由于地震属性与地质特征的关系通常是非线性的,基于线性变换的地震属性降维优化方法不能充分地反映这种非线性关系,降低了储层预测的精度。流形学习是一种新的非线性学习方法,它是通过保持数据局部结构的方式将高维数据投影到低维空间,挖掘和发现隐藏在数据中的内在特征与规律性,开拓了地震属性降维优化研究的新领域。本文首次实现了3D地震数据的层问属性特征提取,讨论了LLE方法及其关键技术,并以奥陶系礁滩相储层实例说明LLE和PCA两种方法降维及聚类的不同效果。理论模型分析和实例应用表明:LLE较好地保持了数据本身的原始结构;提取的综合属性和聚类相图较好地刻画了沉积相带、储层和流体的特征。这说明流形学习具有更好的特征提取性能。
简介:摘要:基于内容的图像检索离不开特征提取,而局部特征提取是当前研究热点之一,由于局部特征之间的独立性和高语义性,此种方法在基于内容的图像检索领域有着良好的表现[1]。为了进一步提高局部特征的语义性、提升特征提取模型的表现力,本文引入视觉注意力机制与分组卷积思想对当前的局部特征提取模型进行优化,经实验证实,优化后的模型提取出的局部特征在Oxford数据集以及Paris数据集有着更好的检索效果。
简介:摘要:知识产权是权利人对所创作的智力劳动成果所享有的财产权利,其本质核心就是为了证明是谁在什么时 间创作了什么样的劳动成果。但由于传统登记方式的局限性,一直存在存证难、取证 难、确权难、维权难、交易难、成本高及周期长等诸多问题。为了解决上述知识产权存在的诸多难题,提出利用人工智能+区块链构建知 识产权溯源平台。该平台一方面对人工智能纹理识别技术进行研究,用于对数据资产提取高维特征向量,将高维特征向量作为证据上传到平台,解决自动化存证和取证的问题;另一方面将通过纹理技术取 证的信息以NFT智能合约的方式放到区块链上,以期解决知识产权维权难、交易难及周期长的问题,利用NFT智能合约也可 以将证据在多个涉及到产权的部门间可信自动化流转。
简介:[摘要]语音识别率的高低,取决于语音信号特征提取的准确性和鲁棒性。,现实生活中是存在噪音干扰以及传播失真的,当语音识别技术走出实验室,流入市场的时候,其实特定设备接收到的语音信号就已经开始失真了。针对这一问题,笔者提出了特征提取的过程应该向前推进到发音系统的观点。结合不同人的发音生理特征来分析和提取语音信号的特征,这样的特征必将大大提高语音识别过程中提取到的信号特征的真实性,从而提高语音识别技术的识别率。