递归图

摘要： 针对负荷数据类型辨识中存在的类别不平衡及特征提取不足的问题,提出一种基于变分自编码器预处理和递归图-二维卷积神经网络的不平衡负荷数据类型辨识方法。首先,利用变分自编码器的过采样方法对少数类样本进行平衡化处理。然后,使用递归图算法将负荷曲线图像化。最后,根据二维卷积神经网络求取分类结果。算例分析表明,变分自编码器能有效地改善负荷数据中存在的类别不平衡问题,提高少数类的召回率;同时,相比于序列输入的分类器模型,经过递归图编码后,其图像输入的二维卷积神经网络模型有更高的分类准确度。

摘要： 基于数字化电阻层析成像(ERT)系统采集的垂直管道气液两相流实验数据,通过计算不同时刻系统采集的数据均值,生成一维时间序列并进行相空间重构,绘制递归图。对绘制的递归图进行阈值分割,并分析了两相流流动特性。计算了不同流型对应无阈值递归图的图像信息熵范围:泡状流为0.570~0.660;泡状流到弹状流过渡流型为2.300~3.200;弹状流为3.650~4.100;段塞流为4.300~4.600;段塞流到混状流过渡流型为4.650~4.950。结果表明各流型递归图图像信息熵范围分隔明显,可有效识别这5种流型。

摘要： 充分分析变压器振动信息中包含的状态信息是目前变压器研究中的一个重要课题.传统的频域分析方法忽略了某些信号的频率信息.结合桥梁等建筑领域的经验,本文利用相空间重构技术和定量递归图方法基于振动时间序列恢复原来振动系统的响应特性.在此基础上,利用主成分分析方法量化变压器的振动稳定性,并与典型平稳信号进行对比.实验结果表明,本文提出的稳定性评价方法确实反映了变压器的稳定性.

摘要： 针对乐器分类问题,基于非线性动力学概念,将不同乐器产生的音频时间序列利用递归图方法进行处理,每组音频时间序列对应得到一张递归图.提取每张递归图的稠密比例不变特征变换(SIFT)特征,通过视觉词袋模型法将高维度的SIFT特征降维,得到每张递归图的视觉单词频率直方图向量作为特征输入线性支持向量机,采用支持向量机(SVM)算法中的"一对多法"实现多分类.实验表明,该方法识别准确率高于递归图密度比特征法,且比基于梅尔频率倒谱系数方法高出3％～4％.为乐器识别提供新思路.

摘要： 针对电能质量扰动信号识别算法复杂、识别率低等问题,提出一种将长短时记忆神经网络应用于电能质量扰动信号识别分类的新方法.首先在Tensorflow中搭建长短时记忆神经网络,建立电能质量扰动信号分类模型.其次利用分类模型对电能质量扰动信号原始数据进行有监督学习,提取扰动信号的深层次特征,并将其连接到Softmax分类器输出各扰动信号的识别率.最后将电能质量扰动信号通过递归图生成的二维轨迹图像作为分类模型的输入,通过训练模型实现扰动信号的分类.仿真结果表明,该分类模型对电能质量扰动信号的一维和二维表示均有较好的分类准确率,可以有效识别7种单一扰动和6种复合扰动信号.

摘要： 针对大型移动设备状态监测中本地资源有限的问题,将非线性动力学理论中的递归图方法引入大型移动设备的状态监测中,对其早期异常进行直观化图像预警.以轴承振动信号为对象验证该方法的可行性.状态正常的轴承的递归图呈现出网状结构,而当有异常发生时,递归图的形式则变成盒状图.易于非专业人员加以分辨.同时应用不同故障和不同转速下的轴承的振动信号分析了该方法的适用性和稳定性.该方法不但很好地解决了大型移动设备本地资源有限的问题,而且定性地解决了设备早期异常的识别,为移动设备停机点检提供可靠的依据。

摘要： 在240mm×40mm×2000mm的双支腿流化床冷态试验装置上，采用混沌特征量Kolmogorov 熵和递归图分析法，对床内差压脉动信号进行了研究，分析了鼓泡床、湍流床、快速床在递归图上的表现，通过不同床高的递归特征量DET、DIV和K 熵随气速的变化趋势，获得了床内流动结构的转变规律，以及床存量变化对不同流型混沌特性的影响规律。结果表明，不同流动结构的递归图和混沌特性均有较大的区别，混沌特性随床存量的增加而增大。

摘要： 本文结合递归图对非平稳非线性信号的分析能力与卷积神经网络自动提取图像特征的优势,提出了一种非平稳激励下的结构损伤识别方法.首先利用结构多个位置的振动响应构造多变量无阈值递归图,然后通过卷积神经网络模型对不同工况的递归图进行特征提取和学习分类,从而实现对非平稳激励下结构局部损伤的识别.最后,通过简支梁数值模拟,验证了所提出损伤识别方法的有效性与鲁棒性.

摘要： 本发明涉及图形信号处理技术领域，具体公开了一种基于递归最小二乘的在线分布式多任务图滤波器构建方法，包括步骤：S1：构建节点可变的图滤波器；S2：构建分布式学习模型来追踪未知的图滤波器的系数向量；S3：使用在线的分布式交替方向乘子法对分布式学习模型进行求解；S4：利用步骤S3求解所得系数向量更新步骤S1中构建的节点可变的图滤波器。本发明利用递归最小二乘方法进行模型的求解，加快了图滤波的估计速度；在节点可变的图滤波器模型中，图滤波器系数不同但相似的情况下，考虑多任务情况，能够促进节点之间的合作，提高估计速度和估计精度；将算法改进为一种在线的方式，解决了计算复杂度大的问题。

摘要： 用于在多主体强化学习中利用递归推理图的系统和方法，所述系统和方法包括：接收与在多主体环境内行进的自我主体和目标主体相关联的数据；以及利用多主体中心参与者评论者框架分析与所述自我主体和所述目标主体相关联的所述数据。所述系统和方法还包括：基于所述多主体参与者评论者框架执行k级递归推理以计算所述自我主体和所述目标主体的更高级别递归动作。所述系统和方法还包括基于以下至少一者控制所述自我主体和所述目标主体中的至少一者在所述多主体环境内操作：与所述自我主体相关联的主体动作策略和与所述目标主体相关联的主体动作策略。

摘要： 本发明提供了一种上下文感知图递归网络的自行车流量预测方法，用于智能交通管理。本发明使用模式约束聚类方法将独立的停靠站聚类成组，每个停靠站组是一个功能区域，统计每个区域停靠站的自行车进出流量，并获取天气数据作为外部信息；采用上下文感知图递归网络构建基于区域的自行车流量预测模型，包括由上下文感知图递归单元组成的编码器和解码器，每个单元通过将上下文嵌入层和自适应图生成器集成到门控递归单元GRU中，并将GRU中的线性变换层替换为自适应图卷积形成；将训练好的预测模型部署在共享单车管理系统上。本发明方法提升了自行车流量预测的准确度，能有效抵抗由外部因素产生的流量波动，有利于自行车调度系统发展和策略制定。

摘要： 本发明公开了一种基于递归图分析的列车稳定性评估方法，分别采集列车转向架左前侧车轮的、右前侧车轮、左后侧车轮、右后侧车轮的M个采样周期的振动加速度信号序列，将左前侧车轮的振动加速度信号序列视为振动加速度在三维相空间中的状态轨迹，根据任意两个采样时间ti、tj所对应的振动加速度向量在相空间中的距离与于临界距离的比较，构建左前侧车轮的M个采样周期所对应的M个递归图，根据任意相邻的两个采样周期的递归图的变化特征值，判断左前侧车轮的运行状态，类推得到转向架其他车轮的运行状态，进而判断判定列车的运行状态。本发明利用构建递归图对列车的稳定性进行判断，实现了对列车运行状况更全面和更精准的控制。

摘要： 本发明公开了一种基于递归图和递归定量分析的OLTC故障诊断方法，步骤1：将振动检测探头贴敷在有载分接开关的箱壁顶端上，采集有载分接开关正常、触头松动、触头磨损、触头烧毁等不同状态下动作过程中产生的振动信号；步骤2：从振动信号的递归特性出发，将振动信号进行相空间重构；步骤3：分别采用递归图(RP)和递归定量分析(RQA)对相轨迹进行定性和定量分析；步骤4：根据定性和定量分析的结果进行故障诊断。本发明可实时监测变压器有载分接开关的工作状态，满足变压器有载分接开关实时故障诊断的要求。为有目的的检修提供数据支撑和理论依据，避免浪费人力，物力和时间。

摘要： 本发明涉及一种基于递归图与卷积自编码器的高维负荷聚类方法，包括如下步骤：S1、获取高维负荷功率特征，S2、构建基于递归图理论的高维负荷特征增强模型；S3、构建基于卷积自编码器的高维负荷特征提取模型；S4、构建基于谱聚类的高维负荷聚类模型，得到高维负荷的聚类结果。本发明能够将一维负荷特征转换为二维递归图特征，实现特征增强，并结合卷积自编码器实现特征提取，利用该特征达到了更好的聚类效果。

摘要： 本发明涉及一种基于递归图与卷积神经网络的电力负荷预测方法，包括以下步骤：S1、获取电力负荷功率特征；S2、将历史电力负荷特征进行最大最小值归一化处理；S3、构建基于递归图理论的电力负荷特征增强模型；S4、构建基于卷积神经网络的负荷预测模型；S5、得到负荷预测结果。本发明能够将一维负荷特征转换为二维递归图特征，实现特征增强，并利用卷积神经网络进行负荷预测，相比基于一维负荷特征的负荷预测方法，能够有效提升负荷预测精度。

摘要： 本发明公开了一种基于NExT‑递归图的结构损伤检测方法及系统。该方法包括：获取不同损伤状况下结构各点的加速度响应时程信号；采用NExT方法对所述加速度响应时程信号进行处理，获得不同结构点位加速度响应的互相关函数信号；对所述互相关函数信号进行递归图处理，并将生成的递归图进行堆叠得到三维递归图；将所述三维递归图划分为训练集和验证集；通过所述训练集和所述验证集分别对卷积神经网络模型进行训练和验证；通过训练好的卷积神经网络模型进行结构损伤检测。本发明能够有效对结构的损伤进行检测，最大限度提高检测的准确性和鲁棒性。

摘要： 本发明公开了基于无阈值递归图和卷积神经网络的电流信号分析方法，对采集到的电流信号进行预处理，获得去除噪音干扰的电流信号；再将除噪音干扰的电流信号转换为无阈值递归图；通过卷积神经网络实现电流信号无阈值递归图中非线性特征的自学习，并建立电流信号的分类模型；利用电流信号的分类模型对后续的电流信号来对逆变器故障进行识别。本发明通过将电流信号波形转化为无阈值递归图，可以将电流信号的非线性特征映射至二维图像中，在转换过程中不设置阈值，可以更好的保留原始信号波形中的非线性信息，可以对无阈值递归图进行更多细节特征的自学习，进而获得了较好的故障诊断效果。

摘要： 本发明公开一种基于递归图的光纤周界入侵检测方法及系统，所述方法包括：分别获取不同事件类型下的光纤形变信号，并进行预处理，得到不同事件类型下的扰动信号；分别对不同事件类型下的扰动信号进行相空间重构，得到对应的事件类型下的递归图；根据递归图制作数据集，根据数据集训练基于注意力机制的卷积神经网络模型；通过基于注意力机制的卷积神经网络模型对入侵事件进行识别。本发明将递归图与卷积神经网络结合进行入侵事件识别，可以较准确分辨出入侵事件类别，提高识别准确率。