下载文档原格式
基于等效时频图谱和 SVM 的局放识别方法研究李富贵;李春锋;孔海洋;王璇【摘要】为区分电力电缆不同绝缘故障下的局部放电类型，本文研究了一种基于等效时频图谱和支持向量机（ SVM）的局放识别方法。
采用双指数衰减模型与单指数衰减模型两种局放类型进行实验，模拟产生两类局放信号并通过信号采集系统进行采集。
对采集来的局放信号提取等效时频特征，进而将局放信号映射到等效时频图谱中。
根据等效时频特征，用SVM对不同局放信号分类判别，结果表明SVM能实现准确分类。
该方法不仅能够实现单一放电源识别，还能识别混合放电源，能够为电力电缆及其他电气设备的局放模式识别提供参考。
【期刊名称】《机电元件》【年(卷),期】2015(000)005【总页数】4页(P8-10,20)【关键词】局部放电;等效时频;支持向量机;故障诊断【作者】李富贵;李春锋;孔海洋;王璇【作者单位】中国平煤集团公司电务厂，山西平顶山，467000;中国平煤集团公司电务厂，山西平顶山，467000;武汉大学电气工程学院，湖北武汉，430072;武汉大学电气工程学院，湖北武汉，430072【正文语种】中文【中图分类】TN7841 引言电力电缆故障严重影响着电网的安全运行，而电力电缆的可靠性很大程度上取决于其绝缘特性。
电缆由于生产、运输、安装和运行过程中容易产生气隙、杂质、凸起、毛刺等缺陷，这些缺陷引发局部区域电场集中而导致局部放电。
因此，局部放电能够最直接地反映电力电缆的各种绝缘状态。
局部放电的发展最终会导致整个绝缘的击穿，造成设备损坏事故［1，2］。
电缆局放的在线监测现已成为判定电缆绝缘状况的有效途径。
不同的绝缘缺陷有不同的局部放电模式，目前国内外学者在局放识别方面已展开了大量的研究工作。
文献［2］研究了基于盲源分离的局部放电信号提取算法，并通过基于负熵的时频图谱进行了局放的模式识别。
文献［3］采用等效时频的方法对局放信号进行判别并去噪。
文献［4］采用K－means聚类算法识别不同的三相电缆局部放电故障。
基于遥感的土壤盐碱化监测研究一、引言土壤盐碱化是一个全球性的环境问题，对农业生产、生态系统和土地资源的可持续利用构成了严重威胁。
及时、准确地监测土壤盐碱化状况对于制定合理的治理和管理策略至关重要。
遥感技术作为一种高效、大面积、快速的监测手段，为土壤盐碱化的研究提供了新的途径和方法。
二、遥感技术在土壤盐碱化监测中的原理遥感技术主要通过获取地表物体反射或发射的电磁波信息来分析和识别目标特征。
在土壤盐碱化监测中，不同盐碱程度的土壤在光谱特征上存在差异。
例如，盐碱化土壤通常具有较高的反射率，特别是在可见光和近红外波段。
这些光谱特征的变化可以被遥感传感器捕捉到，并通过一系列的数据分析和处理方法转化为有关土壤盐碱化的信息。
三、常用的遥感数据源（一）光学遥感光学遥感数据如 Landsat 系列、Sentinel-2 等具有较高的空间分辨率和光谱分辨率，能够提供丰富的地表信息。
多光谱数据可以通过波段运算和指数计算来提取与土壤盐碱化相关的指标，如归一化植被指数（NDVI）、盐分指数（SI）等。
（二）微波遥感微波遥感如合成孔径雷达（SAR）能够穿透云层，不受天气条件的限制。
SAR 数据的后向散射系数与土壤的水分和盐分含量密切相关，对于监测土壤盐碱化的动态变化具有独特优势。
（三）高光谱遥感高光谱遥感数据具有数百个连续的窄波段，能够更精细地捕捉土壤的光谱特征，为土壤盐碱化的监测提供更准确的信息。
四、遥感数据处理与分析方法（一）辐射定标与几何校正为了保证遥感数据的准确性和可比性，需要进行辐射定标和几何校正。
辐射定标将传感器获取的原始数字值转换为具有实际物理意义的辐射亮度或反射率值；几何校正则消除由于传感器姿态、地形起伏等因素引起的图像几何变形。
（二）图像增强与融合通过图像增强技术，如对比度拉伸、直方图均衡化等，可以突出显示土壤盐碱化的特征信息。
图像融合则将不同数据源或不同分辨率的图像进行整合，以获取更全面、更准确的信息。
基于机器学习的高光谱图像分类方法研究高光谱图像分类是从高光谱遥感图像中提取出不同地物的特征，并将其分配到相应的类别中的过程。
高光谱图像具有丰富的光谱信息，因此在地物分类和识别中具有广泛的应用。
近年来，随着机器学习方法的发展，基于机器学习的高光谱图像分类方法成为研究热点之一。
本文将重点探讨基于机器学习的高光谱图像分类方法的研究进展和应用现状。
高光谱图像分类算法的关键在于选择合适的特征提取方法和分类器。
特征提取是高光谱图像分类的前提，其目的是从图像中提取出能够有效表征不同地物的特征。
常用的特征提取方法包括光谱特征提取、空间特征提取和频谱特征提取。
光谱特征提取是指从高光谱图像的光谱波段中提取特征，如反射率、发射率等。
空间特征提取是指从高光谱图像的空间分布中提取特征，如纹理、形状等。
频谱特征提取是指从高光谱图像的频域中提取特征，如能量、频率等。
在特征提取之后，需要选择合适的分类器对提取到的特征进行分类。
常用的高光谱图像分类器包括支持向量机（SVM）、随机森林（Random Forest）、人工神经网络（Artificial Neural Network）等。
支持向量机是一种基于间隔最大化的分类方法，其优点是对小样本和非线性数据有较好的适应能力。
随机森林是一种集成学习方法，通过构建多个决策树进行分类，具有较强的鲁棒性和精度。
人工神经网络是一种仿生学习模型，可以模拟人脑神经元的工作原理，具有较强的非线性建模能力。
以支持向量机为例，介绍基于机器学习的高光谱图像分类方法的一般流程。
首先，对高光谱图像进行预处理，包括波段选择、波段去噪、图像辐射定标等。
然后，从预处理后的图像中提取特征，常用的特征提取方法包括主成分分析（Principal Component Analysis）、线性判别分析（Linear Discriminant Analysis）等。
接着，将提取到的特征作为训练样本输入到支持向量机模型中进行训练。
航测数据后处理软件及方法推荐航测数据的后处理在测绘领域中扮演着至关重要的角色。
通过对航测数据的处理和分析，可以得到精确、高质量的地理信息数据，为地理信息系统、土地规划、资源管理等领域提供可靠的数据支持。
本文将推荐几款常用的航测数据后处理软件和方法，并探讨其适用场景和优劣势。
一、航测数据后处理软件1. ENVIENVI是一款功能强大的遥感图像分析软件，具有图像处理、分类、变化检测、目标识别等多种功能。
在航测数据的后处理中，ENVI可以用于影像配准、地物分类和高程模型生成。
它提供了丰富的算法和工具，能够处理不同分辨率的航测数据。
2. Pix4DmapperPix4Dmapper是一款专业的无人机航测数据处理软件，主要用于无人机航测数据的处理和三维建模。
它可以将无人机采集到的航测图像进行自动配准和拼接，生成高精度的地形模型和三维模型。
Pix4Dmapper还提供了丰富的分析工具，可以进行体积计算、变形分析等操作。
3. Erdas ImagineErdas Imagine是一款功能全面的遥感图像处理软件，主要用于航测数据的处理、分析和制图。
它支持多种数据格式，包括数字摄影测量系统(DGPS)、激光雷达、航空摄影等。
Erdas Imagine具有强大的图像处理和分析功能，可以进行几何校正、影像融合、地物提取等操作。
二、航测数据后处理方法1. 影像配准航测数据中的图像可能存在位置偏差和旋转，需要进行影像配准以消除这些误差。
影像配准可以采用基于特征匹配的方法，如SIFT、SURF等，也可以使用控制点进行配准。
其中，SIFT是一种基于局部特征的图像配准算法，可以自动提取图像中的稳定特征点，并通过匹配这些特征点来实现图像配准。
2. 高程模型生成航测数据中的高程信息对于地理信息系统和土地规划非常重要。
高程模型可以通过航测数据中的点云数据或影像进行生成。
常用的高程模型生成方法包括插值法和立体视差法。
插值法可以通过对离散的高程数据进行插值，得到连续的地形表面。
遥感数据分级遥感数据分级是一项基于遥感技术的数据处理任务，旨在对遥感影像数据进行分类和分级，以实现对地表覆盖类型的识别和分析。
本文将详细介绍遥感数据分级的标准格式，包括数据准备、分类方法、评估指标等内容。
一、数据准备在进行遥感数据分级之前，需要准备一定的遥感影像数据。
遥感影像数据可以来源于卫星、航空或无人机等遥感平台，通常以多光谱或高光谱影像数据为主。
在选择数据时，应根据研究目的和区域特点进行合理选择，并确保数据质量良好。
二、分类方法1. 基于像元的分类方法：该方法将遥感影像像元的数值特征作为分类依据，通过建立分类模型来实现分级。
常用的基于像元的分类方法包括最大似然法、支持向量机、随机森林等。
2. 基于对象的分类方法：该方法将遥感影像中的像元组织成不同的对象，并根据对象的空间、光谱和纹理等特征进行分类。
常用的基于对象的分类方法包括目标导向分割、基于规则的分类等。
三、评估指标在进行遥感数据分级时，需要对分类结果进行评估，以验证分类的准确性和可靠性。
常用的评估指标包括精确度、召回率、F1值等。
精确度指标反映了分类结果中正确分类的像元比例；召回率指标反映了分类结果中正确分类的像元占总体正确像元的比例；F1值综合考虑了精确度和召回率两个指标。
四、数据分级流程1. 数据预处理：对遥感影像数据进行预处理，包括辐射校正、几何校正、大气校正等。
预处理的目的是消除影像中的噪声和失真，提高数据的质量。
2. 特征提取：从预处理后的遥感影像中提取特征，包括光谱特征、纹理特征、形状特征等。
特征提取的目的是将原始数据转化为可用于分类的特征向量。
3. 数据分类：根据选择的分类方法，对提取的特征进行分类。
可以使用已有的分类模型进行分类，也可以根据需求自行构建分类模型。
4. 分类结果评估：对分类结果进行评估，计算评估指标，判断分类的准确性和可靠性。
根据评估结果，可以对分类方法和模型进行调整和优化。
5. 结果可视化：将分类结果可视化展示，以便于对地表覆盖类型进行分析和研究。
分段线性光谱分类器的优化算法设计兰天鸽;方勇华;熊伟;孔超;李大成;董大明【期刊名称】《光谱学与光谱分析》【年(卷),期】2008(28)11【摘要】快速准确地识别污染气体种类是光谱法环境监测技术对分类器的基本要求.分段线性分类器简单、计算量小,可以较好的逼近非线性分界面.文章根据最大化分类间隔的思想,结合分段线性分类器和线性支持向量机,设计了单边分段线性分类器优化算法.对某气体模拟剂光谱的分类实验表明,经过优化算法训练的分段线性分类器可以用较少的超平面逼近非线性分界面,而且得到更高的识别准确率.【总页数】4页(P2726-2729)【作者】兰天鸽;方勇华;熊伟;孔超;李大成;董大明【作者单位】中国科学院安徽光学精密机械研究所遥感研究室,安徽,合肥,230031;中国科学院安徽光学精密机械研究所遥感研究室,安徽,合肥,230031;中国科学院安徽光学精密机械研究所遥感研究室,安徽,合肥,230031;中国科学院安徽光学精密机械研究所遥感研究室,安徽,合肥,230031;中国科学院安徽光学精密机械研究所遥感研究室,安徽,合肥,230031;中国科学院安徽光学精密机械研究所遥感研究室,安徽,合肥,230031【正文语种】中文【中图分类】O433【相关文献】1.基于分段线性分类器的滚动轴承的故障识别 [J], 唐贵基;张穆勇;吕路勇2.基于遗传粒子群优化算法的调速器执行机构分段线性模型及参数辨识 [J], 王力;赵洁;刘涤尘;王骏;陈刚;刘蔚3.基于自然纹理识别的分类器算法设计研究 [J], 孟可然;吴卫增;张伟;周延周4.基于随机森林分类器的工件外观尺寸测量算法设计 [J], 占海文5.基于XGBoost的飞行器数据分类算法设计 [J], 罗钊航;韩超;姜赟因版权原因，仅展示原文概要，查看原文内容请购买。
遥感影像处理中的分类算法使用技巧遥感影像分类是提取和划分遥感影像中不同地物类型的过程。
通过分类算法，可以将遥感影像中的像素点分成不同的类别，如陆地、水体、建筑物等。
遥感影像分类在土地利用、环境监测、城市规划等领域具有重要应用。
在遥感影像分类中，选择适当的分类算法并应用合适的技巧，对于得到准确的分类结果至关重要。
本文将介绍一些常用的遥感影像分类算法及其使用技巧。
一、最大似然分类算法最大似然分类算法（Maximum Likelihood Classification）是一种基于统计学原理的分类方法。
该方法通过计算每个像素点属于不同类别的概率，并选择概率最大的类别作为分类结果。
最大似然分类算法在处理多光谱遥感影像时通常表现较好。
在使用最大似然分类算法时，需要注意以下几点技巧：1. 选择合适的训练样本：训练样本的选择对分类结果有着重要影响。
应选择代表各类别的样本，并尽量覆盖不同地物类型和光谱特征。
2. 分析影像直方图：在进行最大似然分类之前，应先对遥感影像进行直方图分析，了解各类别的光谱特征分布情况。
这有助于选择合适的分类概率密度函数。
3. 考虑波段相关性：在处理多光谱遥感影像时，不同波段之间可能存在相关性，即某些波段的光谱特征信息冗余。
可以通过主成分分析等方法来降低光谱维度，减少冗余信息。
二、支持向量机分类算法支持向量机分类算法（Support Vector Machine Classification）是一种基于机器学习的分类方法。
该方法通过构建超平面，将不同类别的样本点最大程度地分开。
支持向量机分类算法在处理高维遥感影像时通常具有较好的分类效果。
在使用支持向量机分类算法时，需要注意以下几点技巧：1. 选择合适的核函数：支持向量机分类算法中的核函数用于将低维特征映射到高维特征空间。
常用的核函数包括线性核函数、多项式核函数和径向基函数等。
应根据实际情况选择合适的核函数。
2. 调整参数：支持向量机分类算法中有一些参数需要进行调整，如惩罚因子C和核函数的参数。
