基于局部特征的多模态过程监控方法

多模态过程中各个模态均有不同的特征,因此模态数据的局部特征比全局特征更能有效、合理地表征实际化工过程。为利用多模态数据的局部特征,提出了基于数据局部特征的多模型方法（LFMM）用于多模态过程的监控。首先,离线阶段考虑到数据间的时序信息以及数据特征,利用不同时间窗内数据的变异系数（CV）完成多模态数据集的聚类;然后,考虑到不同模态的数据在空间分布上具有不同的疏密性特征,建模阶段利用局部离群因子（LOF）算法计算数据在其模态数据集中的局部密度,监控时将在线数据的局部密度作为统计特征,并构造全局概率指标用于多模态过程监控;最后,通过田纳西伊斯曼（TE）过程验证了本文方法的有效性。     

一种适用于多模态过程监控的集成统计指标

具有多模态特性的工业过程的数据分布呈现出与单模态过程不同的特性。在构造监控指标时,不仅要能够概括每个模态内部的数据统计特征,还要充分考虑到不同模态之间的信息。传统的T2和SPE统计量在多模态过程中可能无法实现这一目标。提出了一种融合多模态统计信息的全局监控统计量,在贝叶斯推论的框架下,通过对每个模态的局部马氏距离赋予相应权重来实现对多模态数据的描述。通过多模态的连续反应搅拌釜(CSTH)仿真实验,验证了全局监控指标的有效性和灵敏性。     

基于非负矩阵分解的流程工业过程监控方法

提出了一种新的基于非负矩阵分解（NMF）的过程监控方法。考虑到数据的某些局部特征能够包含许多重要信息,有助于对异常情况进行检测,将NMF引入工业过程监控领域,并详述了基于NMF的过程监控方法。基于TE过程的仿真实验验证了该方法的有效性。     

基于谱聚类特征向量分析的模态划分方法

在实际生产过程中,过程数据的多模态特性会对数据建模产生一定的影响,进行模态划分有利于获取精确的模型。目前常用的模态划分方法,如k-means、c-means等聚类方法,在有过渡过程的模态划分应用中,有时不能得到理想的结果。本文提出了一种通用的模态划分方法,以谱聚类算法中相似矩阵的特征向量分析为基础,基于相似矩阵的特征向量与其所包含的聚类信息的关系,使用高斯曼哈顿距离构造模态标签,并用小窗口思想实现动态多模态过程的模态划分。通过对稳态与带过渡过程的多模态数据的实验验证了该算法的有效性。     

多模态3.0T MRI技术在子宫内膜癌术前分期诊断中的应用价值分析

目的：探究分析多模态3.0T磁共振成像(MRI)技术在子宫内膜癌术前分期诊断中的应用价值。方法：选择2019年3月—2022年3月就诊于本院的150例子宫内膜癌患者作为观察对象。150例子宫内膜癌患者术前均行多模态3.0T MRI检查，其结果与术后病理确诊结果比对分析，比较子宫内膜分期情况，分析多模态3.0T MRI的应用价值。结果：常规平扫+弥散加权+动态增强模态分期结果与术后病理结果一致性最高(Kappa=0.912,P<0.05);常规平扫+弥散加权+动态增强模态准确率明显高于常规平扫模态、常规平扫+弥散加权模态(P<0.05)。结论：多模态3.0T MRI技术能提高子宫内膜癌的术前分期诊断。     

基于关键变量的OPLS预测方法

产品的最终质量主要是由生产过程中的关键变量决定的,因此,回归模型的质量预测能力与过程变量的选择密切相关。本文提出了一种新的基于关键变量（CV）的OPLS预测方法（CV-OPLS）,用于输出变量较多过程的质量预测。首先,根据关键变量选取准则,为每个质量变量选取建模所需的关键过程变量。为了减少最后需要建立的模型个数,将由质量变量及其相应的关键过程变量组成的数据阵进行重组,并用OSC算法去除重组后的数据阵中与质量变量无关的干扰信息。然后,对校正后的数据阵建立PLS模型,求取相应的模型回归系数,得到最终的质量预测结果。与传统的PLS及OPLS方法相比,该方法能够在保证模型较好预测精度的前提下,有效地简化模型结构。最后,通过Tennessee Eastman（TE）过程的实验仿真验证了CV-OPLS方法的有效性。     

基于多模态MRI脑影像的超分辨率重建

目的 探讨基于多模态脑影像数据的超分辨率合成模型将低分辨率的厚层数据重建成为高分辨率的薄层数据。方法 使用真实成对的多模态低-高分辨率MRI数据（2D-T1,2D-T2 FLAIR和3D-T1）设计结构约束的图像超分辨率重建网络,从不同模态的低分辨率MRI提取重要特征重建更高分辨率的T1图像。将T1作为主要模态使用图像全部信息,T2 FLAIR作为补充模态选取皮层下核团为关键区域进行信息增强。通过比较超分辨率重建图像与真实的高分辨率图像之间的灰度和结构相似性来确定网络的学习方向,同时通过脑分割工具获取重建图像和金标准图像的大脑解剖学结构信息,并将其作为重要约束条件来让重建模型自适应的学习大脑的组织结构特征,从而有效提升模型的重建性能。结果 在整体图像质量评价方面,该模型在149例测试集上的重建图像的平均PSNR值为33.11,SSIM为0.996,质量优于本文的其余对比方法生成的结果。在大脑解剖结构方面,我们的方法可以重建出较为清晰的脑沟、脑回以及皮层下核团,可视化结果显示了根据医学图像特性加入解剖学结构信息的有效性。分别使用单模态T1和多模态T1、T2 FLAIR进行图像重建的结果说明了有效选择第二模态关键区域的可行性。同时,在高分辨率图像作为金标准的情况下,使用本文提出的方法重建得到的超分辨率图像与使用低分辨率图像相比,在大脑灰质、白质和脑脊液上的体积测量平均精度有了较大的提升,灰质体积平均误差从3%降到1%,白质从18%降为了2%,脑脊液从35%降为了8%。结论 基于多模态的MRI脑影像超分辨率模型加入了同一组织的不同模态信息与解剖学信息,相比现有的方法,可以重建出更为接近真实高分辨率的图像,有望将其应用于临床诊疗流程中。     

基于小波变换的多模态医学图像融合算法

目的探讨一种基于小波变换的医学图像融合的新算法,为充分发挥现有医学成像系统的功能提供一种可靠手段。方法采用一种基于小波变换的医学图像融合新算法。首先对已配准的医学图像进行小波分解,把图像分解成低频和高频子图像,采用加权因子的融合规则对低频系数进行融合,采用基于区域能量的融合规则对高频系数进行融合,最后通过重构得到融合图像。结果该算法有效地将多模态医学图像所提供的信息融合在一起,为临床诊断提供了更充分、更可靠的信息。结论该算法是一种可行有效的医学图像融合算法。     

基于LTSA-Greedy-SVDD的过程监控

为解决实际工业过程中的非线性和非高斯问题,实现有效的过程监控,提出了一种基于局部切空间排列算法的过程监控方法。首先运用局部切空间排列算法对标准化后的正常样本数据提取出低维子流形以实现维数约减。之后利用Greedy方法提取特征样本以支持向量数据描述方法建立监控模型,最后采用相应统计量进行过程监控。以田纳西伊斯曼(TE)模型为仿真平台,仿真结果说明了该方法的有效性。     

一种改进的基于案例推理的建模算法

基于案例推理的方法是一种基于知识获取的方法,也是一种新型的基于数据驱动的建模方法。基于案例推理的核心是案例检索。针对基于案例推理系统中案例检索工作,本文提出了一种改进的K最近邻回归建模算法。首先,基于聚类思想的最近邻回归算法可以实现对案例库的有效划分,从而提高案例检索质量;其次,针对K最近邻算法中邻居个数的选取问题,采用粒子群算法确定需要的邻居个数,取代传统的依靠经验确定邻居个数K的做法。通过对Mackey Glass混沌时间序列数据进行仿真预测,验证了该方法的可行性。     

用于动态化工过程故障检测的T-TELPP算法

工业过程具有高复杂性、动态性等特点。在特征提取时,引入时滞因子扩展时序矩阵可以解决现场变量带有的自相关与互相关特性问题。特征提取算法处理三阶张量形式的扩展数据时需要将三阶张量在某一方向向量化,这将破坏原始数据内在二维结构信息。对此,本文提出了基于张量空间的时序扩展局部结构保持算法（Tensor-Temporal Extension Locality Preserving Projection,T-TELPP）。首先,改进局部保持投影（LPP）算法得到时序扩展的LPP算法（TELPP）,使其充分提取欧氏空间近邻与时序近邻信息;然后,将TELPP扩展到张量空间得到T-TELPP算法。T-TELPP直接将动态扩展数据投影到特征空间与残差空间,并分别建立T²和SPE统计量。对田纳西-伊斯曼（Tennessee Eastman,TE）过程进行监测,通过与PCA、DPCA和DLPP算法对比,验证了T-TELPP算法在动态过程监测上的有效性与优越性。     

基于校正的无线传感器网络加权定位算法

在基于测距的无线传感器网络定位中,获取相邻节点距离值时,往往包含着环境中的各种干扰。为了减少环境干扰对定位精度的影响,在加权定位方法的基础上,利用未知节点附近满足一定距离要求的锚节点,对定位后的节点坐标值进行校正,以达到降低定位误差的目的。仿真结果表明：该方法简单,对降低定位误差有很好的效果。     

一种基于RSSI距离比的传感器节点定位算法

随着无线传感器网络的应用与发展,WSN作为一种全新的信息获取和处理技术已得到广泛应用。如何对传感器网络节点进行快速、精确的定位,已成为WSN系统急需解决的问题。为此,提出了一种基于RSSI距离比的MDS定位算法。该算法巧用RSSI距离比,结合Euclidean测距技术计算节点间距离矩阵,运用MDS算法建立相应的全局坐标系统。根据已知锚节点物理位置,通过坐标变换（旋转与平移）最终确定未知节点的物理位置。实验结果表明：该方法能有效地提高定位的精度,对开发高精度定位系统具有重要的参考价值。     

基于HOG3D描述器与稀疏编码的异常行为检测方法

提出了一种基于稀疏编码理论的视频异常行为检测方法,并使用HOG3D空-时描述器表征视频序列的形态及运动信息。首先,从正常视频序列中提取空-时兴趣点,获得其特征向量作为训练样本。通过K-SVD字典训练算法构建过完备字典,使得正常样本在所构建字典上的表达具有很好的稀疏性。在稀疏编码过程中,按视频段读取测试视频序列,求解特征信息在字典上的关于其稀疏系数的凸优化问题,然后根据稀疏编码改进公式求得重构误差数值。最后的判断阶段,计算视频段的相对重构误差,相对重构误差为正表明为异常视频段,否则为正常视频段。在UMN数据库3个场景及Weizmann数据库上进行实验,验证了本文算法的有效性。将实验拓展到现实监控视频中,结果表明本文方法在实践中同样具有较好的应用价值。     

一种基于正交多项式展开的CT三维投影数据重建算法

提出了一种新的基于正交多项式展开的CT三维投影数据重建算法。首先利用正交多项式空间中的一组正交基对定义在圆柱域的三维密度函数进行傅里叶展开,推导函数与投影数据的部分和关系;然后使用高斯求积公式对上述部分和表达式积分,得到针对三维投影数据的重建算法。在此基础上引入快速傅里叶变换,以提升算法整体的重建效率和数值计算的可行性。实验结果表明:本文提出的算法能够很好地对CT三维投影数据进行重建,且重建效率较高。     

基于自适应网络与动态拥挤距离的多目标粒子群算法及应用

针对传统方法不易收敛到真实Pareto前端和解的多样性较差的问题,提出了一种基于自适应网络和动态拥挤距离的多目标粒子群优化算法。该算法能在外部种群的数量超过种群规模时,将目标函数空间均匀地划分为间隔相同的网格,统计每个网格中粒子的数量进而估计粒子的密度,限制外部档案的规模;然后引入粒子的方差信息,设计了基于动态拥挤距离的算法,避免了一次性淘汰所有拥挤距离小的个体而使解的分布性变差的问题,提高了解的多样性。函数优化实验及该算法在成品油调和经济效益问题中的应用都验证了改进后的算法具有很好的效果。     

基于通信的数据驱动分布式预测控制

针对分布式控制系统的特点,提出了一种新型的基于数据的分布式预测控制优化算法。由输入、输出数据直接设计分布式控制器,控制器在各个子系统通信的条件下采用基于纳什最优的分布式控制优化算法,以较低的成本达到整个大系统的性能优化。这种基于数据的方法使传统的预测控制器设计过程中的系统辨识和基于状态空间模型的预测控制简化为直接的一步,即直接利用数据设计分布式控制器。本文给出了这种新型算法的收敛条件,仿真结果证明了该方法的有效性。