CN107392235A - 一种基于ga‑elm的接触网设备分类方法 - Google Patents

一种基于ga‑elm的接触网设备分类方法 Download PDF

Info

Publication number
CN107392235A
CN107392235A CN201710544521.7A CN201710544521A CN107392235A CN 107392235 A CN107392235 A CN 107392235A CN 201710544521 A CN201710544521 A CN 201710544521A CN 107392235 A CN107392235 A CN 107392235A
Authority
CN
China
Prior art keywords
contact net
elm
image
characteristic
extraction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710544521.7A
Other languages
English (en)
Inventor
吴昌东
江桦
杨钦雲
陈洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xihua University
Original Assignee
Xihua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xihua University filed Critical Xihua University
Priority to CN201710544521.7A priority Critical patent/CN107392235A/zh
Publication of CN107392235A publication Critical patent/CN107392235A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Image Analysis (AREA)
  • Sorting Of Articles (AREA)

Abstract

本发明公开了一种基于GA‑ELM（Genetic Algorithm‑Extreme Learning Machine）的接触网设备分类方法。接触网设备故障，如脱落、变形、破损、折断和污染等是导致电力机车非正常运行的主要因素。为了有效检测接触网关键设备故障，需要对接触网设备进行分类处理，包括以下步骤：首先利用高速接触网专用检测车采集接触网图像，接着提取接触网图像特征,然后设置GA及ELM参数，再通过GA对原始特征向量进行降维处理，最后将降维后的新特征样本输入ELM系统中进行分类处理。采用GA算法对数据集进行特征降维，能有效减少数据冗余，降低数据复杂度。利用ELM具有学习速度快、泛化性能优良等特点，可提高算法性能，实现对接触网设备有效分类。

Description

一种基于GA-ELM的接触网设备分类方法
技术领域
本发明属于数字图像处理技术领域，具体涉及一种基于GA-ELM的接触网设备分类方法。
背景技术
接触网是架设在铁路沿线，给电力机车供电的线路，它是电气化铁路供电系统中的重要组成部分，一旦发生如变形、损坏、破损和脱落等故障会直接影响电力机车的安全运行。为适应电气化铁路快速发展，需要对接触网设备进行分类检测。基于数字图像处理技术对接触网设备进行分类处理，首先需要提取出图像特征值，然后利用分类方法对接触网设备进行分类。该方法是一种高效率、低成本、智能化的分类方法，为电力机车安全运行提供了保障。
接触网设备种类繁多，相对应的特征量维数过高，存在冗余信息，这不但增加图像处理的时间，还会导致识别器性能下降。因此，为了提高识别性能，在分类之前需要进行降维处理。
GA具有简单通用、搜索速度快、鲁棒性强等特点，可用于数据降维处理。ELM具有学习速度快、泛化性能优良等特点，是一种新型单隐层前馈神经网络算法，它随机产生输入层和隐含层的连接权值及隐含层神经元的阈值，无需调整，只需设置隐含层神经元个数，便可以获得唯一最优解。为提高接触网设备分类的准确性及有效性，本发明采用GA进行数据降维处理，同时引入ELM对接触网设备进行分类。
发明内容
（一）发明目的
本发明的目的在于提供一种基于GA-ELM的接触网设备分类方法，该方法能有效降低接触网图像特征维数，减少数据冗余性，从而降低程序运行时间，提高算法效率及准确率。
（二）技术方案
1.一种基于GA-ELM的接触网设备分类方法，其特征是首先提取利用高速接触网专用检测车采集的接触网图像特征参数，然后设置GA及ELM参数，再应用GA对提取的特征数据进行降维处理，最后将降维后的新特征样本输入ELM系统中进行分类处理；步骤如下：
A、提取利用高速接触网专用检测车采集的接触网图像的几何特征和代数特征特征，具体包括外观比，形状因子，圆形度，均值，方差，熵，对比度，面积，直径，周长，伸长度，矩形度，Hu不变矩（包含7个特征量）等共19维特征向量作为接触网零部件的特征参数；
B、设置GA及ELM参数；
C、应用GA对提取的特征数据进行降维处理，得到外观比，形状因子，均值，熵，直径，周长，伸长度，矩形度及三个Hu不变矩共11维特征量；
D、将降维后的新特征样本输入到具有较高分类准确率和分类效率的ELM系统中进行接触网设备分类处理。
（三）有益效果
本发明与现有技术相比较，其具有以下有益效果：本发明的一种基于GA-ELM的接触网设备分类方法，利用GA具有自组织、自适应和自学习性等特点，采用GA对提取的接触网图像特征向量进行降维处理，在保留原始图像绝大部分信息的同时减少变量维数，从而减少数据冗余，降低问题复杂性，提高算法性能。利用ELM训练速度快，计算复杂度不高，算法所需时间少，泛化性能好，具有很好的分类准确率和分类效率等优点来处理降维后的接触网图像特征，能准确对接触网设备进行分类。
附图说明
图1为本发明的总体框图。
具体实施方式
下面结合利用高速接触网专用检测车采集的实际接触网图像对本发明的实施方案做进一步的详述。
如图1所示为基于本发明的一种基于GA-ELM的接触网设备分类方法流程示意图，其特征是首先利用高速接触网专用检测车采集的接触网图像的几何特征和代数特征等特征，接着设置GA及ELM参数，并应用GA对提取的特征数据进行降维处理，再利用ELM对降维后的新特征样本数据进行分类处理；步骤如下：
A、提取利用高速接触网专用检测车采集的接触网图像的几何特征和代数特征特征，具体包括外观比，形状因子，圆形度，均值，方差，熵，对比度，面积，直径，周长，伸长度，矩形度，Hu不变矩（包含7个特征量）等共19维特征向量作为接触网零部件的特征参数；
B、设置GA及ELM参数，具体包括对于GA的种群初始化，数据的归一化处理，自变量的优化筛选包含染色体长度、种群大小、最大进化代数等参数设置，优化过程包含选择、交叉、变异等；对于ELM，确定隐含层神经元个数及激活函数，随机设定连接权值w及阈值b参数，随机产生训练集和测试集；
C、应用GA对提取的特征数据进行降维处理，得到外观比，形状因子，均值，熵，直径，周长，伸长度，矩形度及三个Hu不变矩共11维特征量；
D、将降维后的新特征样本输入到具有较高分类准确率和分类效率的ELM系统中进行接触网设备分类处理，得到分类正确率及效率。
上面所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的构思和范围进行限定。在不脱离本发明设计构思的前提下，本领域普通人员对本发明的技术方案做出的各种变型和改进，均应落入到本发明的保护范围，本发明请求保护的技术内容，已经全部记载在权利要求书中。

Claims (3)

1.一种基于GA-ELM的接触网设备分类方法，其特征是首先提取利用高速接触网专用检测车采集的接触网图像特征，然后设置GA及ELM参数，再应用GA对提取的特征数据进行降维处理，最后将降维后的新特征样本输入到ELM系统中进行设备分类；步骤如下：
A、提取利用高速接触网专用检测车采集的接触网图像的几何特征和代数特征等特征参数；
B、设置GA及ELM参数；
C、应用GA对提取的特征数据进行降维处理；
D、将降维后的新特征样本输入到具有较高分类准确率和分类效率的ELM系统中进行接触网设备分类处理。
2.根据权利要求1所述的一种基于GA-ELM的接触网设备分类方法，其特征在于：步骤A所述的提取利用高速接触网专用检测车采集的接触网图像的几何特征和代数特征等特征参数，首先对图像大小做归一化处理，然后筛选出含有接触网设备图像，接着对含噪声图像进行去噪处理，对低对比度图像做增强处理，最后提取外观比，形状因子，圆形度，均值，方差，熵，对比度，面积，直径，周长，伸长度，矩形度，Hu不变矩（包含7个特征量）等共19维特征向量作为接触网零部件的特征参数。
3.根据权利要求1所述的一种基于GA-ELM的接触网设备分类方法，其特征在于：步骤C所述的应用GA对提取的特征数据进行降维处理，得到外观比，形状因子，均值，熵，直径，周长，伸长度，矩形度及三个Hu不变矩共11维特征量作为接触网零部件的新的特征参数，采用GA对数据进行特征降维，在保留原始变量绝大部分信息的同时减少变量维度，能有效减少数据冗余，降低问题复杂性，提高算法性能。
CN201710544521.7A 2017-07-06 2017-07-06 一种基于ga‑elm的接触网设备分类方法 Pending CN107392235A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710544521.7A CN107392235A (zh) 2017-07-06 2017-07-06 一种基于ga‑elm的接触网设备分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710544521.7A CN107392235A (zh) 2017-07-06 2017-07-06 一种基于ga‑elm的接触网设备分类方法

Publications (1)

Publication Number Publication Date
CN107392235A true CN107392235A (zh) 2017-11-24

Family

ID=60335467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710544521.7A Pending CN107392235A (zh) 2017-07-06 2017-07-06 一种基于ga‑elm的接触网设备分类方法

Country Status (1)

Country Link
CN (1) CN107392235A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109917213A (zh) * 2019-04-09 2019-06-21 湘潭大学 一种基于降维融合与因子分析的接触网检测故障预警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400190A (zh) * 2013-08-13 2013-11-20 浙江大学 一种使用遗传算法优化极限学习机的集成框架方法
CN104867138A (zh) * 2015-05-07 2015-08-26 天津大学 基于pca和ga-elm的立体图像质量客观评价方法
CN104866864A (zh) * 2015-05-07 2015-08-26 天津大学 一种用于立体图像质量客观评价的极端学习机
CN106340019A (zh) * 2016-08-31 2017-01-18 西南交通大学 一种高铁接触网斜拉线固定钩不良状态检测方法
CN106649964A (zh) * 2016-10-17 2017-05-10 贵州大学 一种基于ga‑elm算法的铝合金压铸件晶粒尺寸预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400190A (zh) * 2013-08-13 2013-11-20 浙江大学 一种使用遗传算法优化极限学习机的集成框架方法
CN104867138A (zh) * 2015-05-07 2015-08-26 天津大学 基于pca和ga-elm的立体图像质量客观评价方法
CN104866864A (zh) * 2015-05-07 2015-08-26 天津大学 一种用于立体图像质量客观评价的极端学习机
CN106340019A (zh) * 2016-08-31 2017-01-18 西南交通大学 一种高铁接触网斜拉线固定钩不良状态检测方法
CN106649964A (zh) * 2016-10-17 2017-05-10 贵州大学 一种基于ga‑elm算法的铝合金压铸件晶粒尺寸预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
于志勇等: "基于GA和ELM的电能质量扰动识别特征选择方法", 《电测与仪表》 *
同磊: "基于机器视觉的轨道交通线路异物检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
邱玉霞: "进化计算与粗糙集理论研究及其在图像处理中的应用", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109917213A (zh) * 2019-04-09 2019-06-21 湘潭大学 一种基于降维融合与因子分析的接触网检测故障预警方法
CN109917213B (zh) * 2019-04-09 2021-09-17 湘潭大学 一种基于降维融合与因子分析的接触网检测故障预警方法

Similar Documents

Publication Publication Date Title
Do et al. Forensics face detection from GANs using convolutional neural network
CN108334843B (zh) 一种基于改进AlexNet的燃弧识别方法
Baccouche et al. Sequential deep learning for human action recognition
Ribeiro et al. An end-to-end deep neural architecture for optical character verification and recognition in retail food packaging
CN107144569A (zh) 基于选择性搜索分割的风机叶片表面缺陷诊断方法
CN107104988B (zh) 一种基于概率神经网络的IPv6入侵检测方法
CN111160241A (zh) 一种基于深度学习的配电网故障分类方法、系统和介质
CN111970400B (zh) 骚扰电话识别方法及装置
CN110334756A (zh) 电网监控告警事件识别的方法、终端装置、设备和介质
SS et al. Feed forward neural network based eye localization and recognition using hough transform
CN114463257A (zh) 一种基于深度学习的电力设备红外图像检测方法及系统
Chen et al. LGCN: learnable gabor convolution network for human gender recognition in the wild
Jiang et al. An effective adaptive median filter algorithm for removing salt & pepper noise in images
CN109146517A (zh) 一种基于在线字典学习数据匹配模型的假货数据识别方法
CN107392235A (zh) 一种基于ga‑elm的接触网设备分类方法
CN114091020A (zh) 基于特征分组和多模型融合的对抗攻击防御方法及系统
Mustafa et al. Accuracy enhancement of a blind image steganalysis approach using dynamic learning rate-based CNN on GPUs
CN104062541A (zh) 一种针对容错永磁电机定子匝间短路的故障诊断方法
Chung et al. A node pruning algorithm for backpropagation networks
CN115878992A (zh) 综合管廊供电系统的监控方法和监控系统
Lv et al. Pornographic images detection using high-level semantic features
Bhatt et al. On rank aggregation for face recognition from videos
Roy et al. Competitive neural network as applied for character recognition
CN113537272B (zh) 基于深度学习的半监督社交网络异常账号检测方法
Duan Welding Seam Recognition Robots Based on Edge Computing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171124

WD01 Invention patent application deemed withdrawn after publication