基于自适应动态粒子群优化的RAK-SVD方法

K均值奇异值分解(K-SVD)算法是一种行之有效的地震资料去噪方法,但由于其稀疏分解存在不确定性,需要引入正则项对其改进。为此,在常规粒子群算法的基础上,提出了一种自适应动态粒子群算法优化正则化参数的正则化近似K-SVD(RAK-SVD)去噪方法。首先通过修改字典原子和相关参数,解决了由于常规粒子群算法的惯性参数固定不变,导致后期搜索效率下降的问题;其次将正则化系数引入近似K-SVD(AK-SVD)方法,明显提升了去噪效果;最后利用自适应动态粒子群算法自动优选AK-SVD方法中的正则化参数,提高了稀疏分解的确定性,在对强反射信号进行去噪的同时加强了对弱信号的保护。模型测试和实际应用均表明,该方法有利于弱信号的提取和识别,不仅能够显著改善弱地震信号的去噪效果,还提升了计算效率。该方法具有一定的实际应用价值。

基于K-SVD算法的数字图像自适应修复方法

为了提升数字图像的完整性和清晰度,提出一种基于K-SVD算法的数字图像自适应修复方法。通过FCM算法将数字图像划分成不同的图像块,将不同类别的数字图像依据K-SVD算法的稀疏编码和字典更新模块进行训练,获取各个不同类别数字图像块的字典,求出其稀疏系数,结合字典和稀疏系数更新数字图像中的每一类图像块,完成数字图像中每一类图像块的修复或重构,将修复好的图像块放回原数字图像中,实现数字图像的自适应修复。实验结果表明,该方法能够有效地恢复图像的细节和结构,修复后的数字图像均方根误差低,并且具有较高的峰值信噪比,同时,修复后的数字图像与原图像的结构相似性高达0.95,且在数字图像修复效率方面具备显著优势。

基于改进SVD++算法和K-means++算法的小文件合并方案

文章提出了一种基于改进SVD++算法和K-means++算法的小文件合并方案。通过引入自适应学习率函数和基于并行分组的SVD++算法,优化了小文件的合并过程,以提高Hadoop存储小文件的效率。同时,利用K-means++算法对合并后的文件进行聚类,优化了数据存储方式,降低了存储空间的浪费。在Hadoop平台上进行的实验表明,该方案在保持数据处理准确性和稳定性的同时,显著提升了Hadoop存储与处理小文件的性能。

K-SVD和OMP算法在超声信号去噪中的应用

针对在线采集时超声波检测信号中存在大量噪声,降低了材料内部缺陷诊断准确性的问题,提出了一种基于广义K+奇异值分解算法(K-SVD)和正交匹配追踪算法(OMP)相结合的超声回波信号去噪算法。该算法利用K-SVD算法将Gabor字典训练成能够最有效反映信号结构特征的超完备字典,然后基于训练完成的超完备字典,用OMP算法把一定数量的字典原子进行线性组合来构成原始信号,从而实现信号的去噪。通过仿真实验将本文方法与传统的小波阈值去噪方法进行了对比研究。实验结果表明,该方法对超声回波信号的去噪效果优于小波阈值去噪方法,且噪声越大对比越明显,不仅可更有效地滤除信号中的高斯白噪声,提高信噪比,且尽可能保留了原始信号有用信息。

基于改进K-SVD算法在牛脸识别上的应用

为了适应精准畜牧业理念,提出了一种改进的K-SVD算法用于牛的个体身份识别。在K-SVD算法基础上,更改了稀疏编码阶段字典原子的选择方式,使算法更加适用于图像分类问题。构造了包含20头牛的牛脸图像数据集IMCFR20,利用该数据集分析稀疏度与字典原子数对识别效果的影响。实验结果表明:改进后的算法识别率达到90%以上,识别效果有了较大提升,为利用图像进行牛的个体识别问题提供了可行的方案。

K-SVD算法的超声图像加性噪声去噪研究

利用具有稀疏性、特征保持性和可分离性等特点的超完备字典的稀疏表示,基于核奇异值分解(K-SVD)算法,研究了对图像去除噪声效果以及影响效果的因素.理论分析及实验研究表明:K-SVD算法能够很好去除超声图像噪声,保留图像细节特征,获得更高的峰值信噪比(PSNR)值.在计算过程中发现K-SVD算法中的训练样本尺度大小是影响去噪效果的主要参数.

基于图像多通道K-SVD算法的牛脸识别研究

为了实现中小型牧场实际养殖环境下牛只个体身份识别,达到精细化饲养的目的,试验提出了一种基于图像多通道K-奇异值分解(K-SVD)算法的字典学习算法来进行牛脸识别。该算法结合稀疏表示理论,通过R、G、B 3个通道获取更多图像细节和分量信息,将3个通道分量划分为n×n的网格重构输入矩阵。利用正交匹配追踪算法(OMP)对重构矩阵进行稀疏表示,结合K-SVD算法进行字典更新,为每类样本构造对应通道的学习字典。最后,利用该算法对20头牛的400张牛脸图像数据集进行验证,并与K-SVD算法和SRC算法进行比较。结果表明:图像多通道K-SVD算法的识别准确率为92.9%,在识别精度和稀疏表示能力上均优于K-SVD算法和SRC算法。说明将图像处理算法和稀疏表示理论进行结合,利用多通道信息可以提取更多的图像特征,进一步提升识别准确率。

基于均值计算的MSK-SVD图像去噪方法

为解决K-SVD图像去噪算法运算复杂、去噪效率低的问题,提出一种基于平均计算的快速K-SVD图像去噪算法。采用分簇去噪的思想,按照灰度方差将图像分为背景簇和内容簇两部分;用平均计算预处理策略消除噪声对图像分簇精度的影响;用均值滤波对背景簇去噪,K-SVD算法对内容簇去噪,结合均值滤波的去噪速度快以及K-SVD算法去噪效果好的优势。实验结果表明,该算法保留了K-SVD去噪效果好的优势,在去噪效率上较原算法有明显的改善。

基于K-SVD字典学习的核磁共振图像重建方法

基于超完备字典的图像稀疏表示因其具有稀疏性、特征保持性、可分性等特点而被广泛应用于图像处理。本文利用K-SVD字典学习算法并应用于MR图像重建。将字典学习等价于一个二次规划问题,学习得到的字典能有效描述图像特征。基于学习所得的字典,获得图像的稀疏表示,并重建原始图像。实验结果表明,与Zero-filling方法相比,本文的重建结果能更好地保留图像细节信息,获得更高的SNR值。

基于K-SVD算法的带钢表面缺陷图像去噪

目的有效滤除带钢表面缺陷图像高斯噪声。方法高斯噪声是影响带钢图像质量的主要噪声类型之一,针对带钢表面缺陷图像高斯噪声去噪,首先对传统K-SVD(K-means and singular value decomposition)算法中的字典进行升级改造,然后采用正交匹配追踪(OMP,Orthogonal Matching Pursuit)算法对图像进行重构,滤除噪声,最后运用此算法对缺陷图像进行高斯滤波处理。为验证该算法去噪效果,选取几种常见的典型缺陷图像(划伤、气泡、氧化色、粘结纹)进行测试仿真,并选用中值滤波、均值滤波、小波变换、维纳滤波、3维块匹配(BM3D)等多种传统滤波方法进行比较。结果该算法对四种典型缺陷去噪的PSNR(Peak Signal to Noise Ratio)值平均可达33.976 d B,MSE(Mean Square Error)平均值为27.607,SSIM(Structural Similarity)平均值为0.912。结论该算法对带钢表面缺陷重构图像的边缘细节清晰,PSNR、MSE、SSIM三个性能指标明显优于其他传统滤波算法,去噪效果良好。

基于块分类和字典优化的K-SVD图像去噪研究

基于K-奇异值分解(K-SVD)的图像去噪方法使用K-SVD算法训练得到的过完备字典对图像进行稀疏表示去噪,能够在去除噪声的同时较好地保持原始图像信息。但该方法缺少对图像结构特征的考虑;此外,K-SVD算法训练得到的字典中往往含有噪声原子,从而导致该方法在强噪声下去噪性能欠佳。针对这些局限性,提出一种新的去噪方法:基于块分类和字典优化的K-SVD去噪方法。首先通过图像块的分类训练得到与图像结构相适应的字典,能够更为稀疏地表示图像;然后通过噪声原子检测将字典原子分为噪声原子和非噪声原子,并对噪声原子进行替换,减弱噪声原子对去噪性能的影响,得到优化字典;利用优化字典对图像进行稀疏表示去噪。仿真实验表明,与非局部均值去噪、曲波去噪以及经典K-SVD去噪等算法相比,新方法能够取得更好的去噪结果。

基于竞争聚集的K-SVD字典学习算法

在基于稀疏表示分类的模式识别中,字典学习可以为稀疏表示获得更为精简的数据表示。然而,字典大小是衡量识别精度和速度的重要因素,优化字典设计能同时满足这两方面的需求。文中提出了一种新的技术叫作基于竞争聚集的K奇异值字典学习方法(CA-KSVD)。该方法优化了字典的大小,并同时保证了识别的准确率。CA-KSVD将竞争聚集算法中优化簇数的原理引入K-SVD,从而提高了K-SVD的字典学习能力。优化过程从输入大量字典原子开始,逐步减少那些未充分利用或相似的原子,最后得到高性能的字典,它不再包含那些冗余的原子。Extend Yale B和AR人脸数据库上的实验结果表明了文中算法的有效性。

采用K⁃SVD字典训练稀疏基的压缩感知叶尖间隙数据重构方法

航空发动机叶尖间隙是监控其运行状态的有效参数,现有间隙测量方法很难满足超高转速下间隙距离的奈奎斯特采样率,因此无法有效提取精确的叶尖间隙值。本文基于压缩感知原理,针对间隙距离数据特征提出一种采用K-SVD(K-singular value decomposition)字典训练稀疏基的数据重构方法,该方法首先构建出K-SVD字典稀疏基对数据进行稀疏化表示,然后使用m序列高斯随机矩阵对数据进行压缩观测,最后基于压缩欠采样观测值使用正交匹配追踪算法对数据进行重构,进而精确提取叶尖间隙值。实验结果表明,在欠采样条件下间隙距离数据可精确恢复重构,与高采样率下的间隙数据相比,重构误差不超过0.02 mm。

广义贝叶斯字典学习K-SVD稀疏表示算法

稀疏字典学习是一种功能强大的视频图像稀疏表示方法,在稀疏信号处理领域引起了广泛关注。K-SVD算法在稀疏表示技术上取得了巨大成功,但遇到了字典原子未充分利用的问题,而稀疏贝叶斯字典学习(Sparse Bayesian Dictionary Learning,SBDL)算法存在稀疏表示后信号原子不稀疏和不收敛的缺点。广义贝叶斯字典学习(Generalized Bayesian Dictionary Learning,GBDL)K-SVD算法提供了一种新型稀疏表示系数更新模式,使得过完备字典稀疏学习算法逐步收敛的同时训练向量足够稀疏。仿真结果表明,对有损像素和压缩传感这两种视频图像帧进行稀疏化,GBDL K-SVD算法表示的视频图像帧的重构效果与SBDL K-SVD算法相比有明显的提高。

字典学习的K-SVD算法分析

分析了字典学习的K-SVD算法,通过引入K-Means计算方法,将K-Means方法推广到用于字典学习的K-SVD计算方法中;分析和描述了K-SVD计算过程,指出了K-SVD方法与K-Means方法之间的关系,最后观察图像数据训练用于稀疏表示的字典。

麻雀算法参数优化VMD联合K-SVD滚动轴承故障诊断

针对经典K-均值奇异值分解(K-means Singular Value Decomposition,K-SVD)易受噪声干扰产生虚假原子,导致信号稀疏不彻底、故障特征识别困难的问题,提出基于麻雀算法优化变分模态分解(Variational Modal Decomposition,VMD)参数联合K-SVD的滚动轴承故障诊断方法。首先引入包络熵适应度函数指标并基于麻雀算法优化VMD的模态层数k和平衡因子α。其次利用平方包络谱峭度指标遴选最优模态,以所选模态分量相空间构造Hankel矩阵进行K-SVD字典学习。最后对恢复至时间序列的稀疏重构信号进行包络解调,提取轴承故障特征频率。通过轴承故障仿真信号和全寿命实验信号进行验证,证明相较于经典K-SVD算法,所提方法在低信噪比条件下在轴承故障特征提取方面具有优势,有一定的工程应用价值。

基于改进K-SVD字典学习方法的地震数据去噪

为实现更好的地震数据去噪技术,笔者引入一种新的算法:快速迭代收缩阀值法(FISTA),通过FISTA和K-奇异值分解(K-SVD)不断迭代更新K-SVD字典,利用更新得到的K-SVD字典对地震数据进行稀疏表示,去除稀疏系数中较小的数值,使数据中的随机噪声得到压制。对层状模型合成地震记录,Marmousi模型合成地震记录以及实际地震数据进行对比实验,得出FISTA算法较OMP算法能更好地提高地震数据的信噪比,同时有效地保护了反射信号。

基于自适应K-SVD字典的视频帧稀疏重建算法

压缩感知理论的一个重要前提是找到信号的稀疏域,其直接影响着算法的重构精度,研究快速高效的信号稀疏表示方法具有重大的现实意义。为了提高字典训练速度与性能,基于传统的K-SVD算法,提出了一种自适应K-SVD字典学习算法(Adaptive K-SVD)。该算法交替执行稀疏编码阶段和字典更新阶段。在稀疏编码阶段,通过引入自适应稀疏约束机制,以获得更稀疏的表示系数,从而进一步提高字典的更新效率;而在字典更新阶段,则使用经典K-SVD的字典更新方式来实现字典原子的逐列更新。将所提算法应用于压缩感知理论的信号稀疏表示中,实现视频帧的稀疏重建。仿真对比实验结果表明,所提算法比经典的K-SVD算法的字典训练速度更快,稀疏表示性能更优,且能有效减少压缩感知的重构误差。

基于TL_1范数的改进K-SVD字典学习算法

K-SVD字典学习算法通过稀疏编码和字典更新两步迭代学习得到训练样本的字典,用OMP(OrthogonalMatching Pursuit)算法求解稀疏表示,用SVD分解算法对字典更新。但应用在图像重构时,OMP算法运行速度比较慢,且恢复的准确度不够高。针对该问题,为了提高字典训练速度与性能,在稀疏编码阶段用TL1范数代替了l0范数,用迭代阈值算法求解稀疏表示。为考察改进算法的恢复准确率,在不同稀疏度下进行数据合成实验,结果表明改进算法比K-SVD算法训练恢复的准确率高。进一步考察改进算法的图像重构能力,选取标准图像进行仿真,实验结果表明改进算法比K-SVD算法能更快得到训练字典,获得更高的峰值信噪比(PSNR),具有更好的重构性能。

基于改进K-SVD的英文语料库分词特征提取模型构建

为提升英文语料库分词精准度,以英文语料库作为研究对象,采用改进的K-SVD算法,构建一个分词特征提取模型。利用稀疏编码与字典更新两个步骤,将初始数据替换为更高级别的特征表示,作为K-SVD算法输入项来获取最优字典。基于模型开发平台,采用文本预处理模块、文本网络构建模块、特征提取模块以及特征加权模块,构建英文语料库分词特征提取模型。选取近十年的新闻素材作为英文语料库,组成训练集,根据分词特征提取结果与提取效果度量指标数据,验证所建模型具有语义辨别与文本还原的有效性,且准确率与召回率也有显著优越性。