基于KSVD和PCA的SAR图像目标特征提取

提出一种基于核的奇异值分解(KSVD)与主成分分析(PCA)相结合的SAR图像目标的组合特征提取方法。该方法首先利用核的奇异值分解得到图像非线性的代数特征,然后进一步经过PCA变换得到图像的最终分类特征。实验中,将本文提出的KSVD+PCA两步特征提取方法与PCA、SVD、KPCA、KSVD方法分别结合简单、快速的最近邻分类器在MSTAR坦克数据上进行了比较,实验结果表明,KSVD+PCA方法不仅有效地提高了目标的正确识别率,而且大大降低了对目标方位的敏感度,在目标方位信息未知的情况下,识别率可达到95.75%,是一种有效的SAR图像目标特征提取方法。

一种融合KPCA、FastICA及SVD的腹壁源胎儿心电 信号提取算法研究

目的:为实现从母体腹壁混合信号中提取高信噪比和波形清晰的胎儿心电信号,提出一种融合核主成分分析(kernel principal component analysis,KPCA)、快速独立成分分析(fast independent component analysis,FastICA)及奇异值分解(singular value decomposition,SVD)的胎儿心电信号提取算法。方法:首先,采用KPCA对母体心电信号进行降维,再利用改进的基于负熵的FastICA处理降维后的数据,得到独立成分。随后,引入样本熵进行信号通道选择,挑选出包含最多母体信息的信号通道。在选中的母体通道上进行SVD,得到母体心电信号的近似估计,再用腹壁源信号减去该信号得到胎儿心电的初步估计。最后,采用改进的基于负熵的FastICA成功分离出纯净的胎儿心电信号。在腹部和直接胎儿心电图数据库(Abdominal and Direct Fetal Electrocardiogram Database,ADFECGDB)和PhysioNet 2013挑战赛数据库中对提出的算法进行验证。结果:提出的算法在主观视觉效果和客观评价指标上都表现出优越的性能。在ADFECGDB数据库中,胎儿QRS复合波检测的敏感度、阳性预测值和F1值分别为99.74%、98.85%和99.30%;在PhysioNet 2013挑战赛数据库中,胎儿QRS复合波检测的敏感度、阳性预测值和F1值分别为99.10%、97.87%和98.48%。结论:融合KPCA、FastICA及SVD的胎儿心电信号提取算法在提取胎儿心电信号的同时有效处理了附加噪声,为胎儿疾病的早期诊断提供了有力支持。

CEEMD与KSVD字典训练相结合的去噪方法

本文提出一种完备总体经验模态分解(CEEMD)方法与K奇异值分解(KSVD)学习字典算法相结合的地震信号去噪方法。含噪信号通过CEEMD分解得到一系列不同尺度的固有模态函数(IMF);按频率由高到低依次排列IMF各分量,并做自相关分析,去除噪声主导的IMF分量;将累加的过渡IMF分量叠加重构并做CEEMD二次分解,通过自相关分析再次去除噪声主导的IMF分量;分别叠加二次CEEMD分解剩余的IMF分量和一次剩余的IMF分量,得到两个新的含噪信号,并利用KSVD过完备字典分别稀疏表示该两个新的含噪信号,即由稀疏系数重构去噪后地震信号,进而重构最终去噪结果。实验结果证明:该算法的去噪效果明显优于F-X去噪、小波阈值去噪和KSVD字典稀疏去噪等传统方法。

基于截断型自适应交叉近似和奇异值分解的涡流无损检测模型

探讨了一种高效的三维涡流无损检测求解模型。该模型首次使用截断型自适应交叉算法和奇异值分解算法加速基于边界元法的涡流无损检测模型。该模型使用没有低频崩溃问题的Stratton‐Chu方程作为边界积分方程,然后使用Rao‐Wilton‐Glisson矢量基函数和脉冲基函数分别将等效面电流、磁流和磁场法向分量展开,通过Galerkin方法测试,得到阻抗矩阵。借助八叉树结构,根据块与块之间的距离关系将阻抗矩阵分为对角块、近区块和远区块,其中对角块和近区块使用边界元法直接计算存储,远区块通过综合运用自适应交叉算法、奇异值分解算法和截断核函数算法进行压缩存储。最后,以涡流无损检测基准问题为例,将运用该方法预测的结果与其他模型预测的结果以及实验结果相比较,验证了所提求解模型的准确性和有效性。

基于数据预处理的侧信道分析优化方法

电磁侧信道信息具有数据庞杂无序,信噪比低的特征,对侧信道分析的结果存在较大影响。针对电磁侧信道数据的特性,该文提出一种最小相关差值的对齐方法,通过参考信号的自相关函数与待对齐信号的互相关函数之间的相似度来估计延时差值。同时,提出一种K奇异值分解(KSVD)字典学习的降噪方法,交替迭代进行稀疏编码和字典更新来滤除高频噪声。为了验证数据预处理方法对侧信道分析结果的优化效果,设计并搭建了电磁侧信道测评系统,并基于实际芯片进行了近场电磁侧信道信息采集与分析。该文使用所提预处理方法对电磁数据进行对齐与降噪,通过t-test泄露评估与相关性电磁分析,对比最大相关系数对齐与小波降噪方法,能够将侧信道攻击的效率分别提高29.91%和55.23%。

截断核范数低秩张量核矩阵图像修复算法

针对张量数据存在不完整和缺少项,导致图像修复过程中信息丢失的问题,提出了一种基于截断核范数和低秩张量核矩阵的图像修复算法TNN-LTKM(truncated nuclear norm low-rank tensor kernel matrix)。首先,引入张量截断核范数,对秩函数进行精确逼近,以增强优化模型的鲁棒性;其次,通过增加核心矩阵核范数扩展t-SVD中的张量核范数,定义了一个新的包含张量管秩和核矩阵秩的潜在核范数,来充分提取核张量中的低秩结构,消除冗余;接下来,采用增广拉格朗日法和交替方向乘子法对上述模型进行优化求解;最后,在ZJU、Berkeley和Kodak Lossless 3个数据集上进行实验验证,取相对平方误差、峰值信噪比、结构相似度和CPU运行时间4个评价指标,与现有的6种算法对比表明,TNN-LTKM算法在低采样率下有着良好的表现。

基于WPT-SVD-KELM的大型风力机叶片表面裂纹识别方法研究

为准确识别风力机叶片表面裂纹位置和长度,提出基于小波包-奇异值分解-核极限学习机(WPT-SVD-KELM)的裂纹识别方法。搭建风力机某典型叶片裂纹识别平台,开展正常叶片和含裂纹叶片的模态实验和变桨实验,获取不同工况下正常叶片和含裂纹叶片的振动信号。利用频响函数研究裂纹位置对振动信号幅频响应的影响,从而准确识别叶片表面裂纹位置,利用WPT-SVD提取风力机叶片表面裂纹振动信号的时频特征,定义参数kr表征裂纹长度的变化,并将特征参数导入优化后的KELM,从而识别风力机叶片表面裂纹长度。

光纤周界入侵信号特征提取与识别方法的研究

提出一种基于互补经验模态分解(CEEMD)奇异值熵结合多核支持向量机(SVM)的入侵信号特征提取与识别方法。首先,采用CEEMD方法对入侵信号进行分解得到若干个本征模态函数(IMF);其次,再对IMF分量进行奇异值分解,计算其奇异值熵;然后,根据奇异值熵筛选出有用IMF分量,构建特征向量;最后,采用多核支持向量机识别入侵信号。采用实际采集的攀爬,敲击,汽车,风等场外入侵信号进行了实验验证,结果表明:CEEMD方法有效解决了EEMD的残留白噪声问题,多核SVM比单核SVM具有更好的识别率,攀爬入侵信号识别率达到95%。

基于局部特征尺度分解和核最近邻凸包分类算法的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和核最近邻凸包(Kernelnearest neighbor convex hull,KNNCH)分类算法的滚动轴承故障诊断方法。采用LCD方法对滚动轴承原始振动信号进行分解得到若干内禀尺度分量(Intrinsic scale component,ISC),然后将这些ISC分量组成初始特征向量矩阵,再对该矩阵进行奇异值分解,提取奇异值作为故障特征向量并输入到KNNCH分类器,根据其输出结果来判断滚动轴承的工作状态和故障类型。LCD方法是一种新的自适应时频分析方法,非常适用于非平稳信号的处理,而KNNCH算法是一种基于核函数方法,并将凸包估计与最近邻分类思想相融合的模式识别算法,可直接应用于多类问题且需优化的参数只有核参数。实验分析结果表明,所提出的方法能有效地提取滚动轴承故障特征信息,而且在小样本的情况下仍能准确地对滚动轴承的工作状态和故障类型进行分类。同时,与支持向量机(Support vec-tor machine,SVM)算法的对比分析结果表明,KNNCH算法的分类性能的稳定性要高于SVM算法。

一种用于人脸识别的非线性鉴别特征融合方法

最近,在人脸等图像识别领域,用于抽取非线性特征的核方法如核Fisher鉴别分析(KFDA)已经取得成功并得到了广泛应用,但现有的核方法都存在这样的问题,即构造特征空间中的核矩阵所耗费的计算量非常大.而且,抽取得到的单类特征往往不能获得到令人满意的识别结果.提出了一种用于人脸识别的非线性鉴别特征融合方法,即首先利用小波变换和奇异值分解对原始输入样本进行降维变换,抽取同一样本空间的两类特征,然后利用复向量将这两类特征组合在一起,构成一复特征向量空间,最后在该空间中进行最优鉴别特征抽取.在ORL 标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核Fisher鉴别分析方法,而且,在ORL人脸库上的特征抽取速度提高了近8倍.

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。

利用核模糊聚类和正则化的图像稀疏去噪

针对目前图像去噪方法噪音抑制不彻底、容易模糊细节等问题,提出了一种利用核模糊C均值聚类和正则化的图像稀疏去噪方法.该方法首先将图像分成大小相同的若干块,并采用核模糊C均值聚类算法对相似的图像块进行聚类,从而保证同一类图像块共享相同的稀疏去噪模型;然后,选择由经典图像库中图像训练而得的全局字典作为初始字典,很好地适应图像的多种特征;接着,对于同一类图像块,通过施加1/2范数正则化约束,实现该类图像块在字典下的稀疏分解,确保分解系数更为稀疏;最后,通过改进的K-奇异值分解算法完成字典的更新,并选择与原稀疏模型差异最大的图像块来替换更新字典的冗余原子,从而有效地去除图像噪音.实验结果表明,与小波扩散去噪法、固定字典去噪法、最优方向去噪法、K-奇异值分解去噪法相比,该方法能更有效地去除图像噪音,保留图像细节,改善图像视觉效果.

基于原始对偶字典学习的磁共振复数图像去噪

针对磁共振(magnetic resonance,MR)幅度图像中带有不易去除的与信号相关的莱斯(Rician)噪声问题,利用其复数图像中的实部与虚部所含噪声为不相关的加性高斯白噪声这一特性,代替对幅度图像直接去噪,提出将原始对偶字典学习(predual dictionary learning,PDL)算法用于对MR复数图像的实部与虚部分别进行去噪,然后组合得到幅度图像的方法.经仿真实验和在HT-MRSI50-50(50 mm)1.2 T小动物核磁共振系统中的实际应用,证明所提方法较直接对幅度图像去噪取得更好的效果,在有效去除MR图像噪声的同时能较好地保持图像中的细节.与经典的字典学习算法核奇异值分解(kernel singular value decomposition,K-SVD)相比,PDL算法去噪效果优于K-SVD算法,而运算速度提高约5倍.与经典的基于非局部相似块的三维块匹配滤波(block-matching and 3D filtering,BM3D)算法相比,在噪声水平较低时PDL算法略优于BM3D算法,噪声水平较高时BM3D算法略优于PDL算法,两者总体比较接近.

基于Shearlet域各向异性扩散和稀疏表示的图像去噪

为了更有效地去除图像噪声,同时更好地保留图像边缘细节信息,提出了一种基于shearlet域各向异性扩散和稀疏表示的图像去噪方法.首先对含噪图像进行非下采样shearlet变换(nonsubsampled shear1et transform,NSST),将图像分解为低频分量和多个高频分量.低频分量中包含图像信号的主要能量以及少量的噪声,而高频分量中含有大部分噪声和图像边缘信息.然后,利用K-奇异值分解(K-singularvalue decomposition,K-SVD)算法去除低频分量中的噪声,各个方向的高频分量则通过核各向异性扩散(kernel anisotropic diffusion,KAD)算法进行去噪.最后,对处理过的低频分量和高频分量进行非下采样shearlet反变换(inverse nonsubsampled shearlet transform,INSST),得到重构图像,从而有效地去除图像噪声,保留图像边缘细节.实验结果表明,与小波扩散去噪法、shearlet硬阈值去噪法、K-SVD稀疏去噪法、小波域稀疏去噪法相比,该方法的去噪能力更强,并能更好地保留图像纹理细节特征,改善图像视觉效果.

脑机接口的广义核线性判别分析方法研究

针对脑机接口中脑电信号处理,提出了一种基于核方法和广义奇异值分解(GSVD)的广义核线性判别分析(GKLDA)方法,对两类脑电信号进行特征提取。首先在非线性核函数映射的核空间对样本做线性判别分析,针对"小样本采样问题",采用GSVD求解一种非线性空域滤波器。算法验证中,采用BCI竞赛一数据集、竞赛二数据集Ⅳ和竞赛三数据集ⅢB中S4b等3组公开数据,以及一组自行采集的想象左右手运动的数据,同时分别与核共空间模式(KCSP)、核线性判别分析(KDA)、广义判别分析(GDA)进行对比。分类器采用Fisher线性判别分析分类器。所提出的方法针对3组公开数据,正确率分别为93%、77%、80%,自行数据正确率为97%,且优于其他几种核方法。实验结果表明,GKLDA方法是脑机接口中一种新的有效的特征提取方法。

基于多标签共享子空间学习和内核脊回归的空谱分类算法

针对高光谱图像维度高、地物间非线性可分造成的分类精度低等问题,提出一种基于多标签共享子空间和内核脊回归的空谱分类算法.该算法利用内核脊回归将地物相近像素在线性空间的不可分特征映射到高维空间中,实现分类特性在高维空间下的有效分离,以提高地物相近特性的区分精度;同时将高维样本数据映射到低维共享子空间中,在低维环境下以多类标为指导,引入低秩矩阵建立类别标签与共享空间的预测关系,挖掘多标签间的共同特性,提高融合利用多类别间的共同属性提高高光谱图像的分类精度;最后利用奇异值分解迭代法求解目标函数,一定程度上加速参数求解.在Indian Pines和Pavia University两组高光谱数据集上进行仿真实验,实验结果表明,与其他同类算法相比,在低样本比例下,本文算法在总体分类精度、平均分类精度和Kappa系数等评价指标上至少提高4.76%、4.24%和5.19%,与非内核化的算法相比,本文算法在基本不增加运行时间的情况下总体分类精度、平均分类精度和Kappa系数至少提高2.92%、2.8%和3.48%.

基于K-SVD-OMP的稀疏表示方法在电力负荷预测中的应用

针对中期或短期电力负荷预测,提出一种基于稀疏表示的特征提取建模方法。为构建预测模型,将历史电力负荷等数据构成具有时延的输入—输出数据对,将时延输入数据向量作为初始字典,采用K均值—奇异值分解(K-SVD)算法将其进行稀疏分解与变换至稀疏域以得到学习后的字典。进一步,由正交匹配追踪(OMP)算法获取相应的稀疏编码向量,再将该向量作为核极限学习机(KELM)的输入来构建全局回归模型。为了验证该方法的有效性,将所提出的方法用于不同地区的中期或短期电力负荷预测中,在同等条件下还与单一KELM、支持向量机(SVM)、极限学习机(ELM)方法以及非字典学习的其他稀疏表示建模方法进行了比较。实验结果表明,不同的稀疏表示建模方法均能取得很好的预测效果,其中所提方法具有更好的预测效果,显示出其有效性。

核不相关鉴别分析以及它在字符识别中的应用

核不相关鉴别分析是在线性不相关鉴别分析的基础上发展起来的·然而,由于核函数的运用,计算核不相关矢量集变得更加复杂·为了解决这个问题,提出一种解决核不相关鉴别分析的有效算法·该算法巧妙地利用了矩阵的分解,然后在一个矩阵对上进行广义奇异值分解·与此同时,提出了几个相关的定理·最重要的是,提出的算法能克服核不相关鉴别分析中矩阵的奇异问题·在某种意义上,提出的算法拓宽了已有的算法,即从线性问题到非线性问题·最后,用手写数字字符识别实验来验证提出的算法是可行和有效的·

一种改进的远距离视频图像性别辨识方法

针对远距离视频图像性别辨识的不准确性,提出一种基于核的奇异值分解(Kernel SingularValue Decomposition,KSVD)和线性判别分析(Linear Discriminant Analysis,LDA)相结合(KSVD+LDA)的性别识别方法。首先,利用核的奇异值分解方法得到图像的有效代数特征;其次,进一步经过线性判别分析得到图像的最佳分类特征;最后,结合简单、快速的最近邻分类器(Nearest Neighbor Classification,NNC)完成对性别的识别。在ORL(Olivetti Research Laboratory)人脸库上的实验结果表明,本文提出的KSVD+LDA方法与奇异值分解(Singular Value Decomposition,SVD),和KSVD方法相比,能获得较高的正确识别率。

融合核密度估计和奇异值分解的多样化推荐算法

现今的推荐算法大多以提高推荐列表准确率为目标,而对推荐的多样性考虑较少,这样会导致推荐结果新颖性不强,在考虑多样性的时候又会降低准确率.本文提出了一种融合兴趣分布与奇异值分解的多样化推荐算法(KDE-SVD),首先使用核密度估计的方式估计用户兴趣分布,得出用户在兴趣分布上相似的邻居,并使用兴趣分布上相似的邻居的评分对当前用户未评分的物品进行预评分,然后将上一步得到的预评分填入用户-评分矩阵,进行SVD分解,此时获取推荐列表即包含了兴趣相似邻居预评分而来的物品,保证推荐列表的多样性,也有SVD分解而得的行为相似邻居的物品,保证推荐列表的准确率.在实验数据集上实验表明,该本文算法能保证准确率的的情况下充分提高推荐多样性.