Robust Principal Component Test in Gross Error Detection and Identification

Principle component analysis （PCA） based chi-square test is more sensitive to subtle gross errors and has greater power to correctly detect gross errors than classical chi-square test. However, classical principal com- ponent test （PCT） is non-robust and can be very sensitive to one or more outliers. In this paper, a Huber function liked robust weight factor was added in the collective chi-square test to eliminate the influence of gross errors on the PCT. Meanwhile, robust chi-square test was applied to modified simultaneous estimation of gross error （MSEGE） strategy to detect and identify multiple gross errors. Simulation results show that the proposed robust test can reduce the possibility of type Ⅱ errors effectively. Adding robust chi-square test into MSEGE does not obviously improve the power of multiple gross error identification, the proposed approach considers the influence of outliers on hypothesis statistic test and is more reasonable.

Block Principle Component Analysis with Lp-norm for Robust and Sparse Modelling

Block principle and pattern classification component analysis （BPCA） is a recently developed technique in computer vision In this paper, we propose a robust and sparse BPCA with Lp-norm, referred to as BPCALp-S, which inherits the robustness of BPCA-L1 due to the employment of adjustable Lp-norm. In order to perform a sparse modelling, the elastic net is integrated into the objective function. An iterative algorithm which extracts feature vectors one by one greedily is elaborately designed. The monotonicity of the proposed iterative procedure is theoretically guaranteed. Experiments of image classification and reconstruction on several benchmark sets show the effectiveness of the proposed approach.

基于RPCA的地基SAR近距强耦合信号抑制算法研究

地基合成孔径雷达(GBSAR)是一种全天时全天候非接触式大面积区域高精度形变监测手段,在矿区、边坡、大坝等区域的监测具有广泛应用。在封闭空间监测站中对外场进行连续监测时,雷达接收的回波信号会受到封闭空间的强散射信号干扰。近距离强散射信号耦合到雷达接收端形成虚假目标,严重影响成像质量。该文提出使用RPCA算法,在距离多普勒域将回波信号分解为低秩和稀疏两部分,利用距离多普勒域耦合信号的低秩特性,以及场景信号的稀疏特性,将耦合信号与场景信号有效分离。不同于基于PCA的已有耦合信号抑制方法,RPCA对场景回波信号本身没有高斯分布假设要求,这一假设要求在实际中通常是不满足的。此外,该文提出基于相关性分析的RPCA正则化系数优化选择方法,以实现低秩与稀疏的较优分离。该文通过实际GBSAR数据处理验证了方法的有效性,相比于已有的基于PCA的算法,基于RPCA的耦合信号抑制方法能够在保留场景回波信号的同时更好地抑制耦合信号。

基于RPCA低秩稀疏分解的循环频率检测方法

在强噪声干扰时循环频率的准确检测对于循环平稳信号处理有重要意义。该研究提出了一种低信噪比(signal-to-noise ratio, SNR)下将基于鲁棒主成分分析(robust principal component analysis, RPCA)的低秩稀疏分解技术应用于循环谱密度(cyclic spectral density, CSD)矩阵,从而进行循环频率检测的新方法。首先,采用RPCA将循环谱密度矩阵分解为表示噪声干扰的低秩矩阵和表示循环平稳特征的稀疏矩阵。随后,利用稀疏矩阵构造检测函数实现循环频率的自动检测。仿真结果证明了该方法在强噪声干扰下检测概率方面的优越性,并可根据检测各阶循环频率谐波的受试者工作特征(receiver operating characteristic, ROC)曲线为不同信噪比条件下选择检测阶数提供参考。为了进一步验证该方法在应用中的有效性,将该方法应用于滚动轴承的早期故障诊断中。滚动轴承加速疲劳寿命试验数据上的分析结果证明该方法能够在轴承早期故障阶段从低SNR的振动信号中准确检测出轴承的故障特征频率,实现轴承的早期故障诊断。

A new image processing method for discriminating internal layers from radio echo sounding data of ice sheets via a combined robust principal component analysis and total variation approach

Discriminating internal layers by radio echo sounding is important in analyzing the thickness and ice deposits in the Antarctic ice sheet.The signal processing method of synthesis aperture radar(SAR)has been widely used for improving the signal to noise ratio(SNR)and discriminating internal layers by radio echo sounding data of ice sheets.This method is not efficient when we use edge detection operators to obtain accurate information of the layers,especially the ice-bed interface.This paper presents a new image processing method via a combined robust principal component analysis-total variation(RPCA-TV)approach for discriminating internal layers of ice sheets by radio echo sounding data.The RPCA-based method is adopted to project the high-dimensional observations to low-dimensional subspace structure to accelerate the operation of the TV-based method,which is used to discriminate the internal layers.The efficiency of the presented method has been tested on simulation data and the dataset of the Institute of Electronics,Chinese Academy of Sciences,collected during CHINARE 28.The results show that the new method is more efficient than the previous method in discriminating internal layers of ice sheets by radio echo sounding data.

面向复杂场景的多通道慢速动目标稳健检测算法

针对鲁棒主成分分析(RPCA)算法在多通道慢速地面动目标指示(GMTI)中存在的高虚警以及对通道误差敏感问题,该文提出一种数据重构与速度合成孔径雷达(VSAR)-RPCA联合处理的方法。首先,通过样本挑选与联合像素法完成通道间数据精确重构;然后结合VSAR检测模式提出一种新的RPCA优化模型,通过采用交替投影乘子法对其进行求解得到空间频域的稀疏矩阵,进一步利用动目标与强杂波残余在空间频域通道的分布特性差异实现强杂波残余剔除与动目标检测;最后采用沿航迹干涉算法估计目标径向速度完成动目标重定位。相较于传统RPCA算法,所提算法在非理想强杂波背景下的虚警率显著降低。理论分析与实测实验验证了所提算法的有效性。

基于RPCA的图像模糊边缘检测算法

针对传统边缘检测方法未能在抗噪性能与边缘检测精度之间取得较好的权衡的问题,利用鲁棒主成分分析模型良好的矩阵恢复能力与图像模糊边缘检测算法较佳的边缘检测性能,提出一种基于RPCA的图像模糊边缘检测算法,将图像的边缘检测问题转化为图像主成分的边缘检测问题。该算法对含噪图像进行RPCA分解,得到对应的稀疏图像和低秩图像,再用一种基于阈值的隶属函数将低秩图像转化至等效的模糊特征平面,并在该特征平面上进行模糊增强运算,最后进行空域转化及边缘提取等操作得到最终的边缘图像。实验结果表明,该算法提高了边缘定位的精度,对不同类型、不同强度的噪声均具有较好的抑制能力,适用于对实时性要求不高的图像处理。

基于全变分-核回归的RPCA运动目标检测方法

近年来,鲁棒主成分分析法(Robust Principal Component Analysis,RPCA)被广泛应用到运动目标检测中,但该类方法未能有效利用运动目标的时空连续性先验,容易将动态背景误判为运动目标,且背景恢复精度不高.为此提出一种基于全变分-核回归的RPCA运动目标检测方法.该方法以RPCA为基础,利用3维全变分模型增强前景的时空连续性,去除动态背景干扰,得到清晰完整的前景.同时,利用基于扩散张量的核回归对背景的时空相关性建模,去除噪声干扰,从而精确恢复背景.在多组公开数据集上的实验结果表明,该方法在动态背景、光照变化等复杂场景中能够较为精确地检测出运动目标和恢复背景.

一种面向运动目标提取的对称交替方向RPCA算法

基于鲁棒主成分分析(RPCA)的运动目标提取对背景变化具有良好的鲁棒性,但传统的基于交替方向法(ADM)的鲁棒主成分分析方法存在计算量大、耗时长等缺陷.为了克服这些问题,一种对称交替方向法(SADM)被提出来,该方法优化了原ADM迭代策略,在一次迭代中对线性约束乘数更新两次,减少了计算成本很大的奇异值分解(SVD)执行的次数,同时加入了新的均衡参数和停机准则,以提高运动目标的提取精度,避免多余的迭代以减少运行时间.通过F测度这一衡量指标对实验结果进行量化,提出的算法比对比算法的提取精度平均提高33.04%,运行时间相对原ADM提高了98.8%.

基于RPCA的小孔径垂直阵辐射噪声测量方法

测量辐射噪声时,小孔径垂直阵由于阵增益小,低信噪比时辐射噪声测量的性能较差。针对这一问题,本文提出一种低信噪比下基于稳健主成分分析的小孔径垂直阵辐射噪声测量方法。当阵元接收的环境噪声以非相关噪声为主时,本方法通过稳健主成分分析将数据协方差矩阵分解成低秩的信号协方差矩阵和稀疏的噪声协方差矩阵,再通过信号协方差矩阵计算辐射信号的声源级,降低了环境噪声的影响。数值仿真结果表明:当快拍数足够大时,稳健主成分分析方法可以完全消除非相关噪声分量,而即使快拍数较少,使用稳健主成分分析方法也能消除部分环境噪声,因此使用稳健主成分分析的辐射噪声测量方法比直接进行测量性能更好。

时空RPCA在复杂场景下的运动目标检测

在复杂动态背景下,鲁棒主成分分析模型(RPCA)容易将背景中动态背景误判为前景运动目标,导致运动目标检测精度不高。为解决该问题,提出一种基于非凸加权核范数的时空低秩RPCA算法。使用非凸加权核范数替代传统的核范数进行低秩约束,在观测矩阵上通过拉普拉斯特征映射得到时空图拉普拉斯矩阵,将得到的时空图拉普拉斯矩阵嵌入低秩背景矩阵以保持背景对噪声和离群值的鲁棒性。实验结果表明,所提模型在复杂场景中能较准确检测出运动目标。

基于RPCA视频去噪算法的自适应优化方法

传统去噪算法不能在尽量滤除噪声的同时很好地保持原始图像信息。针对这种情况,提出基于鲁棒主成分分析的自适应视频去噪算法。首先根据视频数据的低秩性和噪声的稀疏性,利用加速近端梯度方法重建出原始视频的低秩部分和稀疏部分,实现噪声的初步分离;其次利用自适应中值滤波器进行预滤波处理,提高块匹配精度,进一步去除视频噪声;最后引入自适应奇异值阈值法,增强图像细节边缘信息,降低迭代优化算法的时间复杂度。实验结果表明,该方法不仅能极大程度地恢复出原始视频序列,还能自适应地去除干扰噪声。不论从客观指标PSNR值还是从主观视觉,该方法与传统去噪方法相比都具有很大的优势。

基于多通道SAR系统的ATI-RPCA地面动目标指示方法

针对强杂波背景下的多通道合成孔径雷达(multi-channel synthetic aperture radar,MC-SAR)系统,结合沿航迹干涉(along-track interferometry,ATI)方法和稳健的主成分分析(robust principal component analysis,RPCA)方法,提出一种ATI-RPCA的地面动目标指示方法。与传统的ATI方法相比,该方法可以提供更稳健的性能,但增加了一定的计算复杂度;与经典的RPCA算法相比,该方法可以降低虚警概率(probability of false alarm,PFA)并降低运算复杂度。总体而言,所提方法提供了较为稳健快速的目标检测性能,最后通过将所提方法应用到实测三通道SAR数据中,得到的结果与本文的理论分析一致。

基于光流法与RPCA的红外运动目标检测

对区域生态及海表时空监测系统中的红外视频图像进行运动目标检测,提出鲁棒主成分分析(RPCA)和光流法结合的检测算法。对图像RPCA算法提取出的稀疏前景寻找特征点,利用金字塔Lucas-Kanade(LK)流法计算特征点并进行目标运动估计,得到目标运动的区域。再通过形态学分割得到最终的前景目标并进行跟踪。该算法在检测过程中避免背景像素点所带来的影响,消除背景减除法在运动目标提取过程中容易出现的"空洞"现象,弥补单独使用光流法检测耗时、计算复杂的缺陷。仿真结果表明,该算法具有鲁棒性优点,可应用于实际场景中,可以在具有复杂背景的环境中准确地提取出运动目标。

Data-Driven Temporal Filtering on Teager Energy Time Trajectory for Robust Speech Recognition

Data-driven temporal filtering technique is integrated into the time trajectory of Teager energy operation （TEO） based feature parameter for improving the robustness of speech recognition system against noise. Three kinds of data-driven temporal filters are investigated for the motivation of alleviating the harmful effects that the environmental factors have on the speech. The filters include： principle component analysis （PCA） based filters, linear discriminant analysis （LDA） based filters and minimum classification error （MCE） based filters. Detailed comparative analysis among these temporal filtering approaches applied in Teager energy domain is presented. It is shown that while all of them can improve the recognition performance of the original TEO based feature parameter in adverse environment, MCE based temporal filtering can provide the lowest error rate as SNR decreases than any other algorithms.

基于MIMIC算法和RPCA的混合蚁群优化算法

为提高连续域上蚁群算法的寻优性能,降低决策变量之间的相关性,设计一种基于MIMIC算法和RPCA的连续域上蚁群优化算法.本文首先介绍连续域上的蚁群算法;然后根据一些处理多变量相关性的方法,给出有效相关性的定义;接着提出一种基于MIMIC算法和RPCA的混合蚁群算法;最后,通过对标准测试函数进行优化求解实验,将所得结果与连续域上的蚁群优化算法相比较,可知该算法在寻优能力和收敛性方面都有明显的提高,是一种有效的优化算法.

双加权Lp范数RPCA模型及其在椒盐去噪中的应用

鲁棒主成分分析(Robust principal component analysis,RPCA)模型中秩函数和L0范数的求解是非确定性多项式(Nondeterministic polynominal,NP)难问题,凸近似模型的求解通常会导致过收缩。本文结合加权方法和Lp范数提出了一种基于双加权Lp范数的RPCA模型,利用加权S p范数低秩项和加权Lp范数稀疏项分别对RPCA框架中的低秩恢复问题和稀疏恢复问题进行建模,使其更接近秩函数和L0范数最小化问题的解,提升了矩阵秩估计和稀疏估计的准确性。为了验证模型性能,本文利用图像的非局部自相似性,结合相似图像块组的低秩性与椒盐噪声的稀疏性,将双加权Lp范数鲁棒主成分分析模型应用于去除椒盐噪声过程中。定量与定性的实验结果表明,本文模型性能优于其他模型,同时奇异值过收缩分析也表明本文模型能够有效抑制秩成分的过度收缩。

基于矩阵分解的小计算代价RPCA模型及应用

鲁棒主成分分析(RPCA)是处理前景-背景分离问题的常用模型,然而原始RPCA模型及多数改进模型直接使用核范数来近似矩阵秩函数,常导致求解效率低且分离效果不理想等问题,尤其是当背景动态变化时。为降低计算代价,改善分离效果,引入矩阵分解技巧,同时在模型中加入二值模板和置信图等时空约束信息,对基于核范数的RPCA模型进行改进,提出一种新的小计算代价RPCA模型。运用增广拉格朗日乘子法求解改进后的模型,并在大量真实数据集上进行数值实验。实验结果表明,与现有的模型相比,新模型的召回率、准确率及相似度等评价指标都有明显的改善,且分离精度和求解效率也显著提高。

基于鲁棒主成分分析和MFCC反复结构的歌声分离方法

针对单一传统方法对歌声分离不彻底的问题,文章提出了一种基于鲁棒主成分分析(Robust Principal Component Analysis,RPCA)和梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficients,MFCC)反复结构的两步歌声伴奏分离模型。该模型有效地改善了鲁棒主成分分析对歌声分离不完全和梅尔频率倒谱系数反复结构歌声在低频处分离不佳的问题。首先使用鲁棒主成分分析将混合音乐信号分解为低秩矩阵和稀疏矩阵,然后分别对其提取梅尔频率倒谱系数特征参数并且对其进行相似运算,构建相似矩阵及建立梅尔频率倒谱系数反复结构模型并通过反复结构模型分别得到低秩矩阵和稀疏矩阵相关的掩蔽矩阵,最后根据构建的掩蔽矩阵模型以及傅里叶逆变换得到背景音乐和歌声。在公开数据集上进行了实验,实验结果表明本文算法在歌声分离性能上与比较算法相比,平均信号干扰比值最高有接近7 dB的提高。

基于加权核范数与3D全变分的背景减除

针对鲁棒主成分分析模型(Robust Principal Component Analysis,RPCA)一般将前景看作背景中存在的异常像素点,从而使得在复杂背景中前景检测精度下降的问题,提出一种基于加权核范数与3D全变分(3D-TV)的背景减除模型。该模型以RPCA为基础,利用加权核范数来约束背景的低秩性,考虑了不同奇异值对秩函数的影响,使其更接近实际背景的秩;然后利用3D-TV来约束前景的稀疏性,考虑了目标在时空上的连续性,有效抑制了复杂背景对前景提取造成的干扰。实验结果表明,与其他4种算法对比,所提模型的F值基本上是最优的,且能准确地分离图像中的背景和前景。