二维非负矩阵分解在齿轮故障诊断中的应用

针对齿轮故障信号时频分布识别问题,提出采用二维非负矩阵分解技术提取时频分布矩阵特征参数的方法。采用S变换技术将齿轮故障信号变换至时频域,为克服传统的一维非负矩阵分解对矩阵向量化带来的维数过高和结构信息损失问题,提出采用二维非负矩阵分解技术直接对信号时频分布矩阵提取特征参数。对齿轮5种状态下信号时频分布矩阵的特征提取和分类结果表明,二维非负矩阵分解技术无论在计算效率还是分类精度上都明显优于一维非负矩阵分解技术。

基于二维非负矩阵分解的1kb/s WI语音编码算法

本文针对波形内插(WI)语音编码模型和参数量化等技术进行了研究,并最终提出了一种基于二维非负矩阵分解的1kb/s波形内插(2DNMF-WI)语音编码算法.文中采用二维非负矩阵分解(2D-NMF)方法来分解语音特征波形(CW),该分解方法在行和列两个方向上同时压缩CW幅度谱矩阵的维数,使得CW幅度谱矩阵降维后得到的编码矩阵维数较小,易于量化.此外,在甚低速率语音编码中,由于没有足够的比特数来描述编码参数,往往很难得到高质量的合成语音.本算法采用两帧联合编码、帧间后向预测三级矢量量化、离散余弦变换(DCT)和分裂式矩阵量化等技术来降低编码速率和改善音质.非正式主观听觉测试显示,1kb/s 2DNMF-WI编码器合成语音的质量稍差于2kb/s的NMF-WI语音编码算法.

二维局部非负矩阵分解的路网态势算法

针对路网态势评测算法存在限于断面、依赖单一指标等的不足,在解析测量指标和测量断面的相关性及局部非负矩阵分解(LNMF)算法的基础上,提出了二维局部非负矩阵分解2DLNMF算法,通过选择合适参数对路网数据进行降维处理,提取路网特征数据,从而实现路网态势评测.仿真结果表明,使用2D-LNMF算法路网态势评测结果更加准确,而在线评测准确性达到95.69%.

二维卷积非负矩阵分解的初值确定混合算法

为解决二维卷积非负矩阵分解算法存在初值敏感,且传统随机初始化确定的初始值容易使算法收敛到结果相对不好的局部最优值的问题,通过结合K均值聚类、奇异值分解和主成分分析方法,提出了一种适用于二维卷积非负矩阵分解初始值确定的混合算法.首先,利用K均值聚类方法得到聚类中心作为系数矩阵(H矩阵)的初始值,避开了传统初始化不确定系数矩阵带来的分解结果不唯一问题;其次,考虑到相比一维卷积非负矩阵分解算法,二维卷积非负矩阵分解算法的基矩阵(W矩阵)个数更多,利用奇异值分解和主成分分析方法交替产生基矩阵的初始值,克服了单个算法产生的初始化误差问题.在相同参数环境下将本文算法和现有初始化算法的分解收敛性能进行对比实验,结果表明本文算法相比其他同类算法具有更好的分解性能并具有更好的收敛性.进一步加入噪声进行实验,在白噪声为-1 dB～10 dB的不同信噪比环境下,本文算法均能快速实现信号的分离,对于噪声数据具有很强的鲁棒性.采用混合算法确定初值,更有利于实现二维卷积非负矩阵分解的实时性和高性能.

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。

改进的Gabor变换和二维NMF融合的人脸识别

为了得到高质量的人脸特征,提高人脸识别性能,提出基于改进的Gabor变换和(2D)2NMF(二维非负矩阵分解法)的人脸识别方法。改进的Gabor变换提取的特征有较高的品质,鲁棒性增强。二维非负矩阵分解法降维能大大降低图像数据维数,缩短计算时间,提高识别率。最后在ORL人脸库中进行实验,结果表明改进的Gabor变换和二维NMF方法相结合计算时间略微增加,但识别效率明显提高,从而证明了该方法的有效性。

柴油机时频图像双向二维特征编码与故障识别

针对柴油机故障特征提取困难的问题,提出一种基于时频图像双向二维特征编码识别的柴油机智能故障诊断方法.将内燃机故障诊断问题转化为故障信号时频图像的识别问题,分别利用短时傅里叶变换、小波包、魏格纳分布(WVD)、伪魏格纳分布(PWVD)与平滑伪魏格纳分布(SPWVD)生成柴油机振动时频图像,提出了自适应匹配追踪(AMP)算法与魏格纳相结合的AMP-WVD时频表征方法;为进一步获取包含于柴油机振动时频图像内部的低维特征参量,在二维非负矩阵分解的基础上提出了双向二维非负矩阵分解(TD2DNMF)算法,将数据矩阵行、列维信息融合到一个判别分析框架中,将不同类别的数据信息并行运算,对柴油机时频图像样本进行特征编码,并将支持向量机作为分类器,实现了时频图像的自动分类识别.在6135G型柴油机上模拟了8种不同气门状态,利用时频图像双向二维特征编码与故障识别方法进行柴油机运行状态判别,结果表明:AMP-WVD时频图像可描述柴油机运行状态信息,各时频分量的物理意义更加明确;TD2DNMF方法有较好的特征提取能力,可提取柴油机故障信息.

基于NMF改进算法的人脸识别仿真研究

研究人脸识别性能问题,由于要求图像识别处理精度高,速度快,传统的非负矩阵分解方法,在NMF矩阵的构建过程中,图像向量化会导致图像结构信息丢失,会对分类识别造成负面影响,使识别精度不是很理想。图像向量的高维数据使得NMF分解速度慢,从而影响识别速度。为了提高人脸识别性能,提出了(2D)2NMF方法,将混合正交基策略用于2DNMF和(2D)2NMF方法中,并且采用了线性SVM加权手段对2DNMF方法(、2D)2NMF方法分解得到的特征进行再一次选择。用ORL人脸库进行测试,结果表明,改进方法和策略有着更高的识别精度和更快的识别速度,为实际应用提供了依据。

基于时频分析和2DNMF的局部放电模式识别

提出时频分析结合二维非负矩阵分解的混合特征提取算法识别不同局部放电类型。在实验室环境下采集了4种典型绝缘缺陷模型的局部放电超高频(UHF)波形,引入自适应最优径向高斯核时频分析挖掘局部放电UHF信号的时频信息,在对时频幅值矩阵进行二维非负矩阵分解提取降维特征后,采用模糊k-近邻分类器对4种不同类型的局部放电信号进行识别。对试验样本的识别结果表明:自适应最优径向高斯核时频分布能较好地表征局部放电单次波形的时频信息;二维非负矩阵分解降维后的特征矩阵能保存原始时频矩阵的大部分有用信息;模糊k-近邻分类器比k-近邻分类器和3层反向传播神经网络具有更高的识别率,并较反向传播神经网络具有容易拓展的优点。

时频表示特征约简的旋转机械故障特征提取方法

针对二维时频表示特征提取困难这一问题,在分析基追踪与二维非负矩阵分解方法(Two Dimensional Nonnegative Matrix Factorization,2DNMF)的基础上,提出一种基于时频表示特征约简的时频特征提取方法。利用基追踪方法将信号分解成基于信号多特征冗余原子库的一组原子的线性组合,组合各分解原子的Wigner-Ville分布获取信号基追踪时频表示,采用2DNMF对基追踪时频表示的幅值矩阵进行特征约简以获取蕴含在其内部的低维特征。将提出的方法应用于8种不同状态轴承信号的特征提取中,实验结果证明了方法的有效性。

基于（2D）^2NMF及其改进算法的人脸识别

非负矩阵分解(NMF)是基于部分的特征提取方法,能够克服局部遮挡和光照问题,在图像识别任务中效果较好。然而传统算法中,NMF提取的特征是非正交的,且二维图像常被向量化处理,不仅丢失一些结构信息,还导致了数据的高维,不利于提高识别精度和速度。利用图像矩阵取代传统的图像向量表示,提出新的(2D)2NMF方法提取二维图像特征,并通过特征正交化和图像变形等措施,改善了算法性能。人脸识别实验表明,上述措施能够有效提高识别的精度和速度。

基于B(2D)~2PGNMF的ISAR像目标识别

为了更好地利用逆合成孔径雷达(ISAR)像目标的局部空间结构信息和类别信息实现目标识别,该文提出了一种基于分块双向二维投影梯度非负矩阵分解(B(2D)2PGNMF)的ISAR像目标识别方法。采用基向量非负加权组合的形式构建目标像。将B(2D)2PGNMF分解得到的权向量作为特征,通过最近邻分类器完成五类飞机目标的识别。仿真结果表明:在相同的压缩率或相同的基矩阵维数下,二维投影梯度非负矩阵分解(PGNMF)算法比一维PGNMF算法具有更高的识别精度,分块投影梯度非负矩阵分解(BPGNMF)算法的识别结果优于PGNMF算法,B(2D)2PGNMF算法的识别结果优于双向二维投影梯度非负矩阵分解((2D)2PGNMF)算法。在相同的基矩阵维数下,二维PGNMF算法的压缩率高于一维PGNMF算法,BPGNMF算法所需的运行时间最长,(2D)2PGNMF算法的运行时间最短。该文方法在不影响运算效率的同时能获得较好的识别结果。

一种基于联合CSVD-2DNMF的人脸识别算法

类估计基空间奇异值分解算法(CSVD)克服了奇异值分解(SVD)造成的重构图像基空间不一致的本质缺陷,但在一定程度上削弱了图像的类别特征。二维非负矩阵分解算法(2DNMF)能在一定程度上避免NMF识别算法中因图像向量化而造成的结构信息丢失、内存花销大等不足,但是随着训练样本数量的增多,迭代速度慢、训练时间长等缺陷也将凸显。根据CSVD与2DNMF的优缺点,提出了人脸识别的联合CSVD-2DNMF算法,进而运用提出的算法在Matlab平台上对ORL人脸数据库中的人脸图像进行了识别实验。实验结果表明该算法能有效的缩短训练时间和提高识别率。