基于分层匹配追踪算法的电能质量复合扰动参数辨识方法

针对电能质量中的复合扰动信号分析问题,提出一种粒子群优化(PSO)和匹配追踪(MP)算法相结合的分层搜索的原子分解方法。首先应用MP算法提取基波分量,对于去除基波分量的残差信号,利用快速傅里叶变换找寻能量最大的频率成分,采用PSO算法粗搜索出最佳匹配粒子,然后以最佳匹配粒子为中心,在一定范围内重新离散化,生成小规模原子库,再应用MP算法有针对性地进行细搜索,最终得到最佳匹配原子,提取出电能质量复合扰动特征参数。仿真结果表明,该方法能克服MP算法匹配时间长、计算量大及PSO优化MP算法残差积累过大、容易陷入局部最优、匹配参数不准确等缺点,且具有一定的抗噪性和实时性。

应用分层自适应匹配追踪重构MEMS陀螺信号

对含噪微机械系统(MEMS)陀螺信号进行小波分解重构时,真实信号对应的小波系数很难选取,故本文提出一种分层自适应匹配追踪算法(LAMP)来解决上述问题。建立了含噪MEMS陀螺信号中信号小波系数稀疏提取架构,将信号小波系数提取问题转化为含噪信号中信号小波系数稀疏性的恢复问题。比较已有稀疏重构算法,采用一种新的LAMP算法,在各种可能的小波系数组合中挑选出分解系数最为稀疏的一组,以此消除信号中的噪声小波系数,进而重构MEMS陀螺信号。实验表明:提出的LAMP算法的稀疏重构效果优于其他迭代贪婪重构算法;基于LAMP的信号稀疏小波重构方法,可以有效去除MEMS陀螺信号的大量噪声;去噪前后,纯MEMS陀螺数据解算的方位角平均累积误差由10.060 2(°)/h减小到5.034 6(°)/h,优于传统小波阈值重构法平均累积误差8.596 8(°)/h,显示了较好的应用效果。

基于分层匹配追踪的快速图像检索

为从海量的图像资源中既准确又快速地检索出目标图像,在传统的图像检索模型中,图像的特征通常是从固定尺度的图像上提取出的,这将不可避免地降低整个系统实际应用能力。为解决这一问题,本文引入分层稀疏编码模型,提出一种基于分层匹配追踪(HMP)的快速图像检索技术,实现多尺度情况下的图像检索。本文方法从图像中提取的低层稀疏编码特征传递到高层,并将提取的高维稀疏编码特征转换为改进后的PCAH特征,利用哈希特征的汉明距离度量,实现图像的快速检索。在公共数据集Caltech256和Corel5K上的实验结果可以看出,本文方法的查准率和查全率较其他哈希法分别提高了5%和10%以上,而且所用时间也最短,表明本文方法不仅具有较高的准确率,还能保持较高的时间效率。

基于多模态融合的RGB-D物体识别

针对现有的RGB-D物体识别方法存在特征学习不全面导致物体识别准确率不高的问题,结合分层匹配追踪算法(Hierarchical matching pursuit,HMP)和特征级融合提出一种改进的物体识别算法。该算法首先利用稀疏编码和池化技术分别从RGB-D图像(RGB图像和深度图像两种模态)中提取RGB特征和深度特征,然后根据不同模态的特征对物体识别率的贡献进行特征级融合得到多模态融合特征,最后送入SVM分类器进行分类识别,并调整融合参数寻求最优识别率。在RGB-D数据集上进行分类识别实验,结果表明该方法的物体分类识别率能够达到83.6%,比其他方法提高了1%-2%。