基于集合经验模式分解和K-奇异值分解字典学习的滚动轴承故障诊断

针对经典K-奇异值分解算法构造的字典中原子形态受噪声、谐波干扰影响,进而降低冲击故障特征提取精度的问题,提出了基于集合经验模式分解和K-奇异值分解字典学习的冲击特征提取方法。该方法首先利用集合经验模式分解与Hurst指数对振动信号进行预处理,剔除谐波干扰;其次,利用经典K-奇异值分解算法和预处理信号构造超完备字典;然后,利用K-均值聚类算法对字典中的原子进行筛选;最后,利用正交匹配追踪算法实现冲击故障特征的稀疏表示。实验分析和工程应用验证了所提方法的有效性和实用性。

图像的多尺度稀疏分解及其在遥感图像融合上的应用

提出了一种图像多尺度稀疏分解的新方法,联合局部离散余弦变换基和曲波变换基组成分解字典,通过控制字典系数从多个尺度把二维图像稀疏分解为纹理成分和卡通成分,并以此应用到遥感图像融合,提取有效尺度下高分辨率全色遥感图像的纹理成分和多光谱遥感图像的卡通成分,对二者进行稀疏重建得融合图像.实验结果表明,多尺度稀疏分解的遥感图像融合方法优于经典融合方法,融合结果具有更高的空间分辨率和更低的光谱失真,相比流行的稀疏重建法,该方法的执行速率得到大幅提升,且取得了更好的融合结果.

基于子窗口字典学习的机织物纹理表征及应用

为了提高机织物纹理表征算法的稳定性,提出了以子窗口字典学习表征机织物纹理的算法。将整幅图像划分为多个子窗口样本,并将子窗口样本展成列向量,所有的列向量联合组成灰度数据矩阵。选定离散余弦变换(discrete cosine transform,DCT)作为初始字典,对子窗口样本矩阵进行字典学习,最终得到了稳定的学习字典。选用均方根误差作为评价指标,对字典个数和子窗口大小进行优化。结果表明,应用学习得到的字典,不仅能近似重构机织物纹理样本图像,而且能在无监督的条件下自动识别织物的瑕疵。

移不变字典学习算法提取冲击成分及其在齿轮箱轴承早期故障诊断中的应用（英文）

由轴承故障所产生的故障冲击成分是对齿轮箱轴承故障评估的关键特征。但是由于严重的背景噪声与其它振动的干扰,从测量的振动信号中提取这些故障尤其是早期故障的冲击成分是十分困难的。为了捕捉到这些隐藏在测量的振动信号中的冲击成分的高阶特征,应用一种被称作移不变K均值奇异值分解字典学习算法(SI-K-SVD)对齿轮箱轴承进行早期故障检测。尽管移不变K均值奇异值分解字典学习算法比现有的大部分算法更具有灵活性与自适应性,但与该算法密切相关的两种参数(迭代次数与模式的长度)的不合理选取,会对故障诊断的效果产生负面影响。因此,该算法引入包络谱的稀疏度与峭度值并分别用于选取上述两种参数。基于这两种参数优化选取的移不变K均值奇异值分解字典学习算法,被称为最优参数移不变奇异值分解字典学习算法(OP-SI-K-SVD),本文采用该算法用于齿轮箱轴承的故障检测。通过对仿真与台架试验的数据的分析,验证了该算法的有效性。同时通过与现有的几种先进算法(经验模态分解、小波变换和K均值奇异值分解)的对比,最优参数移不变奇异值分解字典学习算法在齿轮箱轴承的早期故障诊断中展现出了优异的性能。

抗年龄干扰的人脸识别

本文将人脸图像特征分解为身份特征部分和年龄干扰特征部分,并分别投影到两个独立的子空间.为了提高由字典张成的特征子空间的表征能力和区分能力,字典学习过程中同时引入了人脸图像的重构误差约束项和类别约束项.因此,任意的人脸特征都可以由学习到的身份字典和年龄字典投影到对应的身份子空间和年龄子空间,然后再基于身份子空间进行人脸识别,从而使年龄的干扰得到了有效的抑制.通过在MORPH和FGNET数据库上的实验,证实了基于年龄不变的身份特征子空间学习方法能提升人脸识别性能.