基于迁移学习的零样本故障诊断

针对工业故障诊断中设备故障数据采集困难,目标故障样本少的问题,现有的零样本故障诊断方法仍依赖于故障数据集,本文提出了一种基于迁移学习的零样本故障诊断方法.通过经典的主成分分析算法,构建了一个适用于源域和目标域的判别属性提取器,用于提取源域数据样本潜在的细粒度特征表示,将其作为知识迁移的桥梁.利用源域故障数据获得所有已知故障类的共享细粒度基组,并将其作为知识迁移到目标域故障表示中.从共享细粒度基组学习源域和目标域的判别矩阵,构建各自的判别性特征,最终利用判别性属性实现零样本的故障诊断.基于田纳西-伊斯曼过程(Tennessee Eastrman Process,TEP)数据集,实验对本文方法和其他零样本故障诊断方法进行对比,实验结果验证了本文方法对零样本故障检测的有效性.

基于迭代剔除稀疏表示的人脸识别方法

近年来,人脸识别得到了广泛应用和快速发展。以协作表示分类(CRC)算法为代表的基于稀疏表示的分类方法取得了重大突破。然而,CRC因不能有效区分相似样本,从而非常容易分类错误。作为CRC的改进方法,两阶段测试样本稀疏表示方法(TPTSSR)剔除了那些对描述测试样本贡献不大的训练样本。但在TPTSSR中,仅进行一次剔除操作是远远不够的,因为某些无用样本仍可能被保留下来,同时那些有用样本可能会被随机删除。本文提出一种新的基于迭代剔除判别稀疏表示(DSP)方法,DSP利用稀疏参数直接度量训练样本的表示能力,同时通过多次迭代把大部分不相关的样本逐步剔除,从而避免误删有效样本。再通过在不同姿态、表情和噪声下的代表性人脸数据集进行实验,以评估DSP的性能。大量实验结果表明,在大部分情况下DSP比典型的SRC、CRC、RRC、RCR、SRMVS、RFSR和TPTSSR等算法具有更好的人脸识别效果。

快速可扩展的子空间聚类算法

子空间聚类算法只能处理小规模数据,且无法处理样本外数据.针对此问题,文中提出采用二次采样策略的子空间聚类框架(TSSC).该框架由两个核心部件组成:判别性协作表示(DCR)与多尺度K近邻(KNN)采样方法.在TSSC中,DCR首先结合多尺度KNN对数据点进行特征变换,从而保证属于同一子空间的点有更一致的表示.为了提高算法的可扩展性,TSSC在新的特征空间中使用多尺度KNN对数据进行二次采样,并根据采样点获得的初步聚类结果训练线性分类器,最后根据学习得到的分类器对剩余样本点进行分类,获得最终的聚类结果.在真实数据集上的实验验证TSSC的有效性.

基于大间隔编码的空间非负矩阵分解

虽然基于局部的表示方法在图像处理中具有很好的鲁棒性,但非负矩阵分解只有隐式局部约束,导致分解不唯一和基图像不够局部.另外,局部性与判别性作为样本表示的重要性质几乎没有在非负矩阵分解中被同时考虑过.为此,文中提出了基于大间隔编码的空间非负矩阵分解,将图像数据看作像素构成的二维网络,借鉴网络中的知识将空间信息嵌入基图像,不但施加了显式的局部约束,而且能够弥补数据向量化损失的空间信息.同时,利用大间隔约束学到的额外一维空间平衡重建误差和判别性约束对基图像的影响.在AR数据库和扩展的Yale B数据库上的人脸识别实验结果表明,相比于非负矩阵及其他几种典型的扩展方法,基于大间隔编码的空间非负矩阵分解更加鲁棒.

判别稀疏表示鲁棒快速视觉跟踪

目的 L1跟踪对局部遮挡具有良好的鲁棒性,但存在易产生模型漂移和计算速度慢的问题。针对这两个问题,该文提出了一种基于判别稀疏表示的视觉跟踪方法。方法考虑到背景和遮挡信息的干扰,提出了一种判别稀疏表示模型,并基于块坐标优化原理,采用学习迭代收缩阈值算法和软阈值操作设计出了表示模型的快速求解算法。结果在8组图像序列中,该文方法与现有的4种经典跟踪方法分别在鲁棒性和稀疏表示的计算时间方面进行了比较。在鲁棒性的定性和定量比较实验中,该文方法不仅表现出了对跟踪过程中的多种干扰因素具有良好的适应能力,而且在位置误差阈值从0~50像素的变化过程中,其精度曲线均优于实验中的其他方法;在稀疏表示的计算时间方面,在采用大小为16×16和32×32的模板进行跟踪时,该文算法的时间消耗分别为0.152 s和0.257 s,其时效性明显优于实验中的其他方法。结论与经典的跟踪方法相比,该文方法能够在克服遮挡、背景干扰和外观改变等诸多不良因素的同时,实现快速目标跟踪。由于该文方法不仅具有较优的稀疏表示计算速度,而且能够克服多种影响跟踪鲁棒性的干扰因素,因此可以将其应用于视频监控和体育竞技等实际场合。

基于结构信息建模和判别稀疏的红外小目标跟踪方法

为了提高背景杂波和成像噪声等干扰下红外小目标的跟踪精度,提出了一种基于结构信息建模和判别稀疏的红外小目标跟踪方法。小目标信号在广义高斯目标超完备字典上被稀疏分解,以便从受噪声干扰和杂波污染的红外图像中提取出小目标的空间结构信息;设计了转移受限粒子滤波跟踪算法,以提高粒子的采样概率;在转移受限粒子滤波框架下,基于判别稀疏表示和L1范数最小化框架求解候选目标的稀疏系数,实现小目标的跟踪。基于各种红外序列对所提方法进行实验论证,实验结果表明,所提方法能够在杂波和噪声较大的干扰下稳定地跟踪小目标,其中心误差、重叠率和平均视频播放帧率分别为3pixel、0.7和40fps,均优于其他对比方法,且具有较强的鲁棒性。