基于卷积字典学习网络的地震数据重建

地震数据重建是地震资料处理的重要步骤。经典的字典学习方法将地震数据分解为重叠的数据块,并独立地计算所有块的稀疏表示,忽略了块之间的相关性。基于卷积字典学习的方法使用线性滤波器替代字典,具有更好的自适应稀疏表示能力。但相应算法的优化涉及卷积运算,求解复杂度较高。另外,重建性能也依赖手动参数的选择。深度学习方法在大量缺失/完整的训练数据驱动下,可以智能、高效地实现缺失地震数据重建。本文结合卷积字典学习和深度学习的优点,提出基于卷积字典学习网络(Convolutional Dictionary Learning Network,CDLNet)的地震数据重建方法,将卷积字典学习方法嵌入到深度神经网络框架中。该方法不仅可以取得更准确、高效的重建结果,而且在卷积字典学习模型和迭代收缩阈值算法(Iterative Shrinkage Thresholding Algorithm,ISTA)的指导下,训练的网络也具有一定的意义。通过仿真和真实数据实验显示,和Unet深度学习方法相比,重建数据的信噪比提高了2~3 dB;和DDTF(Data-Driven Tight Frame,DDTF)字典学习方法相比,信噪比提高了2~4 dB。

分组训练卷积字典的图像去噪算法

卷积稀疏编码(convolutional sparse coding,CSC)这一全局模型因字典的特殊结构而受到广泛关注,其中卷积字典学习算法(slice-based dictionary learning,S-BCSC)是最为有效的CSC模型优化算法。虽然S-BCSC算法非常有效,但算法在应用中对整幅图像只使用一个固定大小的字典,然而这并不利于图像信息的准确描述。为克服这一缺陷,讨论如何根据图像大小确定卷积字典大小,结合稀疏表示字典学习算法,提出分组训练卷积字典的图像去噪算法。新算法首先将过冗余图像块按照平滑、纹理、边缘分为三类;然后为每一类分别确定所要训练的卷积字典大小;最后依据S-BCSC算法完成字典学习以及图像去噪过程。从实验结果可以看出,所提算法在图像质量、清晰度上相比原S-BCSC算法都有所提升。

基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile,HRRP)目标识别问题,提出基于卷积稀疏编码与多分类融合(convolutional sparse coding and multi-classifier fusion,CSCMF)的识别方法。首先,该方法利用CSC方法对目标HRRP进行特征提取,同时实现数据压缩;然后,将测试样本的特征分别输入随机森林分类器、朴素贝叶斯分类器和最小值分类器进行预分类,得到3个预测标签。采用多数投票法对3个预测标签进行分类器融合,得到最终的识别决策。实验中研究了分类器融合方法。基于5种飞机目标的HRRP仿真数据进行了实验验证,实验结果表明该方法的分类准确率较高,而且对噪声有较强的鲁棒性。