基于卷积核网格化二维近程微波全息

引入一种二维近程微波全息成像算法,该方法采集的散射数据不仅包括后向散还包括前向散射,对目标的入射场不做任何假设,完全由测量或仿真获得,具有较强抗噪声性能,成像分辨率较高,较适于近程成像。为了探讨算法在实际应用中的影响因素,利用FEKO软件模拟目标散射场和入射场,验证了该算法能够获得高质量目标图像,比较和分析了不同扫描频率、扫描间隔以及天线位置的成像效果,为实际应用提供参考依据。针对该算法中外部干扰源等引起的混叠效应,提出利用卷积核网格化方法处理采集的散射数据来纠正网格。给出几种典型的卷积核函数,比较分析了它们的抗混叠性能,得出球谐函数是一种较优的卷积核函数,抗混叠较强。

利用网格卷积特征的三维形变目标分类

三维目标的形状变化给目标识别带来很大挑战,同时三维网格模型的不规则数据结构难以直接应用卷积运算提取三维目标特征.对此,本文提出了一种高效的三维形变目标的网格卷积特征表示方法,准确提取形状信息并进行分类.首先通过网格卷积运算获得形变目标中典型局部曲面形状分布,其次通过马尔科夫链对曲面形状的空间共现关系建模,从而形成三维模型的全局特征描述,最后采用支持向量机实现形变目标分类.该方法将连续多项式函数作为卷积模板,实现针对不规则数据结构的网格卷积运算,并且给出了卷积模板参数的无监督学习方法.在标准非刚性三维模型数据集SHREC10与SHREC15上的实验结果表明本文方法能有效提取三维网格模型的形状信息,分类准确率分别达到了92.88%与96.54%.

基于卷积神经网络图像分类的轴承故障模式识别

针对传统的基于数据驱动的机械故障模式识别方法中需要人工构造算法提取特征以及人工构造特征提取算法繁琐的问题,结合卷积神经网络(CNN)在图像特征自动提取与图像分类识别中的广泛应用,提出了一种基于CNN图像分类的轴承故障模式识别方法。首先,利用集合经验模态分解(EEMD)方法对轴承振动信号进行自适应分解并用相关系数对得到的本征模函数分量进行筛选。其次,对筛选得到的本征模函数分量进行伪魏格纳-威利时频分析(PWVD)计算得到信号的时频分布图,并对时频图进行预处理。最后,将轴承15种不同工况预处理后的时频图利用CNN进行特征提取与分类识别。将该方法与同类方法进行了对比,分类正确率提高了4.26%。

基于迭代的PROPELLER MRI重建算法

PROPELLER是磁共振成像中能有效消除运动伪影的一种新的采集技术。对于PROPELLER的重建,传统的卷积网格方法由于需要优化大量参数和采样密度补偿过程,重建图像的质量很难得到保证。本文提出使用迭代重建的方法进行PROPLLER的重建,通过加权预条件共轭梯度算法,迭代最小化代价函数,从而得到重建图像。为了提高速度,在每步迭代中,使用NUFFT计算矩阵-向量乘法。通过仿真数据和实际扫描数据比较验证,迭代算法相比卷积网格化方法提高了重建图像信噪比,消除了振铃伪影,并提高了图像的均匀性。