基于秩最小化矩阵去噪的船舶轨迹重构方法

针对船舶自动识别系统(Automatic Identification System,AIS)在实际应用中存在错误数据频发、数据丢包等问题,本文提出一种基于秩最小化矩阵去噪的船舶轨迹重构方法,利用去噪实现轨迹重构,同时,实现对轨迹的去噪和缺失补全。该方法通过线性插值实现经度对齐,将轨迹数据转化为轨迹矩阵,从而补全轨迹中的缺失值。由于补全结果存在非常大的误差,因此,引入PLR(Patch-Based Low-Rank Minimization)算法去噪,消除误差。同时,为进一步提升补全效果,通过2D-VMD(Two-Dimensional Variational Mode Decomposition)算法将矩阵分解为不同频率的IMF(Intrinsic Mode Function),并分别进行PLR去噪,合并去噪结果,得到最终重构后轨迹。本文以长江武汉段水域船舶AIS轨迹为研究对象,通过实验证明该方法在不同缺失比例以及随机缺失和连续缺失两种情境下具有鲁棒性和较强的稳定性;并与HALRTC(High-Accuracy Low-Rank Tensor Completion)、TRMF(Temporal Regularized Matrix Factorization)等方法进行比较,结果表明,该方法相较于HALRTC等方法具有更高的精度,并在高损失率下表现出较好的重构效果。

去噪正则化与FFDNet结合的相位恢复算法

相位恢复是图像逆问题的一种,通过图像信号的幅值,恢复出采样过程中缺失的相位信息。目前相位恢复算法使用稀疏先验以及传统去噪器先验,存在特征表征不充分的问题。prDeep算法使用DnCNN卷积神经网络作为去噪器先验,结合去噪正则化模型提升了恢复效果,但是仍存在对复杂噪声鲁棒性较差的问题。针对prDeep算法对复杂噪声鲁棒不足的问题,提出了用FFDNet作为去噪器先验与去噪正则化模型相结合的算法。该算法利用FFDNet网络对噪声的自适应性,使用去噪正则化(RED)构建优化模型,解决了复杂正则化模型求导繁琐的问题。在保证卷积神经网络对特征表征能力的同时,提高了对复杂噪声的鲁棒性以及算法的迭代效率。仿真实验结果表明,该算法在不同噪声等级下,恢复图像信噪比和迭代效率均有所提升。

基于MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测

针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承剩余使用寿命预测方法。首先采用无监督的堆栈去噪自编码器网络对原始振动数据进行深层特征提取,并使用核主成分分析法进一步降维,以提高健康因子的指标稳定性;然后在堆栈去噪自编码器中加入流形正则化,最大程度保留编码器隐藏层内部的数据分布结构,提高模型提取数据特征的有效性。最后使用双向长短时记忆网络预测轴承的剩余使用寿命,并采用AdaMax优化算法对网络模型的超参数进行自适应寻优。分析结果表明,提出的滚动轴承剩余使用寿命预测方法具有更高的精度。

基于双指导扩散模型的单样本图像域自适应

为了避免现有的单样本图像域自适应算法在反转重建过程中丢失内容信息的现象,提出一种利用CLIP(contrastive language-image pretraining)和ViT(vision transformer)双指导扩散模型去噪、实现内容对齐的单样本图像域自适应算法。首先设计一种基于扩散模型的域反转算法,将位于目标域的图像通过预训练的扩散模型反转到源域,从而获得了内容相同但域信息不同的图像对。其次,将图像对映射到CLIP模型隐空间中,通过内容主导和域主导的2个方向分别顾及内容信息和域信息;同时,将图像对映射到ViT模型隐空间中,通过对比学习的方式分别约束内容信息和域信息。最后,使用条件化指导的去噪方式,实现任意源域图像到目标域的转换。此外,该算法也适用于未见域间转换和多属性编辑的任务。定性和定量的实验结果证明,该算法相对于其他先进算法在多个性能指标上提升2%~27%。

小波去除随机噪声方法的MATLAB应用

小波变换正在众多学科掀起研究和应用热潮,并已获得了许多成功的应用。对小波阈值化去噪的原理进行介绍,运用MATLAB中的小波工具箱,对一个含噪信号进行阈值去噪,实例结果表明了小波去噪具有较好的效果。

数控加工中激光探头光轴垂直度误差标定方法

在数控加工中,由于无法精准地获取激光探头光轴垂直度误差,因此,为了解决这一问题,提出数控加工中激光探头光轴垂直度误差标定方法。通过构建数学模型,确定激光探头光轴的基准平面,并对激光探头光轴的理想垂直度展开计算。对激光探头光轴图像实施二值化去噪操作,并对其展开边界扩展处理。通过Harris算子提取激光探头光轴垂直度特征信息,调整光轴与物面的垂直度,实现激光探头光轴垂直度误差标定。实验结果表明,所提方法对激光探头光轴垂直度误差标定精准度高,误差值保持在-0.5 mm~0.5 mm,表明所提方法的性能好。

基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测

基于传统方法预测轴承剩余使用寿命(Residual Useful Life,RUL),步骤繁多,成本昂贵,且模型不具泛化性。现有的基于深度学习(Deep Learning,DL)的预测方法,由于数据量过大,经常导致模型出现过拟合现象,从而使模型精度不高。为了克服以上缺点,提出一种基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测方法。首先,使用无监督式网络流形正则化堆栈去噪自编码器(Manifold Regularization Stack Denoising Auto Encoder,MRSDAE)结合自组织映射(Self-Or-ganizing Mapping,SOM)构建轴承健康因子(Health Indicator,HI)。然后,通过分层门控循环单元(Hierarchical Gated Re-current Unit,HGRU)网络建立预测模型,HGRU网络通过加入多尺度层和密集层,使其具有捕获时序特征且集成不同时间尺度注意力信息的能力。最后,通过实验验证表明,相比于其他基于数据驱动的方法,所提方法构建健康因子使用无监督方式,高效快捷且便于应用;预测模型泛化能力好,并有效防止了过拟合现象,实现了更高的预测精度。

基于生成对抗网络的数字音频信号多声道增强方法

基于生成对抗网络的数字音频信号多声道增强方法,提升数字音频清晰度、降低噪声对其的干扰。以结合傅里叶的双边语谱图滤波算法初步实现数字音频多声道信号去噪;构建基于对抗神经网络的数字音频信号多声道增强模型,将去噪后的数字音频多声道信号作为该模型的输入数据,输出增强的多声道数字音频信号,完成数字音频信号多声道增强。实验结果表明:该方法增强后的数字音频信号传输效果较好,同时信噪比和音频客观评判基准较高,且去噪后语谱图中噪点以及模糊区较少,能够有效去除信号中的噪声,提升数字音频信号质量。

改进路径跟踪算法在机器人SLAM中的应用研究

绘制地图是自动化物流领域的重要环节,目前普遍采用即时定位与建图(SLAM)方法,但在大规模场景下,机器人常在区域边缘地带反复测扫从而积累误差,无法快速构建高精度完整地图。提出一种基于辅助路径跟踪的机器人自主建图方法,对给定的初始草图进行栅格化去噪,通过多段三次多项式对辅助路径进行拟合改进,采用改进的纯跟踪算法引导机器人建图,改善SLAM建图过程的总距离和时间。实验表明:该算法在地图完整性、准确度和建图效率方面,较现有V-SLAM、QRCode-SLAM方法均有改善,为快速高效地构建地图提供了一种可视化的双向交互途径。

基于时序分析的桥梁健康监测数据预测研究

为了发现桥梁在使用过程中所存在的隐患并且把桥梁运营结构状态预测得更加精准,确保桥梁结构使用的安全性能,以沈阳环城高速公路某立交桥梁健康监测作为依托的背景,根据现场大量的位移、应变实时监测的桥梁数据,利用ARMA时间序列预测模型的分析方法,建立预测函数表达式。分析结果显示,修正后的预测函数表达式给出的预测值与传感器采集的真实值比较,误差小、预测结果准确,结果符合预期要求。

基于卷积神经网络去噪正则化的条纹图修复

条纹投影轮廓术测量表面存在高动态范围反射率物体时,采集的条纹图中出现的强度饱和区域将导致对应区域的相位计算误差或缺失,最终影响三维形貌的恢复。为此,提出一种基于卷积神经网络(CNN)去噪正则化的条纹图高光区域修复算法。该方法仅需要在正常曝光和短曝光条件下获取两帧条纹图,快速实现条纹修复,步骤如下:利用Otsu方法对短曝光条纹的调制度图做二值化处理以确定反光区域位置;把短曝光条纹对应区域进行灰度调节后融入正常曝光条纹中,形成迭代修复算法的初值;通过CNN去噪正则化的修复算法,实现条纹图局部高光区域的快速修复,再利用修复后的条纹实现对高动态范围反射物体的三维面形重建。与其他几种常用方法对比,所提方法在条纹修复效果和修复时间上都具有较大优势。

基于小波分析的电视导引头图像预处理方法

根据电视导引头图像处理系统的要求,基于小波变换的多分辨分析思想,提出一种多尺度小波变换的阈值化去噪(图像恢复)算法并与传统去噪算法进行了比较。该算法在门限化小波细节系数中采用平滑过渡区的思想,克服了传统阈值化处理的小波系数不连续性以及存在恒定的偏差的缺点。实验证明该算法在图像去噪方面是可行的和有效的,满足实时处理的要求,而且能够方便地产生各种分辨率的图像。

隧道爆破振动信号畸变校正与混沌多重分形特征研究

受测试环境影响,隧道爆破监测信号中普遍包含噪声和趋势项干扰。针对爆破信号干扰项消除难题,选取典型地铁隧道工程监测到的畸变爆破信号为分析对象,采用稀疏化基线估计与去噪(baseline estimation and denoising with sparsity,BEADS)算法实现了噪声和趋势项成分的提取,得到反映真实爆破信息的校正信号。利用多重分形去趋势波动分析(multi-fractal detrended fluctuation analyses,MF-DFA)捕捉到三个分量信号的混沌分形特征,并根据小波相关性凝聚谱对三个分量信号与原始信号的时频域相关性进行了精确表征。结果表明:隧道爆破信号高频噪声、低频趋势项和校正信号三者的混沌分形特征具有显著差异。校正信号吸引子轨迹形态为反复周期性有序波动且具有持续性和反持续性分形谱特征,其递归图具有周期模式;低频趋势项吸引子形态表现为近似直线且具有持续性分形谱特征,其递归图具有对角线分布突变模式;高频噪声吸引子形态为杂乱无章的随机波动且具有反持续性分形谱特征,其递归图具有漂移模式。在置信度为95%的小波影响锥范围内,校正信号、趋势项和噪声分量与原始信号分别具有持续正相关、局部负相关和无相关性特征。三类信号的有效分离和混沌分形特征提取为爆破信号成分的准确辨识和归类提供了客观表征和量化指标。