复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法

将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离法将复合正则化问题分解成多个单一正则化问题交替迭代求解,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.

多尺度复合稀疏的齿轮箱复合故障诊断研究

现代机械设备传动系统中轴承和齿轮容易发生局部疲劳故障,单一部件典型故障引起的载荷波动极易造成其他部件继发性疲劳故障,使机械传动系统呈现多部件复合故障状态。针对齿轮箱传动系统中轴承和齿轮复合故障诊断问题,提出了基于多尺度卷积核匹配复合正则化的卷积稀疏编码(multiscale compound regularized convolutional sparse coding,简称MCRCSC)分离诊断算法。首先,根据齿轮箱轴承和齿轮典型复合故障所呈现出的稀疏性与尺度特性进行了模型假设;其次,依据不同故障的信号尺度特性与分布特点提出了多尺度卷积核与复合正则化约束的概念,并建立了多成分卷积分离模型;最后,通过交替方向乘子(alternating direction method of multipliers,简称ADMM)优化架构将频域转化后的优化方程分解为子问题进行交替求解,对分离卷积重构后的故障信号进行谱分析得到对应典型故障频率分布。实际齿轮箱故障模拟实验表明,所提算法在随机噪声和谐波干扰下仍具有优良故障分离诊断能力。

基于部分重构辛几何模态分解的光伏直流电能质量去噪

光伏直流系统中纹波、突变和噪声等扰动影响电能质量评估准确度,为克服传统辛几何模态分解(SGMD)存在计算效率随着数据量增加迅速降低以及重构时无效辛几何初始单分量影响分解准确性的问题,提出了基于部分重构辛几何模态分解(PRSGMD)的光伏直流电能信号去噪方法。PRSGMD利用复合多尺度模糊熵(CMFE)能够克服光伏直流电信号初始单分量相似性度量突变的不足,构建了正则化复合多尺度模糊熵(RCMFE)算子,评估各初始单分量重构后的复杂度并约束残余量能量最小,结合部分重构阈值指标筛选出部分显著初始单分量进行重构,从而有效提升分解效率并避免微弱无效初始单分量影响分解准确度。仿真和实验分析结果表明,PRSGMD能有效滤除噪声并分离光伏直流电信号中的复合扰动。