基于聚类与稀疏字典学习的近似消息传递

基于传统字典学习的近似消息传递(approximate message passing,AMP)算法对训练样本数量的需求较高,且运算成本较高。本文引入双稀疏模型,构建基于稀疏字典学习的AMP框架,降低迭代过程中字典学习对训练样本数量的需求,提高压缩感知图像重建的质量与效率。进一步,提出基于聚类与稀疏字典学习的AMP算法,在迭代过程中依据图像块特征进行分类,并为各类图像块分别学习稀疏字典,实现自适应去噪。与基于传统字典学习的AMP算法相比,基于聚类与稀疏字典学习的AMP算法能够将重建图像的峰值信噪比提高0.20~1.75 dB,并且能够将运算效率平均提高89%。

基于降维字典学习的高维数据分类策略

为了解决字典学习中的高维数据与非线性问题,提出一种基于降维字典学习的高维数据分类策略。在降维阶段,利用自编码器学习一种非线性映射,该映射可以降维并保留高维数据的非线性结构;在字典学习阶段,利用标签嵌入进行局部约束;在学习过程中,保留了可分解的非线性局部结构,增强了类的区分能力,同时优化了映射函数和字典。在多个基准数据集上的实验结果表明,提出的方法能够有效解决字典学习中的高维数据与非线性问题。

基于VMD-KSVD字典学习降噪的大坝变形预测

提出一种自适应变分模态分解和KSVD字典学习相结合的降噪算法。该方法对监测序列分解后的子序列进行降噪,同时考虑残差序列的特征,从而充分保留监测序列中的有效信息。以某大坝变形监测数据为例进行测试,结果表明,该方法能够较好地保留监测序列中的有效信息,相较于传统的降噪算法更适用于复杂情况下的大坝变形预测,能进一步提高预测模型的泛化能力。

基于高效字典学习算法的地震数据去噪

地震数据去噪在地震资料处理中扮演着关键的角色,提升地震数据的信噪比将为后续高质量处理和精确解释奠定坚实基础。目前,地震数据去噪的方法已经得到了广泛发展,其中字典学习方法具有独特的优势。当前经典的K-奇异值分解(K-singular value decomposition,K-SVD)字典学习算法存在去噪结果损失了部分原始信号和计算效率不太理想等问题,为了将这些问题进一步优化,提出了一种基于顺序广义K-均值算法(sequential generalized K-means,SGK)的字典学习方法用于地震数据去噪。首先,从样本数据中提取随机位置的块,并移除空白块,以初始化字典。接着,在字典学习阶段,通过地震数据本身的特征自适应地构造出最新的稀疏表示字典。随后,利用学得的字典对包含噪声的地震数据分块进行去噪处理,将去噪后的块进行平均处理,并重新构建图像块,最终实现地震数据的去噪。通过合成数据和实际数据的实验,从信噪比、计算效率以及对有效信号的保护方面验证本文方法的去噪性能。

激光诱导击穿光谱(LIBS)结合字典学习对气溶胶光谱数据筛选方法的研究

气溶胶是大气中的重要组分,对气候、生态环境等均有重要的影响。激光诱导击穿光谱(LIBS)在用于气溶胶检测时,由于气溶胶的离散分布,导致采集到大量无效光谱。通过制备7种不同浓度的NaCl气溶胶样品,选取NaCl溶液(10%)的5000条光谱数据进行分类,其中70%作为训练集,30%作为测试集,建立一种结合字典学习对有效光谱数据进行筛选的方法——K-SVD-SVM。当字典基向量数设置为3时,模型分类性能最优,准确率(Accuracy)、精确率(Precision)、召回率(Recall)、精确率和召回率的调和平均(F1)分别达到96%、95%、95%、0.95。此外,采用K-SVD-SVM方法对7种不同浓度的气溶胶样品进行筛选后,输入结合遗传算法的极限学习机(GA-ELM)模型开展定量分析,同时将未筛选的原始光谱数据输入定量模型进行对比。未筛选的原始数据测试集RMSE和R^(2)分别是0.0303和0.8726,筛选光谱后,分别提升至0.0187和0.9809。结果表明,K-SVD-SVM方法有着较好的分类性能,且采用此方法筛选出的有效数据可以为气溶胶中元素定量分析提供数据支撑。

基于SVM稀疏表示的类特别字典学习算法

近年来,深度学习对大规模训练样本的依赖性成为一个突出问题。在面对小样本数据集时,字典学习算法被提出作为一种解决方案。为了进一步提升字典学习在图像分类领域的竞争优势,本文提出了一种基于支持向量机的类特别字典学习算法。该算法创新性地引入了类特别系数相异性约束项。该约束项将原本独立的重建项、稀疏项和判别项融合为一个统一的学习框架,以显著提升字典的判别能力。实验证明,该模型的分类性能优于其他先进的字典学习模型。此外,本文提出将深度学习预训练与字典学习算法相结合的方式,通过实验证明该方式可以显著提升字典学习算法在大规模训练样本中的分类性能。

基于干净字典学习的多视图聚类算法

多视图聚类已被广泛应用到图像分类、信息检索、医学病理分析等多个领域。虽然基于自表示学 习的多视图子空间聚类算法在学术界已有诸多研究,但这些方法大多数是直接利用原始数据作为 字典来构建亲和图,因此,聚类性能往往会受到原始数据特征质量的影响。为了克服这一问题, 我们提出了一种全新的多视图聚类算法,名为 “基于干净字典学习的多视图聚类算法”。在这种 方法中,我们首先将原始数据分解为干净数据和噪声数据,然后通过采用干净数据矩阵来进行字 典学习,从而避免了直接使用受污染数据所导致的错误表示。同时,我们引入了鲁棒主成分分析 (RPCA) 和秩约束,以构建出更加干净、鲁棒的亲和矩阵。最后,我们使用了基于增广拉格朗日 乘子 (ALM) 的优化方法来求解模型的目标函数。实验结果表明,在 4 个真实的多视图数据集上, 我们算法的聚类性能均优于其他先进的聚类算法,展现出了非凡的性能。

基于字典学习的舌诊图像去噪研究

伴随人工智能与中医相结合的浪潮兴起,两者相结合的产物也越来越多。舌诊客观化诊断的过程中需要高质量的舌诊图像,包括颜色、纹理和形态等。现阶段舌诊图像采集过于依赖专业设备,在普通智能手机摄像头越来越清晰的今天,可以通过一定的图像去噪过程,获得符合中医临床诊断标准的舌诊图像。因此本文提出基于深度字典学习算法(DKSVD)对中医舌诊图像进行去噪的研究,以将主观判断及客观因素的影响降至最低,辅助医师对病症做出准确判断,帮助其对疾病做出针对性治疗。

基于字典学习的船用轴承故障诊断分析

轴承实时监测对于旋转机械运行的安全性和可靠性具有重要意义,已有研究侧重于轴承故障特征频率的提取,受限于解调频谱分辨率与采样时间限制,不能更加实时判断轴承故障类型。为实现轴承故障状态的有效识别,提出增强字典完备性以及稀疏系数稀疏度的拓展策略,建立基于字典学习的自适应特征向量提取,对于不同转速,混合负载下的4种轴承故障进行识别,结果表明:仅需少量样本数据(500采样点,250样本)就可达到较高的分类准确率(90%以上)。

基于频域子空间字典学习的干气密封声发射信号降噪方法

针对干气密封声发射信号信噪比低、易受背景噪声干扰等问题,提出了一种基于频域子空间字典学习的干气密封声发射信号降噪方法。首先根据声发射信号时频分布相邻相关信息获取各频带之间的相互关系,以此为依据确定频域划分的边界,并构建相应的经验小波族,在各子空间内利用时移不变字典学习算法进行声发射信号的稀疏重构,在此基础上利用重构信号的峭度指标进行各分量的加权。实验结果表明,所提算法将信号峭度指标由48.43提升至185.93,实现了干气密封启动过程声发射信号降噪和碰磨特征增强。

基于多分类字典学习的灵敏度编码重建算法

灵敏度编码(SENSE)方法利用多个线圈的灵敏度信息来减少扫描时间,利用SENSE模型重构的图像易存在伪影,不利于医学诊断。为减少重叠伪影,提高磁共振成像质量,将分类图像块的快速正交字典引入SENSE模型中,得到一种基于多分类字典学习的灵敏度编码重建算法。该算法通过对图像块分类,在每个类中训练字典,得到不同类别的多个字典,运用交替方向乘子法进行图像重构。在人体脑部和膝盖数据上进行实验,结果表明:相比于TV-SENSE、TVLORAKS-SENSE和LpTV-SENSE算法,所提算法的平均信噪比分别提高了1.53 dB、1.22 dB和1.05 dB,重构图像与参考图像的一致性较高,图像细节部分和边缘轮廓信息保留完整。

基于阻尼字典学习的三维地震数据重建

为了降低地震数据采集成本、提高采集效率并保持数据规则和完整,首先,针对随机采集观测系统不规则的问题,提出了观测系统规则投影的技术流程,填补缺失的炮点和检波点信息,然后,在压缩感知的框架下,利用字典学习与稀疏表示进行三维地震数据重建。对提出的字典学习方法,利用批量正交匹配追踪避免直接对矩阵求逆造成的计算量大的问题,利用交替最小二乘代替奇异值分解提高计算效率,同时对稀疏系数进行阻尼约束,避免对噪声的拟合从而得到更好的字典。针对常规时间域字典学习地震数据重建方法存在计算效率低、弱信号保护能力差等问题,在频率域进行地震数据重建,对有效信号所在频带范围进行处理,有效减少计算量、压制噪声、提高重建结果的信噪比,形成了针对地震数据随机采集的观测系统规则投影、地震数据重建技术流程。实际资料应用结果表明,通过规则观测系统投影、地震数据重建有效提升了叠前地震资料品质,获得了较好的成像效果。

基于字典学习的星空图像多帧超分辨融合方法

目的:研究一种针对星空图像的多帧超分辨融合方法。方法:首先通过字典学习构建基于星空样本的高低分辨率自适应学习字典对,对输入低分辨星空图像进行稀疏分解,根据稀疏分解系数和高分辨字典重构得到高分辨率星空图像;然后采用时序多帧融合去噪的方法,对高分辨率星空图像进行噪声消除,融合得到信噪比更高的高分辨率星空图像。结果:根据本文设定的无参考图像信噪比计算公式对超分辨融合效果进行评价,3组实验融合图像相较于基于字典学习的超分辨重建图像信噪比分别提升0.76,0.99,0.38。结论:本文提出的方法能够实现星空图像的多帧超分辨融合,并有效提升融合图像的信噪比。

融合深度残差网络和字典学习的肺炎检测

由于空气污染与吸烟等原因,肺炎已成为人类死亡率最高的疾病之一.随着机器学习与深度学习技术在医疗图像检测上的应用,为临床专家诊断各类疾病提供了帮助.但由于缺少有效的配对肺部X射线数据集,以及现有针对肺炎检测的方法均采用不是针对肺炎任务的普遍分类模型,难以发现肺炎图像与正常图像的细微差别,导致识别失败.为此,本文通过数据裁剪、旋转等方式扩充数据集中的正常图像;再使用50层深度残差网络对胸部X射线中的浅层肺炎特征进行学习;然后,通过两层字典对残差网络学习到的肺炎特征进行更深度的抽象和学习,发现不同肺部图像之间的微小差别;最后,融合残差网络和字典学习提取到的多级肺炎特征,构建肺炎检测模型.为了验证算法的有效性,在Chest X-ray肺炎数据集上评估肺炎检测模型的性能.根据测试结果,本文提出模型的检测准确率为97.12%;指标测试中,精度与召回率之间的调和平均数上的得分为97.73%.与现有方法相比,获得了更高的识别精度.

基于Fisher标签字典学习的齿轮箱故障诊断方法研究

齿轮箱结构复杂,工作环境恶劣,导致难以有效诊断其故障。传统稀疏表示方法缺乏对字典原子和稀疏编码的约束,不能体现出信号的结构特性。提出Fisher标签字典学习算法。首先构建Fisher约束项,学习样本的类内和类间特征;然后引入样本标签信息,构建标签约束项,将样本标签与每个字典原子相关联;最后采用最优方向法实现误差最小化,字典与稀疏编码交替更新,提高字典学习的识别率。通过实验数据对比分析,该方法在稀疏编码、原子聚类等方面均优于传统稀疏表示方法,可对齿轮箱故障进行有效诊断。

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。

改进经验小波变换和改进字典学习在轴承故障识别中的应用

通过深度学习进行滚动轴承故障识别时,存在因信号噪声导致故障识别率较低和深层网络收敛速度慢的问题。针对上述问题,提出了一种改进经验小波变换(EEWT)和改进字典学习(EDL)的轴承故障识别方法。首先,将轴承振动信号进行包络谱变换,通过包络谱的极值点与自适应阈值的关系进行包络谱边界自动划分,进而利用经验小波变换(EWT)将信号自动分解为调幅-调频(AM-FM)分量;其次,提出一种新的AM-FM分量筛选指标,利用筛选指标选取合适的AM-FM分量进行重构,进而对信号进行有效降噪;最后,利用稀疏性约束逐层学习降噪后轴承故障样本中的典型结构特征,并构造深层故障字典(DFD),将故障样本输入DFD中,根据样本的重建误差确定故障类别。试验结果表明,该方法对噪声的鲁棒性高,故障识别能力优于其他模型,而且该方法可利用驱动字典自动提取轴承振动信号样本中的故障特征;同时,EDL结构使所提取的故障特征具有较好的层次性,符合人对故障的直观认识,可用于滚动轴承故障识别工程中。

流形结构化半监督扩展字典学习的旋转设备故障诊断

针对有标签数据不足及传统故障诊断模型判别性差的问题,本文提出一种流形结构化半监督扩展字典学习(MS-SSEDL)的故障诊断方法.首先,为改善缺少有标签数据而导致模型的识别性能较差问题,在MS-SSEDL模型中提出无标签数据重构误差项,利用无标签数据学习置信度矩阵,从而学习得到扩展字典以增强字典学习的表示性.然后,为增强MS-SSEDL模型的判别性,通过保存数据的流形结构,学习数据中内在几何信息的稀疏表示,增强信号表示能力及字典判别性.最后,在数字图像、轴承故障及齿轮故障公共数据集的实验表明所提MS-SSEDL方法比其他先进方法的识别性能更优越.

一种新的K⁃SVD字典学习地震数据去噪方法

地震数据去噪是地震资料处理的关键步骤之一,高信噪比的数据是后续高质量处理和解释的基础。目前,已推出多种类型的去噪方法,其中稀疏表示方法虽具有利用较少的基本信号的线性组合表示大部分或者全部的原始信号,即充分挖掘数据中含有的信息,最大化利用数据的优点,但用于稀疏表示的K⁃SVD字典学习算法存在去噪结果损失了部分原始信号和计算效率不太理想等问题。为了进一步优化解决这些问题,研发了一种新的用于地震数据去噪的K⁃SVD字典学习方法。首先,从样本数据中提取随机位置的块,并删除空白块,初始化字典;然后,进行字典学习,自适应地由地震数据本身特征构造出稀疏表示数据的最新字典;最后,利用学习到的字典对含噪地震数据分块进行去噪,对去噪后的块取平均处理再重构图像块得到去噪图像,完成地震数据的去噪。合成数据和实际数据的试验结果表明:所提K⁃SVD字典学习算法的去噪效果与当前用于稀疏表示的K⁃SVD字典学习算法相比,在信噪比、计算时间以及地震数据局部特征保持方面更有优势。

联合纯四元数与字典学习的彩色图像去噪方法

彩色图像在获取、传输和存储过程中会受到噪声的影响,这给后续图像处理带来麻烦,因此图像去噪任务意义重大。对此,提出一种基于四元数字典学习的模型,该模型约束四元数的实部为零,图像的色彩信息得以保存。传统的稀疏图像模型把彩色图像看作向量或者单色图像的线性组合,忽略了RGB通道之间的关系。用纯四元数表示彩色图像,将彩色图像的RGB通道表示成四元数矩阵的虚部,拟合图像效果更好。数值实验表明,与其他模型相比较,所构建的模型可以更精确地表示彩色图像,在处理彩色图像的过程中产生模型拟合误差相对较小,峰值信噪比以及视觉效果方面均有明显提升,能更好地进行图像去噪。