基于布雷格曼迭代的稀疏正则化图像复原方法

为了实现模糊噪声图像的清晰化复原，提出了一种基于布雷格曼迭代的稀疏正则化约束的图像复原算法。首先，运用差分算子，得到图像中各个方向上的梯度信息；然后，利用提取的梯度信息，得到图像边缘各个方向上的权重；并结合稀疏性原理，针对复原图像，提出了一种权重的稀疏性正则化约束；最后，运用了一种布雷格曼迭代（Bregman Iteration，BI）策略对提出的方法进行最优化求解。实验结果表明，较近几年的一些具有代表性的图像复原方法相比，不仅主观的视觉效果得到了较为明显的改进，而且客观的信噪比增量也增加了0．3～2．5dB。

基于卷积神经网络的多层域自适应滚动轴承故障诊断

针对基于卷积神经网络(CNN)的域自适应技术在提取可迁移特征的训练过程中,存在内部协变量移位的问题,提出一种多层域自适应滚动轴承故障诊断方法。首先,利用CNN提取原始振动数据的可迁移特征;其次,提出了多层域自适应和权重正则化项约束CNN参数,进一步减少可迁移特征的分布差异,从而解决域移位问题;最后,利用凯斯西储大学的滚动轴承数据集进行实验验证。结果表明,该方法能够有效地减少源域和目标域之间的特征分布差异,提高CNN模型对目标域数据集的诊断性能,相对于最高层域自适应的故障诊断方法,所提方法能在两个数据集之间的迁移故障诊断中得到较高的分类识别结果。