改进盲卷积的远场激光光斑图像快速恢复

当前方法在处理远场激光光斑图像过程中,由于受到外界噪声和大气湍流的干扰,个别能量较低的光斑会丢失图像数据,激光光斑图像的精度和清晰度同样也会降低。因此,在远场激光光斑图像处理过程中,提出一种基于改进盲卷积的数学建模方法研究,首先构建盲卷积的数学函数模型,分析激光光斑漏洞区域的灰度值变化情况,精确地分析和选取图像的阈值范围,以此来降低噪声和湍流的干扰;引入惩罚项和新的特征变量,优化迭代运算的收敛性,实现远场激光光斑图像的快速复原。仿真实验证明提出的方法能够有效地抑制背景噪声、提高激光光斑图像的信噪比和处理精度。

基于线性调频盲卷积的大数据聚类控制方法

海量的大数据在大型电力系统中以电压脉冲、电流、用电功率等形式在传输和存储,需要对大型电力系统中的大数据进行优化聚类控制处理,提高大数据的调度和模式控制识别能力。传统方法采用FCM聚类方法,对电力系统的热噪声具有较强的敏感性,导致数据聚类效果不好。提出一种基于线性调频盲卷积的大数据聚类控制方法,构建了大型电力系统中的大数据分布结构模型,对大数据信息流进行线性调频信号拟合,采用线性调频盲卷积方法进行数据融合滤波,优化数据聚类性能。实验结果表明,采用该算法进行大数据聚类,数据聚集度较高,为模式识别和信号检测奠定基础,可提高电力系统中的数据聚类和控制能力。

基于自适应逆滤波器的盲卷积信号恢复

根据水声信号在实际环境下传播存在多途效应而造成反射信号之间产生时延差异的特点,研究了一种基于盲解卷积的水声平稳信道参数估计及声源分离的算法。针对实际的水声信道参数特点,提出了改进的自适应逆滤波器用于源信号的恢复。信道参数的估计是通过引入零均值、方差已知的参考信号,利用时空解相关技术实现的。最后通过仿真分析了时延和信噪比对于自适应滤波器最小均方误差的影响,并给出了源信号的恢复结果,验证了该方法的有效性。

基于最大平均峭度盲解卷积的直升机故障诊断

针对最小熵解卷积(minimum entropy deconvolution,简称MED)应用于故障诊断时倾向于恢复少量主导冲击而非周期性故障冲击的问题,定义一种滤波器系数求解指标——平均峭度,提出了最大平均峭度盲解卷积方法。首先,通过对故障信号进行均等分割,取各分割段信号峭度的均值,得到信号的平均峭度;其次,将平均峭度作为信号盲解卷积指标,求解滤波器系数;最后,完成信号滤波,提取周期性故障冲击。仿真信号与直升机故障诊断案例分析结果表明:所提最大平均峭度盲解卷积方法能从含复杂干扰成分的故障信号中恢复故障冲击序列,为故障诊断提供可靠信息;相比于MED等传统盲解卷积方法,所提方法具有较强的普适性。

利用盲反卷积和混沌振子增强船舶辐射噪声解调线谱

针对经典解调方法中心频率、带宽选择困难和解调线谱受带外噪声干扰难以分辨等问题,提出采用盲反卷积和混沌振子方法抑制带外噪声,增强船舶噪声解调线谱。该方法通过Duffing振子预检宽带船舶噪声低频弱周期信号,随后将相应频率作为最小噪声幅值比反卷积(MNAD)方法的先验参数,利用MNAD方法自适应搜索解调频带得到可清晰分辨的高信噪比解调线谱。仿真和实测数据分析表明,该方法较经典解调方法和其他盲反卷积方法,可获取更佳的中心频率和滤波带宽,所得解调线谱的窄带信噪比DF值最高。

新型窗函数适配的热障涂层太赫兹盲反卷积方法

热障涂层太赫兹信号严重混叠导致反射峰辨识困难,降低了厚度测量精度。为此,提出了新型窗函数适配的盲反卷积方法,通过增强窗函数与脉冲特征的相似性,提高反卷积信号的重建精度。首先,基于解析模型探究了热障涂层太赫兹反射峰特征,应用互相关理论与群智能算法构建新型窗函数,提升了其与波形相似性,据此设计有限脉冲响应(FIR)滤波器消除信号混叠。然后,提取前3次回波获取飞行时间与折射率计算得到陶瓷层厚度,利用Kirchhoff近似表征陶瓷层表面粗糙度影响,修正折射率,降低了测厚误差。最后,通过实验验证了方法的有效性。结果表明,相较于频域小波反卷积和最大相关峰度反卷积,本文方法折射率测量精度分别提升76.32%、83.51%,厚度测量精度分别提升76.20%、89.67%。

改进融合指标的新型盲解卷积算法在轴承故障诊断中的应用

为解决现有盲解卷积算法易受随机脉冲影响的问题,综合时域特征和频域特征,提出一个新的故障敏感指标,即包络谱峭度-包络基尼系数融合指标(Envelope Spectral Kurtosis-envelope Gini Index,ESKEG)。该指标对周期性脉冲更敏感,不易受随机脉冲的影响。基于该指标,提出一个新的解卷积算法,即基于最大ESKEG的盲解卷积,并采用粒子群算法(Particle Swarm Optimization,PSO)求解滤波器系数。通过仿真振动信号和实验仿真信号进行验证,结果表明相比于其他盲解卷积算法,所提出的PSO-ESKEG算法在故障先验知识未知的情况下,能更有效避免受到随机脉冲信号的影响。

基于改进遗传算法的盲解卷积

针对时域盲解卷积存在求解变量多、收敛速度慢、容易陷入局部最优等问题进行了研究,提出一种防止遗传算法局部收敛的"监测策略",可以实时监控算法向全局最优解靠近的情况;同时对交叉概率、变异概率等关键技术进行相应设计,该算法能够自动跳出局部最优,快速地收敛于全局最优解。在概率密度估计的基础上,得到时域盲解卷积的基于最小互信息的分离准则。以此最小互信息准则确定遗传算法的寻优标准,快速地实现了时域盲解卷积。使用Matlab软件仿真验证了该时域盲解卷积算法的有效性。

盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用

针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。

空间变化PSF非盲去卷积图像复原法综述

传统的图像复原一般认为点扩散函数(PSF)是空间不变的,实际光学系统由于受到像差等因素的影响,并非严格的线性空间不变系统,基于空间变化PSF的非盲去卷积图像复原法逐渐体现其优越性。空间变化PSF的非盲去卷积图像复原法先准确估计图像空间变化的PSF,再利用非盲去卷积算法对图像进行复原,有利于恢复出高质量图像。本文从算法的角度综述了近几年提出的基于空间变化PSF的非盲去卷积图像复原方法,并对比了基于强边缘预测估计PSF的非盲去卷积法、基于模糊噪声图像对PSF估计非盲去卷积法等算法的优缺点,各算法分别在PSF估计精确度、振铃效应抑制效果、适用范围等方面体现出各自的优劣。空间变化PSF的非盲去卷积图像复原法的研究,有利于推进图像复原技术向更高水平发展,使光学系统往轻小型化方向发展,从而在多个科学领域发挥其重要作用。

基于频域盲解卷积的齿轮箱复合故障声学诊断

针对复杂声场环境中齿轮箱复合故障特征提取,提出基于频域盲解卷积的声学诊断方法。该方法通过形态滤波滤除非调制信号,结合改进复数固定点算法优选复独立分量,进而通过复独立分量J-散度解决独立分量间次序不确定性问题。通过计算机仿真及实际环境下齿轮箱复合故障声信号提取实验验证该算法的有效性。

基于子空间分解的多通道盲解卷积算法

针对卷积混合信号,提出了一种新的多通道盲解卷积算法,该算法首先利用子空间分解方法,将信号卷积混合模型变换成线性混合模型,然后利用线性混合盲分离算法分离出源信号。该算法相对频域盲解卷积算法来说无需解决线性混合盲分离中存在的幅度和排列顺序的模糊性问题,而且该算法不要求信号独立同分布,只要求各源信号统计独立即可。因此,该算法可以直接在中频对观察信号进行处理。计算机仿真结果表明,该算法不仅能对不同频不同调制方式的通信信号进行盲解卷积,而且对同频同调制的通信信号,该算法同样有效。

基于盲解卷积和聚类的机械弱冲击声信号提取

针对对比函数和紧缩方法的时域盲解卷积算法在分离机械弱冲击信号时,其结果易受解卷积滤波器长度影响的缺点,提出结合分层聚类的改进算法。该算法通过设置一个变长度滤波器组,对获得的多个盲解卷积结果进行聚类分析,解决了单次盲解卷积结果不确定问题,获得了可靠性高的估计信号。计算机仿真和实际环境下故障轴承声信号提取实验验证了算法的有效性。

欠定盲解卷积用于滚动轴承复合故障声学诊断

针对旋转机械复杂声场中强噪声干扰及故障源未知等难题,提出一种基于盲解卷积的声学诊断方法。该方法采用包络谱余弦测度作为独立分量间距离测度,结合冲击信号峭度指标优选独立分量,进而通过频域稀疏分量分析对估计信号做进一步的分离,最终实现在欠定条件下对滚动轴承复合故障信号的可靠提取。实际声场环境中的滚动轴承复合故障声信号提取试验验证了该方法的有效性。

快速运动模糊图像盲解卷积算法

针对快速运动形成的图像模糊,提出了一种运动模糊图像盲解卷积算法。首先,对被噪声污染的频谱图像进行脊波增强;然后,采用一种新的基于Radon变换的鲁棒算法来确定模糊核函数,该算法在小模糊长度和低信噪比的条件下仍能准确地估计模糊核参数;确定模糊核函数后,采用基于hyper-laplacian先验的快速非盲解卷积算法来恢复模糊图像。实验结果证明,与基于机器学习的R.Fergus的算法相比较,本文算法在获得相近效果的前提下,计算时间从近30min下降到40s左右。该算法对合成运动模糊图像和实际相机运动的自然模糊图像都具有较好的恢复效果。

盲源分离和盲反卷积

盲信号处理是信号处理领域的热点研究问题 ,盲源分离和盲反卷积是盲信号处理的重要组成部分近年来取得许多重要进展 .本文主要介绍盲源分离和盲反卷积的基本模型、数学原理和研究进展 ;

盲解卷积的机械振动信号分离技术

针对机械振动信号往往是多个信号卷积混合的结果,阐述了卷积混合的模型和原理。利用扩展的H-J网络结构,给出了在线实时的盲解卷积迭代算法,并通过仿真试验验证了算法的有效性和准确性。该法与传统的傅里叶变换频谱分析相比,能获得更多的振源振动信息,可更准确地进行机械故障诊断。

利用低秩先验的噪声模糊图像盲去卷积

单幅图像盲去卷积的目的是从一幅观测的模糊图像估计出模糊核和清晰图像。该问题是严重病态的,尤其是观测图像中噪声不可忽略时更具挑战性。该文主要针对如何有效利用低秩先验约束进行噪声模糊图像盲去卷积问题,提出一种在交替最大后验(MAP)估计框架下利用低秩先验约束的单幅噪声模糊图像盲去卷积方法。首先,在估计中间复原图像时,利用低秩先验约束对复原图像中的噪声进行抑制。然后,采用降噪后的中间复原图像估计模糊核,得到更好质量的模糊核估计。迭代上述两个操作获得最终可靠的模糊核估计。最后,根据所估计的模糊核,通过非盲去卷积方法复原出清晰图像。实验结果表明:所提方法在定量和定性评价指标上优于已有的代表性方法。

基于盲解卷积的柴油机振动信号分离研究

基于振动信号分析的故障诊断方法依赖于机械状态特征的有效提取,盲源分离能够从复杂的信号中分离出源信号,是一种有效的特征提取手段。建立的多通道盲解卷积模型和机械系统的振动模型表明了两个模型的一致性,理论上证明了盲解卷积用于机械振动信号分离的可行性。利用MBLMS算法进行实测柴油机振动信号的分离实验,成功分离出了活塞撞击、燃烧和进气阀关闭信号,试验结果证明了盲解卷积能够有效分离柴油机振动信号。

基于频域盲解卷积的机械设备状态监测与故障诊断

在频域盲解卷积(FDBD)模型的基础上,重点论述了其在工程信号特征提取中的关键技术:抑制循环—部分卷积误差的方法、次序不确定性的消除方法以及复数域盲分离算法的原理和应用。针对复杂环境或复杂机械设备结构中声、振信号的特征提取,全面综述了频域盲解卷积技术在机械设备状态监测和故障诊断中的研究现状,利用声学实验验证了其实际应用价值。最后指出了未来需要进一步研究的主要问题。