期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于盲压缩感知模型的图像重构方法 被引量:7
1
作者 吴超 王勇 +4 位作者 田洪伟 张凤 郑娜 楚天 许录平 《系统工程与电子技术》 EI CSCD 北大核心 2014年第6期1050-1056,共7页
为了解决压缩感知重建中噪声引起图像质量明显下降的问题,研究了自适应学习的压缩感知模型,提出了一种盲压缩感知图像重构方法。该方法采用盲压缩感知的稀疏矩阵与稀疏基交替更新的思想,应用了图像冗余变换和初始组合余弦变换基相结合... 为了解决压缩感知重建中噪声引起图像质量明显下降的问题,研究了自适应学习的压缩感知模型,提出了一种盲压缩感知图像重构方法。该方法采用盲压缩感知的稀疏矩阵与稀疏基交替更新的思想,应用了图像冗余变换和初始组合余弦变换基相结合的迭代策略,解决了压缩感知中的稀疏基难于表示的问题,抑制了噪声,提高了图像重构质量。通过实验验证所提方法较基于小波变换的正交匹配追踪方法和全变差方法有明显的噪声抑制功能,且能保持较好的图像纹理信息。 展开更多
关键词 稀疏 图像变换 组合离散余弦变换基 盲压缩感知
下载PDF
基于稀疏复原算法的风电并网电压闪变包络线提取 被引量:7
2
作者 安海清 李振动 +3 位作者 岳娜 华回春 陈军法 张国亮 《电力系统自动化》 EI CSCD 北大核心 2020年第7期139-144,共6页
闪变包络线检测是分析电压波动与闪变的关键。IEC推荐的平方检测法在闪变低频段的包络线提取误差较大,不适合风力发电并网产生的电压闪变包络线提取。文中针对风电并网引起的电压闪变问题,提出了基于稀疏复原算法的闪变包络线提取方法... 闪变包络线检测是分析电压波动与闪变的关键。IEC推荐的平方检测法在闪变低频段的包络线提取误差较大,不适合风力发电并网产生的电压闪变包络线提取。文中针对风电并网引起的电压闪变问题,提出了基于稀疏复原算法的闪变包络线提取方法。以电压闪变信号的极值点作为观测序列,根据闪变包络线低频段较平稳的变化特性,构造变频宽的离散余弦变换基,利用正交匹配追踪算法还原出最佳闪变包络线。通过对单一频率闪变、复合频率闪变、基波频率变动、谐波及噪声影响的电压闪变信号进行分析,表明了该算法提取闪变包络线的准确性。最后,通过对张北柔直电网中新能源风电场实测的电压波动信号进行分析,进一步验证了所提算法提取风电并网引起的电压闪变包络线的可行性与有效性。 展开更多
关键词 电压闪变 离散余弦变换基 稀疏复原 包络线提取 风力发电
下载PDF
图像数据的混沌模式的提取与表达
3
作者 于硕 李思思 于万波 《微型机与应用》 2016年第18期39-41,44,共4页
研究以离散余弦变换(DCT)基函数作为辅助函数,结合序列灰度图像构造动力系统,然后迭代得到轨迹点集合(近似的吸引子);使用该吸引子能够将视频图像的不同场景鉴别出来,用于视频分段裁剪等。使用多个DCT基函数矩阵,分别与一个图像构造动... 研究以离散余弦变换(DCT)基函数作为辅助函数,结合序列灰度图像构造动力系统,然后迭代得到轨迹点集合(近似的吸引子);使用该吸引子能够将视频图像的不同场景鉴别出来,用于视频分段裁剪等。使用多个DCT基函数矩阵,分别与一个图像构造动力系统,生成多个近似吸引子,这些吸引子可以作为图像的特征,用于图像识别,也可以重构原图像。 展开更多
关键词 图像数据 混沌吸引子 离散余弦变换基函数
下载PDF
Seismic data denoising based on learning-type overcomplete dictionaries 被引量:19
4
作者 唐刚 马坚伟 杨慧珠 《Applied Geophysics》 SCIE CSCD 2012年第1期27-32,114,115,共8页
The transform base function method is one of the most commonly used techniques for seismic denoising, which achieves the purpose of removing noise by utilizing the sparseness and separateness of seismic data in the tr... The transform base function method is one of the most commonly used techniques for seismic denoising, which achieves the purpose of removing noise by utilizing the sparseness and separateness of seismic data in the transform base function domain. However, the effect is not satisfactory because it needs to pre-select a set of fixed transform-base functions and process the corresponding transform. In order to find a new approach, we introduce learning-type overcomplete dictionaries, i.e., optimally sparse data representation is achieved through learning and training driven by seismic modeling data, instead of using a single set of fixed transform bases. In this paper, we combine dictionary learning with total variation (TV) minimization to suppress pseudo-Gibbs artifacts and describe the effects of non-uniform dictionary sub-block scale on removing noises. Taking the discrete cosine transform and random noise as an example, we made comparisons between a single transform base, non-learning-type, overcomplete dictionary and a learning-type overcomplete dictionary and also compare the results with uniform and nonuniform size dictionary atoms. The results show that, when seismic data is represented sparsely using the learning-type overcomplete dictionary, noise is also removed and visibility and signal to noise ratio is markedly increased. We also compare the results with uniform and nonuniform size dictionary atoms, which demonstrate that a nonuniform dictionary atom is more suitable for seismic denoising. 展开更多
关键词 learning-type overcomplete dictionary seismic denoising discrete cosine transform DATA-DRIVEN
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部