基于稀疏增强重加权与掩码块张量的红外弱小目标检测

高度异构的复杂背景破坏了场景的低秩性,现有算法难以利用低秩稀疏恢复方法从背景中分离出小目标。为了解决上述问题,本文将小目标检测问题转化为张量模型的凸优化函数求解问题,提出基于稀疏增强重加权与掩码块张量的检测模型。首先,将掩码块图像以堆叠方式扩展至张量空间,并构建掩码块张量模型以筛选候选目标。在此基础上,利用结构张量构建稀疏增强重加权模型以抑制背景杂波,克服凸优化函数求解过程中设定加权参数的缺陷。实验表明本文检测算法在背景抑制因子及信杂比增益两方面都优于新近代表性算法,证明该算法的有效性。

基于稀疏增强动态解耦的电力系统振荡模式与模态辨识方法

提出一种基于稀疏增强动态解耦(SPDMD)的电力系统主导振荡模式及模态评估方法。该方法首先从电力系统的多通道广域量测信息中辨识出可表征系统关键动态振荡特征信息的低阶状态矩阵;然后,基于该低阶状态矩阵,借助交替方向乘子(ADMM)和拉格朗日乘子(LM)估计各振荡模式的最优振幅系数,根据系统主导振荡模式的最优振幅系数不为0这一特点,从低价状态矩阵中精确筛选出系统的主导振荡模式及模态;最后,将该文所提方法应用到16机68节点测试系统和中国南方电网进行分析,有效验证了所提方法的正确性与实用性。

数据驱动的GMC稀疏增强诊断方法

在机械故障诊断中,针对传统方法提取微弱故障特征时易受强背景噪声干扰而精度低的问题,提出了一种基于数据驱动的广义最小最大凹惩罚函数增强的稀疏特征提取方法.该方法利用非凸的最小最大凹惩罚函数建立无约束优化问题目标函数来提高故障特征的提取精度.该惩罚函数非凸可加强特征的稀疏性,并且证明了保持目标函数整体呈现严格凸性所需要满足的约束条件.将近端算法用于所构造的无约束优化问题的求解.此外,研究了数据驱动的正则化参数设置准则,保证所提出的稀疏特征提取方法具有参数自适应性.在仿真信号和实际故障实验中验证了所提出的自适应稀疏增强的特征提取方法,结果表明所提出的方法可以精准地提取出故障特征且效果更稀疏.

稳健高效通用SAR图像稀疏特征增强算法

针对合成孔径雷达(SAR)成像中的稀疏特征增强问题,传统方法难以在精度与效率之间实现有效的平衡。该文提出基于复数交替方向多乘子方法(C-ADMM),针对SAR稀疏特征增强建立增广的拉格朗日优化方程,并引入复数范数邻近算子,基于高斯-赛德尔思想进行对偶迭代运算,从而在复数回波数据域内对多种SAR模式的实测数据进行成像。实验部分首先通过仿真数据的相变图(PTD)验证C-ADMM算法对于复数数据的稀疏恢复性能,然后选取地面静止场景和地面运动目标的原始SAR图像和逆SAR图像实测数据,与凸优化(CVX)方法和贝叶斯压缩感知(BCS)方法进行对比试验,最后验证了该文所提算法在稀疏特征增强应用中的稳健性、高效性和通用性。

增强型稀疏后缀数组索引的高错误率reads比对

生物序列比对有助于定位序列之间的相似区域.测序技术的快速发展需要序列比对算法能够灵活地处理更长且错误率更高的reads序列.通过增强型稀疏后缀数组对参考序列建立索引,自适应地调整种子的最小长度,寻找参考序列与reads序列之间的最大精确匹配和超大精确匹配,以此进行种子扩展,提出一种改进的long-read比对算法.与已有代表性的算法相比,模拟和真实数据实验结果表明,本文算法在获得基本相同精确度的前提下,召回率明显提升,敏感度总体上更高,且能够识别更多的reads序列.

基于增强稀疏成分分析方法和Laplace相关滤波的欠定系统模态参数识别方法

针对传统欠定系统的模态参数识别中稀疏成分分析方法分离多模态信号的精度差以及提取分离出的单模态信号模态参数值的效率低等问题,提出基于增强稀疏成分分析方法(Enhanced Sparse Component Analysis)和Laplace相关滤波的欠定系统模态参数识别方法,该方法先通过增强稀疏成分分析方法将含有多阶模态的激振响应信号分离成一组单模态信号,再对单模态信号经Laplace相关滤波后得到各阶模态参数。其中增强稀疏成分分析方法是把稀疏成分分析方法的一步聚类变为两步聚类,从而提高多模态信号的分离精度,分离出来的单模态信号直接使用Laplace相关滤波的方法可同时提取出频率值和阻尼比提高计算效率。通过对仿真信号的模态参数提取验证了所提方法的有效性。

基于多特征提取自编码器的网络流量异常检测算法

随着网络攻击的复杂化、自动化和智能化水平的不断提高,网络中不断涌现出新的攻击类型,给基于特征码的网络攻击检测和及时响应带来极大挑战。为了更加有效准确的识别异常流量,提出一种基于多特征提取自编码器的网络流量异常检测算法。算法自定义基于多特征提取的自编码器模型,由5个不同的Encoder模块构成编码器,1个Decoder模块构成解码器,能够同时提取流量中的空间特征和时间特征,且能有效避免产生退化现象,有效检测异常流量。同时,自定义SMOTE-新样本过采样法来解决数据不均衡问题,使用方差分析进行特征选择,优化数据,降低模型复杂度,大大缩短检测时间,提高算法的检测实时性。实验结果表明,提出的算法在网络流量异常检测的准确率方面比当前同类最优算法提升了1%,对百万条流量数据的检测时间减少了4.22 s。

多层AR-LBP与WLD特征融合的SA-CRC人脸识别

针对非对称局部二值模式(AR-LBP)提取的人脸特征有限,以及协同表示分类(CRC)人脸存在的类间干扰,提出以多层AR-LBP特征及联合韦伯局部描述子(WLD)特征进行补充,并以增加CRC中稀疏性来降低类间干扰。提取人脸图像的多层AR-LBP特征并级联,与从原图像提取的WLD特征级联得到多层AR-LBP与WLD融合特征,采用稀疏增强的协同表示分类(SA-CRC)完成人脸分类。在ORL、Yale和GT公开人脸库上,提出的多层AR-LBP与WLD特征融合算法与AR-LBP特征提取算法、WLD特征提取算法以及多层LBP与HOG特征融合算法相比,识别正确率提高了0.7%~42.6%;当利用SA-CRC取代CRC后,识别正确率进一步得到提高。

增强稀疏分解及其在叶片振动参数识别中的应用

叶端定时是发动机叶片监测有效手段,相比于传统的应变片测量方式,叶端定时不仅可以同时监测所有叶片的振动状态,而且不会对叶片本身的振动造成影响。但是叶端定时采样数据存在高度欠采样的特点,针对该问题,提出基于增强稀疏分解(Enhancing sparse decomposition, ESD)的叶片振动参数辨识技术。稀疏分解是一种在冗余字典中对信号进行分解,通过求解优化问题得到信号在冗余字典下最稀疏解的信号处理方法。增强稀疏分解相比于传统的基追踪算法,可以得到更为稀疏的解。在建立了增强稀疏优化模型后采用原对偶内点法对优化问题进行求解,从而实现信号特征参数的有效辨识。将提出的基于增强稀疏分解的叶片振动参数辨识技术应用于不同类型的仿真数据和转子叶片试验台参数辨识,并与传统的MUSIC算法和最小二乘拟合相对比,提出的算法可以有效避免频谱混叠和泄露现象,并滤除其他频率成分的干扰,得到更清晰的谱图。