多源声发射信号混合重叠组稀疏分类研究

针对高速列车车体裂纹声发射检测的多源、波模式重叠及噪声干扰问题,提出一种基于本征模态的混合重叠组稀疏(MOGS)分类方法用于声发射源识别。MOGS是一种兼顾组间和组内稀疏,同时允许类间特征重叠的结构稀疏模型。设计了一种新的噪声预分解矩阵以降低本征模态分解计算量,选取目标特征频带模态为分类样本来提高类间差异。通过K-SVD层次稀疏组套索罚训练MOGS类别字典,并给出一种罚函数块坐标可分离的近似光滑处理过程以实现MOGS套索求解。实验表明,该方法对几类多源含噪信号分类准确率均高于80%,在识别率和波形重构效果上优于对比方法。

非负组稀疏约束优化问题的最优性条件

基于Bouligand意义下的切锥与法锥和Clarke意义下的切锥与法锥,该文研究了非负组稀疏约束优化问题的最优性理论.该文定义了非负组稀疏约束集的Bouligand切锥与法锥和Clarke切锥与法锥,并给出了它们的等价刻画形式.在目标函数连续可微的条件下,借助于非负组稀疏约束集的切锥和法锥,给出了该优化问题的四类稳定点的定义,并讨论了它们之间的关系.最后,建立了非负组稀疏约束优化问题的一阶和二阶最优性条件.

基于组稀疏卡尔曼滤波的多步轨迹预测方法

提出一种基于组稀疏卡尔曼滤波的机动轨迹多步预测方法。首先引入组稀疏编码,通过一次学习建立简单的多步线性回归预测模型,克服了传统方法未能充分利用历史数据而导致预测精度降低的问题;再利用最小角回归算法来计算该模型的稀疏系数,进一步改善模型系数估计的准确性;然后改进了卡尔曼滤波算法,并结合上述组稀疏编码算法,来确保预测结果的精确性;最后通过与传统BP、长短时记忆网络和组稀疏编码方法的仿真比较,验证了所提方法的有效性。

基于多通道融合和组稀疏编码的视频去雪算法

大雪天气严重降低成像设备所采集视频的能见度,视频去雪算法可以恢复降雪视频的质量.为了去除降雪视频中的雪花,提出一种新的多通道融合和组稀疏编码去雪算法.针对视频的每一个色彩通道中存在的雪花成分进行去除,提出了一种全新的基于低秩矩阵分解的多通道融合背景建模方法,用于恢复干净的背景.为了检测雪花和运动前景,将运动成分中的雪花和运动前景分离以保留运动前景部分,提出了一种基于L0正则化的阈值化方法检测运动物体并分离雪花像素.最后,对被细小雪花遮挡的前景物体采用基于空间适应奇异值阈值的组稀疏编码进行去雪花处理,得到干净的前景.将干净的背景视频和干净的前景视频合成为一段完整的去雪后的视频.

超拉普拉斯重叠组稀疏先验的稀疏角度CT重建

对于稀疏角度下的投影数据,计算机断层扫描在图像重建中容易出现伪影和噪声较多的问题,难以满足工业及医学诊断要求。本文提出一种基于重叠组稀疏和超拉普拉斯先验的稀疏角度CT迭代图像重建算法。其中重叠组稀疏反映图像梯度稀疏性,从图像梯度的角度考虑相邻元素之间互相重叠交叉的关系。而超拉普拉斯先验能够精确地近似图像梯度的重尾分布,能够使得重建图像整体的质量提升。本文提出的算法模型采用交替方向乘子法,主分量最小化法和梯度下降法求解目标函数。实验结果表明,在稀疏角度CT重建的条件下,本文提出的算法在保留结构细节、抑制图像重建过程中产生的噪声和阶梯伪影方面有着一定的改善。

基于快速三因子分解和组稀疏正则化的高光谱图像去噪

为了有效去除高光谱图像中噪声带来的干扰,提升图像质量,在局部低秩和全局组稀疏结合的框架内提出了一种基于快速三因子分解和组稀疏正则化的去噪模型。首先,将高光谱图像分解成若干三维重叠图块并将其逐波段列化成矩阵,在快速三因子分解的框架下将这些矩阵分解为两个正交因子矩阵和一个核心矩阵,对核心矩阵添加L_(2,1)范数最小化约束;其次,对高光谱图像空间和光谱方向的梯度张量分别添加组稀疏正则化约束;最后,将低秩矩阵的三因子分解和全局组稀疏正则化结合,可以充分挖掘图像的局部低秩和稀疏的先验信息,并去除各种混合噪声。在三个数据集上与五种经典模型相比,该模型的各项评价指标更高,去噪图像保留了更多细节信息,去噪效果更好。

应用组稀疏正则化反演的高分辨率自适应Gabor时频分析方法

地震信号频率成分随时间的变化规律(时频特性)对油气检测具有重要意义,且Gabor变换作为最简便的时频分析技术在地震资料解释中得到了广泛应用。然而常规Gabor变换所得时频谱的时间分辨率低,相邻反射子波频谱信息混叠严重,不利于开展高分辨率地震资料解释。为了提高Gabor时频谱的时间分辨率,首先基于Gabor反变换的定义将Gabor时频谱的计算归结为求解反演问题;然后以相同时刻频谱分入同一组的策略加入组稀疏正则化约束项;最终利用投影快速软阈值迭代算法实现上述目标函数求解并获得Gabor时频谱。同时,还给出一种利用地震信号瞬时质心频率自适应地构造Gabor时频分析所需高斯窗函数的方法。理论信号实验及实际数据应用表明,该方法可在时间方向上对Gabor时频谱的能量团进行显著压缩,低频端和高频端的时间分辨率获得同步提高,进而在低频和高频剖面上同时清晰揭示薄储层顶、底界面,便于精细对比解释。

基于小波变换与组稀疏相结合的遥感图像复原算法

针对脉冲噪声下的遥感图像的复原问题,本文设计一种基于小波变换与组稀疏相结合的遥感图像复原算法。该算法模型采用L0范数作为数据保真项,可以有效地去除脉冲噪声;在正则项上,本文采用重叠组稀疏正则化器与梯度图像在小波变换下的L0范数进行稀疏建模。使用优化最小化方法分别与交替方向乘子法对算法模型进行求解。将本文复原算法与L0-OGSTV、HNHOTV-OGS、L0-TV三种算法进行实验对比。实验结果表明,在峰值信噪比和结构相似性的指标上,本文算法均优于以上几种算法。

组稀疏低秩矩阵估计的变转速滚动轴承故障特征提取

早期轴承故障特征的有效提取对于避免严重机械事故具有重要的意义。表征轴承故障的脉冲信号往往淹没在强背景噪声干扰中,并且轴承常常在变转速工况下运行,这使故障特征的提取较为困难。针对这一问题,提出一种用于变转速工况下滚动轴承故障特征提取的组稀疏低秩矩阵估计算法。首先,根据变转速工况下轴承故障脉冲信号的角度时间循环平稳特性,利用阶频谱相关(order-frequency spectral correlation, OFSC)将测量信号转换至阶频域中;其次,揭示了轴承故障脉冲在阶频域中的组稀疏性和低秩性,并据此构建一种凸优化问题来增强这两种特性,引入非凸罚函数来提高故障特征的稀疏性;再次,在交替方向乘子法(alternating direction method of multipliers, ADMM)和优化最小化(majorization-minimization, MM)框架下求解该凸优化问题,推导出组稀疏低秩(group sparse low-rank, GSLR)矩阵估计算法;最后,通过构建增强包络阶次谱(enhanced envelope order spectrum, EEOS)对求解得到的目标分量进行故障特征检测。仿真和试验信号的分析验证了该方法在故障特征提取中的有效性。

一类混合稀疏组稀疏优化问题的邻近梯度算法

本文研究了一类混合稀疏组稀疏优化问题,其中损失函数为光滑凸函数,正则项为稀疏l1范数与组稀疏lα,p(α ≥ 1, p > 0)范数的组合。 首先,提出了邻近梯度算法求解此混合稀疏组稀疏优化问题。其次,分别讨论了凸(p ≥ 1)和非凸(0 时给出组合惩罚项邻近算子的闭式解。 本文结果为求解混合稀疏组稀疏优化问题提供了理论依据和可行途径。

基于超拉普拉斯先验上的交叠组稀疏去除脉冲噪声方法

由于图像复原具有不适定性,寻找一个有意义的图像先验仍然是图像处理上的重要挑战。在本篇论文中,提出了一个基于超拉普拉斯先验的交叠组稀疏模型用于去除脉冲噪声,且对于数据保真项采取Lp (0 < p < 1)范数。超拉普拉斯先验更能拟合自然图像的先验,交叠组稀疏是在图像去噪和图像去模糊中应用广泛。虽然是一项简单而广泛的研究,但该正则化在成像科学中仍有需求。为解决非凸非光滑最小化问题,我们采用交替乘子方向法(ADMM)作为主要算法框架。对于子问题分别使用FFT算法和MM算法。通过数值实验验证,所提出的模型在PSNR和SSIM值上是有效的。

特征加权组稀疏判别投影分析算法

近来,稀疏表示分类算法已经在模式识别和特征提取领域获得了广泛的关注.受最近提出的稀疏表示判别投影算法启发,本文提出了一种新的特征加权组稀疏判别投影算法(Feature weighted group sparse classification steered discriminative projection,FWGSDP).首先,提出特征加权组稀疏分类算法(Feature weighted group sparsebased classification,FWGSC)进行稀疏系数编码,该算法采用带特征加权约束的保局性信息,能够鲁棒地重构给定的输入数据;其次,通过类内重构散度最小、类间重构散度最大为目标计算最优投影判别矩阵,使得输入数据具有最佳的模式分类效果;最后,提出迭代重约束稀疏编码方法并结合特征分解操作进行FWGSDP模型高效求解.在Ex Yale B,PIE和AR三个人脸数据库的实验验证了所提算法在普通数据和带噪数据中的分类效果都优于现存的算法.

组稀疏模型及其算法综述

稀疏性与组稀疏性在统计学、信号处理和机器学习等领域中具有重要的应用.本文总结和分析了不同组稀疏模型之间的区别与联系,比较了不同组稀疏模型的变量选择能力、变量组选择能力、变量选择一致性和变量组选择一致性,总结了组稀疏模型的各类求解算法并指出了各算法的优点和不足.最后,本文对组稀疏模型未来的研究方向进行了探讨.

加权结构组稀疏表示的图像压缩感知重构

利用图像的非局部相似性先验以提升图像恢复质量已得到广泛关注。为了更有效地提升压缩感知(CS)图像的重构质量,提出了一种基于加权结构组稀疏表示(WSGSR)的图像压缩感知重构方法。采用非局部相似图像块结构组加权稀疏表示的1_l范数作为规则化项约束优化重构,实现在更好地恢复图像高频细节信息的同时有效减少对图像低频成分的损失,图像重构质量得到明显改善。推导出一种加权软阈值收缩方法,实现对模型的优化求解,对幅值较大的重要系数采用较小的阈值收缩处理,对幅值较小的非重要系数采用相对较大的阈值收缩处理。实验结果比较验证了所提方法的有效性。

基于结构组稀疏表示的红外云图超分辨率方法

针对红外云图分辨率低、视觉效果较差的问题,提出一种图像结构组稀疏表示的超分辨率方法。该方法充分利用红外云图的结构自相似性,将结构组作为稀疏表示的基本单位,建立图像结构组稀疏表示模型。在训练字典过程中通过高斯混合模型学习图像结构组的先验信息,再对样本块进行聚类,利用主成分分析学习得到紧凑的分类字典。在重建阶段对每个结构组自适应选取最匹配的字典,使用改进了的加权l1范数优化方法求解稀疏系数。实验结果表明,与Sc SR、Zeyde、NARM等算法相比,所提算法在视觉效果以及图像质量评价指标上均有所提高,红外云图重构质量有较为明显的改善。

基于距离约束稀疏/组稀疏编码的自动图像标注

为解决图像自动标注中的语义鸿沟问题,有效选择并利用图像特征,提出基于距离约束稀疏/组稀疏编码(distance constraint sparse/group sparse coding,DCSC/DCGSC)的2种特征选择算法,并分别应用到图像自动标注任务中。考虑到不同特征基相似性对图像语义相似性的贡献不同,定义了度量二者相关性的距离约束正则项。将该正则项分别集成到稀疏/组稀疏编码的特征选择模型中,使选择的特征在保证稀疏性/组稀疏性的同时,优先选择与语义相似性描述最接近的视觉特征基。利用在训练图像集中学习的特征权值,寻找测试图像的K最近邻(Knearest neighbor,KNN)图像,并通过标签转移实现图像标注。在Corel5K图像库上测试标注性能,集成多特征的DCGSC查准率、查全率和标注正确的关键词个数可达32%、34%和151,优于其他相关标注算法。而对于单特征图像,使用DCSC也能改善标注性能。可见,距离约束对特征选择和图像标注是有效的。

基于图正则化与非负组稀疏的自动图像标注

设计一个稳健的自动图像标注系统的重要环节是提取能够有效描述图像语义的视觉特征。由于颜色、纹理和形状等异构视觉特征在表示特定图像语义时所起作用的重要程度不同且同一类特征之间具有一定的相关性,该文提出了一种图正则化约束下的非负组稀疏(Graph Regularized Non-negative Group Sparsity,GRNGS)模型来实现图像标注,并通过一种非负矩阵分解方法来计算其模型参数。该模型结合了图正则化与2,1l-范数约束,使得标注过程中所选的组群特征能体现一定的视觉相似性和语义相关性。在Corel5K和ESP Game等图像数据集上的实验结果表明:相较于一些最新的图像标注模型,GRNGS模型的鲁棒性更强,标注结果更精确。

基于组稀疏表示的医学图像超分辨率重建

在大量的医学图像处理过程中,由于现有的硬件设备和成像技术的限制,还不能够获取满足高要求的清晰图像。因此,在现有的硬件设备和成像技术下获取的医学图像需要进行超分辨率的重建处理。在基于稀疏表示单帧图像超分辨的基础上,针对医学图像具有明显的重复结构等特点,提出了一种基于组稀疏的单帧医学图像超分辨算法。并且结合Group Lasso算法和K-SVD算法,提出了一种新的字典训练算法。实验结果分析和比较证实提出的算法在性能指标上比现有的其它几种方法均有所提高。

利用组稀疏特性的宽带压缩频谱感知

基于认知无线电的动态频谱接入需对宽带信道进行频谱感知,而越来越高的采样速率日益成为宽带频谱感知的瓶颈。压缩感知作为一种新的信号获取技术为亚奈奎斯特采样速率下的宽带频谱感知提供了一种可行方案。在相关应用场景中,如果能够挖掘相关先验信息并在重构算法中整合这些信息,将大幅提高压缩感知的性能。本文基于压缩感知技术,利用信道的划分信息及宽带信号的组稀疏特性,提出了一种组稀疏贪婪算法GOMP。该方法在成熟的贪婪算法基础上,利用子信道内多频点的组测量信息,根据组测量的概率分布特性来识别宽带信道的活动子信道。这种组测量识别方式使算法能以较少的观测数据实现对宽带信道的快速准确感知,极大地降低了宽带频谱感知所需的采样速率。实验结果表明:该算法比传统的OMP算法及BP算法不仅具有更好的重构效果及频谱检测性能,而且具有更好的压缩性能及实时性能。

混合l_2/l_(1/2)范数的局部组稀疏表示方法

当前基于稀疏表示的行人再识别都是通过松弛l_0正则项为l_1正则项以达到逼近l_0范数稀疏性的目的.在满足有限等距性质(RIP)条件下,l_1和l_0具有等价性,然而在具有杂乱背景、物体遮挡等众多干扰因素的行人再识别任务中,却很难满足RIP条件.因此,文中提出混合l_2/l_(1/2)范数的组稀疏表示方法,通过将gallery集中同一行人图像序列视为一组,利用l_2范数约束组内结构,l_(1/2)范数约束组间结构,对遮挡和杂乱背景等干扰因素具有更高的鲁棒性.为了进一步增强模型的判别性,引入人体结构约束,将行人图像划分为若干近邻块区域,针对每一区域分别构造适应性的混合l_2/l_(1/2)范数的组稀疏模型,最终融合全部稀疏模型得出再识别结果.在当前具有挑战性的2个多行人图像序列数据集PRID 2011和iLIDS-VID上的实验验证文中方法的有效性.