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。

基于改进重叠组稀疏的遥感图像去噪算法

脉冲噪声对遥感图像的质量有着显著的负面影响,它会破坏图像的连续性,降低图像的可视性和信息的准确性,从而影响遥感图像的应用效果。本文通过融合自适应中值滤波技术和组稀疏模型,设计了基于改进重叠组稀疏的模型,以有效地消除遥感图像的脉冲噪声,并消除梯度伪影现象。由于本文所提出的模型是非凸问题,我们利用最大–最小化(MM)方法和交替方向乘子法(ADMM)对模型进行求解。实验结果表明,本文提出的模型在峰值信噪比(PSNR)和结构相似度(SSIM)方面优于其他四种算法。

基于重叠组稀疏超拉普拉斯正则化的高光谱图像恢复

高光谱图像混合噪声去除是遥感领域的一个基本问题,也是一个重要的预处理步骤。本研究针对高光谱图像去噪问题,为有效地对高光谱图像进行恢复,提出了一种基于重叠组稀疏性超拉普拉斯正则化(OGS-HL)的新型去噪方法。该方法可以有效捕捉图像的局部相关性和方向性结构,同时减少传统全变分正则化中的阶梯伪影。通过乘子交替方向法求解非凸优化问题,显著提高了去噪效率。在多个遥感图像数据集上的仿真实验表明,所提方法在峰值信噪比(PSNR)和结构相似度(SSIM)等评价指标上优于现有技术,展现了在复杂噪声环境下的优越去噪性能和广泛的应用潜力。The removal of mixed noise from hyperspectral images is a fundamental issue in the field of remote sensing and an important preprocessing step. This study focuses on the denoising problem of hyperspectral images. To effectively restore hyperspectral images, a new denoising method based on Overlap Group Sparse Hyper Laplacian Regularization (OGS-HL) is proposed. This method can effectively capture the local correlation and directional structure of images, while reducing the step artifacts in traditional total variation regularization. By using the alternating direction method of multipliers to solve non-convex optimization problems, the denoising efficiency has been significantly improved. Simulation experiments on multiple remote sensing image datasets have shown that the proposed method outperforms existing technologies in evaluation metrics such as peak signal-to-noise ratio (PSNR) and structural similarity (SSIM), demonstrating superior denoising performance and broad application potential in complex noisy environments.

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。

基于重叠稀疏组深度信念网络的图像识别

深度信念网络的隐含神经元大部分为噪声变量,且具有组结构相关性。组稀疏深度信念网络模型通过组Lasso模型对隐含神经元变量进行约束,从而实现变量组选择。然而,组稀疏深度信念网络模型未能考虑特征可同时属于多个特征组,并且隐含神经元在变量层面上不稀疏的问题。在组稀疏深度信念网络模型上引入重叠组结构,解释了重叠组Lasso模型在变量层面上比组Lasso模型稀疏的原因,并在变量层面上作进一步的稀疏,提出了重叠稀疏组深度信念网络模型。在MNIST、USPS、ETH-80以及人脸数据集上的识别结果表明,重叠稀疏组深度信念网络具有更高的识别率。

图像去模糊的自适应交替方向乘子重叠组稀疏方法

图像去模糊技术是图像处理领域的一个重要组成部分.由于重叠组稀疏全变差(OGSTV)正则化不仅具有保留边缘的特性,而且能够抑制阶梯效应的产生,正逐渐地应用到图像去模糊问题中.利用交替方向乘子(ADMM)方法来求解重叠组稀疏全变差模型时,其惩罚因子对去模糊问题的影响较大,且不易调节,故笔者在优化模型时根据复原出的图片自适应地调整惩罚因子.该方法在保证计算速度的同时,自适应地复原出最佳图片,并保证了算法的鲁棒性.实验结果表明,本文方法在PSNR、SNR、相对误差等评价方法上均优于其他复原模型.

重叠组情形下全序多播协议的研究与实现

讨论了计算机网络安全领域中容忍入侵、复制技术、群组通信和全序广播之间的内在关联,分析了全序与全序多播的基本概念及属性,研究了重叠组情形下的全序多播及其在容忍入侵的群组通信系统中的实现问题,利用独立的组之间的全序多播协议Totem_Total,提出了一种能在重叠组之间保证全序的多播协议实现方案,给出了详细的伪代码描述并进行了分析.

改进VMD和非凸重叠组收缩降噪的行星齿轮箱早期故障特征提取

针对强背景噪声下行星齿轮箱早期微弱故障特征难以被识别且变分模态分解算法中模态个数K和惩罚因子α需要依赖人为经验反复尝试而不能自适应确定的问题,提出了改进变分模态分解(Modified Variational Mode Decomposition,MVMD)方法,通过故障信号尺度空间谱的自适应分割来确定所需模态个数K,同时建立峭度最大值判定准则自动选取最佳惩罚因子α。在此基础上,将MVMD与自适应非凸重叠组收缩降噪算法(Adaptive Nonconvex Overlap Group Shrinkage,ANOGS)相融合,提出了基于MVMDANOGS的行星齿轮箱早期故障诊断方法。对故障振动信号进行MVMD最佳分解,获取多个模态分量;利用ANOGS算法对峭度最大的敏感模态进行稀疏降噪,从而突出信号中的故障冲击特征;对降噪模态进行包络解调处理,以提取明显的故障特征频率来判别故障。通过仿真信号和工程实验数据分析表明,相比传统VMD方法、EEMD方法和快速谱峭度方法,该方法能成功地提取微弱故障冲击特征且更加清晰,提高了行星齿轮箱早期故障的表征能力与诊断精度。

基于混合非凸性二阶全变分和重叠组稀疏的非盲图像去模糊算法

为了解决凸性全变分正则化模型会使重构结果出现非闭合轮廓和非齐整边缘等缺点,设计了混合非凸性全变分耦合重叠组稀疏的图像去模糊算法。重叠组稀疏正则化项很好地考虑了相邻元素之间相互交叉的关系,非凸性二阶l p范数正则化项较好保持了图像的边缘形状信息,同时将这两个正则约束项融入到全变分函数中,可以准确地恢复边缘结构特征以及消除平滑区的阶梯效应和振铃效应。最后,为实现非凸性高阶模型的优化求解,提出了变量分裂法,将该模型分离成4个子问题,然后借助重加权l1交替方向法来完成图像去模糊的计算。测试数据显示,相比当前图像复原技术,所提算法具备更为理想的去模糊效果,复原图像表现出更高的峰值信噪比和结构相似度,可以更有效地恢复出边缘形状信息和纹理细节。

基于多特征融合的重叠组套索脑功能超网络构建及分类

脑功能超网络的研究对脑疾病的准确诊断具有重要作用,目前已经有多种超网络的构建方法被应用于脑疾病的分类研究,但这些方法均未考虑到组间的重叠性问题。研究证明,组间的重叠性可能会对相关超网络模型的构建及构建后的分类应用产生影响,因此若仅使用非重叠组结构会限制其在超网络中的适用性。针对已应用于脑疾病分类研究的超网络构建方法在构建超网络模型时未考虑到分组之间的部分重叠性问题以及特征提取阶段的属性单一性问题,提出将多特征融合分析的重叠组套索方法应用于超网络的构建,并将其应用于抑郁症的诊断。结果表明,无论是在纯聚类系数属性下还是在多特征融合分析下,重叠组套索方法的分类性能较其他已有方法均有提高;在重叠组套索方法下,采用多特征融合分析较仅使用聚类系数属性分析获得了更高的分类准确率,达到了87.87%。

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。

重叠组稀疏广义全变分图像去模糊方法

传统的广义全变分去模糊模型利用L 1范数刻画图像高阶梯度,不能有效刻画图像梯度的局部组稀疏先验,导致传统广义全变分模型在阶梯效应抑制能力有一定局限性,针对这一问题,提出了基于重叠组稀疏收缩技术的改进广义全变分去模糊模型。该模型能更好挖掘图像梯度之间的结构稀疏先验知识,并通过图像梯度结构特性进一步抑制传统广义全变分模型的阶梯效应,从而获得更好的去模糊效果。用带重启的加速交替方向乘子法对该模型进行了求解。实验结果表明,该方法能有效抑制阶梯效应,在去模糊效果上更具有优势。

基于重叠角色组模型的医患沟通要素分析

基于卡恩的重叠角色组模型研究医患沟通困境,本次研究内容从角色不明、角色冲突以及角色负担过重解析医患沟通存在的问题。通过分析得出:医务人员在医患沟通要素方面表现较差;沟通反馈方面未与患者产生共鸣,无法与患者进行情感交流,难以体现人文关怀。

基于OGS-HL的遥感图像混合噪声去除算法

遥感图像在成像过程中容易受到混合噪声污染,包括高斯噪声、条纹噪声和脉冲噪声等。这些混合噪声降低了遥感图像的质量,限制了其后续应用。为了解决这一问题,首先,通过对遥感图像的梯度值进行统计分析,发现遥感图像的空间梯度值是符合重尾分布,因此,设计了关于遥感图像空间梯度值的OGS-HL正则项来去除混合噪声模型,该正则项不仅可以减少全变分带来的阶梯效应,而且还可以对图像的梯度值进行合理的稀疏表示;其次,针对条纹噪声,考虑其具有低秩性且使用核范数来约束,而稀疏噪声则具有全局稀疏分布,并且采用L1范数来约束;最后,采用交替方向乘子法和Majorization-Minimization算法来求解所提出的模型。通过与现有的算法进行比较,结果表明我们提出的算法在去除高水平混合噪声方面具有良好的效果。

心理学常用效应量的选用与分析

效应量在量化方面弥补了零假设检验的不足。除了报告检验结果外,许多期刊还要求在研究报告中包括效应量。效应量可以分为三大类别:差异类、相关类和组重叠类,它们在不同的研究设计(如单因素和多因素被试间、被试内和混合实验设计)或在不同的数据条件下(如小样本、方差异质等)可能有不同的计算方法和用法,但许多效应量可以相互转换。我们梳理出一个表格有助应用工作者根据研究目的和研究类型选用合适的效应量。

基于层次稀疏DBN的瓶颈特征提取方法

针对现有语音特征无法有效利用长时段语音和监督性类别信息,及现有瓶颈特征提取方法耗时过长等缺陷,提出基于层次结构稀疏深度可信神经网络的瓶颈特征提取方法.该方法将重叠组套索作为深度可信神经网络目标函数的稀疏正则项使用,从而构建训练速度更快的稀疏深度可信神经网络.然后利用层次结构的网络架构方式,将两个稀疏深度可信神经网络串联后使用,进一步增强瓶颈特征的判决能力.文中将此瓶颈特征应用于音素识别中,实验表明该特征的有效性.

基于空间相关性的H.264快速自适应模式选择算法

为了减小H.264编码器的复杂度,提出了一种帧间预测模式快速自适应选择算法。该算法首先利用运动补偿后残差宏块的统计信息,将需要计算率失真代价函数的候选模式减少为一个模式组中包含的模式子集;然后根据相邻的左块和上块的模式,从所选择的模式子集中选出出现概率最高的两种模式来计算并比较率失真代价函数,选出代价最小的模式作为最佳模式。实验表明,本算法平均可以节省编码时间约65%,同时PSNR下降约为?0.24dB,有利于实时应用。

H.264快速自适应帧间编码模式选择算法

提出了一种针对H.264标准的帧间编码模式快速自适应选择算法用以减少编码器的复杂度。该算法利用运动补偿后残差宏块的统计信息,将需要计算率失真代价函数的候选模式减少为一个模式组中包含的模式子集。由于该算法采用了重叠划分的模式组以及动态调整的门限,可以最大可能保证宏块的最佳编码模式处于所选择的模式组中,所以可以在编码质量下降很小的情况下,大幅度降低编码复杂度。实验表明,本算法平均可以节省编码时间52%,同时PSNR下降约为-0.05dB,不会影响主观视觉效果。

高效的无盲区非均匀信道化滤波结构的设计与分析

加权重叠相加(WOLA)滤波器组是实现信道化滤波的一种高效结构。在其设计过程中需要知道子带信号的数量、位置、带宽等先验信息,故其设计灵活性差,不可重置,不能实现信号的非均匀信道化接收。该文在WOLA法的基础上通过邻近信道合并提出了一种无盲区非均匀信道化滤波结构。仿真结果证明该方法实现了任意位置、任意带宽、任意数量子带信号的无盲区非均匀信道化滤波。该方法在实现过程中参数设计简单、计算复杂度低、硬件实现效率高。不需要知道子带信号的任何先验信息,设计灵活性较高、可重置性强。同时通过改变抽取因子还可以控制输出子带信号的采样率,增强了信号的输出灵活性。

混合二阶全变分的抗核辐射图像降噪方法

为了更好地保留核环境下图像降噪后的细节信息,提出了基于混合二阶全变分的抗核辐射图像降噪方法。将非凸二阶全变分与重叠组稀疏正则化相结合,使用交替方向乘子法(alternating direction method of multiplier,ADMM)和增广拉格朗日乘子法对全局问题进行优化求解,多次迭代后得到基本降噪图像;将多次降噪后的基本降噪图像进行差值迭代,使核辐射图像中大范围跳变的灰度值更加接近原始图像灰度值;根据核噪声的特点,设计算法模拟出核噪声斑块。通过在真实核环境下采集的数据集和模拟的核噪声数据集上进行实验,峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity,SSIM)等指标的变化及处理后的视觉效果表明,提出的算法在保留图像细节信息方面优于对比算法。