血管内超声图像序列的自动降噪方法

提出一种血管内超声图像序列的自动降噪方法。首先对图像序列中每帧图像进行中值滤波,抑制图像脉冲干扰及斑点噪声,保护边缘少受模糊,然后采用图像序列均值滤波方法抑制图像加性随机噪声,提高图像信噪比,并利用小波软阈值降噪的多尺度分析特性,对均值图像的细节加以分辨,再结合算术运算得到最终降噪效果。对比中值滤波、小波软阈值降噪等传统滤波方法,提方法能得到更好的降噪效果;利用所提方法对连续不同帧数血管内超声图像进行降噪处理,当图像帧数为10时,图像序列的降噪效果更好;通过峰值信噪比、降噪时间和边缘检测效果的对比,可以发现本文所提方法能改善降噪效果、提高边缘检测的准确度,保证降噪效率。

基于背景先验点的Photoshop交互式图像自动降噪处理研究

为了降低Photoshop图像交互过程中产生的噪点,改善图像清晰度,提出一种基于背景先验点的Photoshop交互式图像自动降噪处理方法。计算输入图像的每个超像素显著值,分割非重叠小区域,保证每个区域都具有显著值;通过区域显著值确定Photoshop交互式图像背景先验点,为图像自动降噪提供位置。计算Photoshop交互式图像的分布方差,考虑噪声模型加1修正,获取修正后的图像噪声模型;再寻找图像相似块,计算任意两个小片a、b之间的欧氏距离,将噪声图像中的噪声点宽度实际极值对应的位置设定为背景先验点,避免陷入局部极值点。最后,对像素矩阵进行3D变换处理,获取降噪3D块像素矩阵,按照降噪图像匹配相似块的方法匹配含噪图像的相似块,经过二次降噪后得到最终降噪图像。实验结果表明,所提方法最小峰值信噪比为42 dB,获取的降噪图像无噪点且整体清晰,视觉效果有明显提高。

选听复听自动降噪电路

有几十种型号的台式收录机采用带选听复听功能的八功能机芯。选听时要监听,以便找到下一曲的始端。但因磁带快速运行,磁带信号频率也提高5倍以上,听起来象噪声,音量也较大。加本电路的作用就是在选听时,不关小音量,就能自动减小这种噪声,电路参见附图。

基于改进型降噪自动编码器的家用负荷辨识方法

家用负荷辨识准确性受数据采样速率制约显著,过高的采样速率能够解决数据问题,但也带来成本提高、系统设计复杂等问题。基于此,提出了一种仅依赖常规采样速率有功功率量测的非侵入式负荷辨识方法,所提方法对传统的降噪自动编码器算法滑动窗的重叠部分计算进行了改进,使用中值滤波器对重叠窗的数据结果进行处理,能够较好地克服辨识结果偏高的问题。通过在REDD(reference energy disaggregation dataset)和TraceBase两个家庭用电数据集开展测试,证明了所提方法在辨识设备功率和判断设备所处状态两个方面都具有较好的效果,且各项指标均好于经典的基于因子隐马尔可夫模型(factorial hidden Markov model,FHMM)算法。另外所提算法的通用性较好,能够对不同型号、品牌的同种设备进行有效辨识,具有较好的实用价值。

基于堆叠降噪自动编码器的胶囊缺陷检测方法

目前医用胶囊生产过程中的缺陷检测主要由人工完成,费时费力,容易受主观因素的影响。提出一种基于堆叠降噪自动编码器的胶囊表面缺陷检测方法,该方法首先建立深度自动编码器网络,并根据缺陷样本进行降噪训练,获取网络的初始权值;然后通过BP算法进行微调,得到训练样本到无缺陷模板之间的映射关系;最后利用重构图像与缺陷图像之间的对比关系,实现测试样本的缺陷检测。实验表明,堆叠降噪自动编码器较好地建立了上述映射关系,能快速、准确地进行缺陷检测,对噪声具有很强的鲁棒性和稳定性。

基于降噪自动编码器及其改进模型的微博情感分析

随着自然语言处理科学的迅猛发展,情感分析作为其重要的一个分支广泛应用于社交网络平台上,尤其是微博由于其传播广泛且蕴涵丰富的情感信息而备受学者青睐。为解析微博中表达的情感信息以及深入挖掘其蕴涵的潜在感情,在降噪自动编码器的深度模型之上研究探索改进了这个深度学习模型。降噪自动编码器的工作特点是在引入噪声的干扰之下实现对原始输入的还原,而其改进模型的优势在于考虑到了噪声的多样性和复杂性,并通过深度学习训练加强模型的原始特征复原能力,以此来克服不可预判的原始输入噪声。通过分别使用SVM、降噪自动编码器模型以及改进的模型进行情感分析实验,对比分类效果而得出改进的深度模型对微博文字情感把握更准确而且抗干扰能力及鲁棒性有所提升的结论。

基于栈式降噪自动编码器的气体识别

为克服手工设计特征的繁杂过程以及特征不通用性,提高气体识别准确率,提出一种基于深度学习的气体定性识别方法,自动提取自适应的气体数据特征。实验基于UCI机器学习气体数据集,分别对比基于2层深度神经网络结构-栈式降噪自动编码器以及浅层机器学习算法的气体定性识别效果。实验结果表明,基于深度学习算法自动提取特征的过程更简单、通用,提高了气体识别的准确率,改善了传统方法的复杂流程。

基于降维的堆积降噪自动编码机的表情识别方法

堆积降噪自动编码机是一种典型的深度学习模型,它能够刻画数据丰富的内在信息,具有较强的特征学习能力。基于主成分分析(principal component analysis,PCA)技术和堆积降噪自动编码机(stacked denoising autoencoders,SDAE)模型,提出一种新的表情识别算法PCA+SDAE。该算法对人脸图片进行裁剪及归一化等预处理,采用主成分分析技术对人脸特征进行线性降维,再利用堆积降噪自动编码机逐层进行特征学习并同时实现对人脸表情数据的非线性降维,可以得到更好的、维度更低的表情特征,并据此进行表情分类。对PCA+SDAE算法的仿真测试实验结果表明,其综合性能比其他的基于深度学习模型的表情识别方法更好,同时与传统的非深度学习表情识别方法相比,它具有更高的表情识别正确率。

优化堆叠降噪自动编码器滚动轴承故障诊断

针对深度堆叠降噪自动编码器(SDAE)网络超参数采用经验枚举获得时存在的泛化能力较弱,且选参过程与设计人员经验有关,效率低等问题,利用新设计的人工变性天牛算法(ATLA)对SDAE网络超参数进行自适应选取,并确定网络结构,训练得到故障状态的特征表示,最后输入到Softmax分类层进行故障检测,并确定故障类别。通过变工况下滚动轴承故障诊断仿真实验验证,该文所提出的ATLA-SDAE诊断方法在泛化性能、故障识别率等方面均优于BP神经网络、支持向量机(SVM)以及卷积神经网络(CNN)方法,能够从海量数据中自适应地提取更深层次的故障特征,可避免手动设计和提取故障特征的繁琐过程,更有利于提高故障分类的精度和诊断效率。

基于改进正余弦算法优化堆叠降噪自动编码器的电机轴承故障诊断

轴承是电机的重要组成部分,其故障振动信号存在噪声干扰,导致特征提取困难,堆叠降噪自动编码器(SDAE)通过将输入数据随机置零训练网络可以有效抑制噪声干扰。此外,不理想的超参数组合易引起SDAE诊断性能不佳。因此,提出一种基于改进正余弦算法(ISCA)优化SDAE的电机轴承故障诊断方法。首先,在改进正余弦算法(SCA)粒子值更新公式中引入非线性惯性权重并对控制参数加入余弦变化构造ISCA,利用ISCA对SDAE超参数自适应选取;其次,利用具有最优网络结构的SDAE模型的无监督自学习特征提取方法提取振动信号特征参数,从而实现更好的故障诊断效果。仿真及现场实验结果表明,该方法收敛速度快、诊断准确率高,而且具有较强的鲁棒性,在电机轴承故障诊断方面具有较好的应用前景。

基于栈式降噪稀疏自动编码器的雷达目标识别方法

雷达目标识别中特征提取是关键步骤,所提取特征的好坏决定着识别效果的优劣,但传统特征提取方法很难发掘目标数据深层次本质特征。深度学习理论中的自动编码器模型能够用数据去学习特征,获得数据不同层次的特征表达。同时为消除噪声影响,该文提出一种基于栈式降噪稀疏自动编码器的雷达目标识别方法,通过设置不同隐藏层数和迭代次数,从雷达数据中直接高效地提取识别所需的各层次特征。暗室仿真数据实验结果验证了该方法较K近邻分类方法及传统栈式自编码器有更好的识别效果。

基于降噪自动编码器的不平衡情感分类研究

目前,网络评论的情感分类研究大部分是不平衡样本数据,正向样本的数量一般远大于负向样本,对这种不平衡样本集进行分类时容易产生少数类误差较大的问题。而且由于网络评论的表达形式多变,不易获取到大量的有监督的数据。针对上述问题,对无监督的不平衡网络评论情感分类进行研究。首先通过改进降噪自动编码器,提高少数类的特征值,避免分类样本向多数类偏移。然后将获取的特征值作为k-means算法的输入值,实现了无监督的样本分类。实验证明,该算法对不平衡率较高的样本具有良好的适应性,从而验证了算法的有效性。

基于稀疏降噪自动编码机的心律失常自动分类

心律失常是导致心肌缺血、心衰和心脏性猝死等疾病的主要因素之一,对心律失常进行准确高效的检测和分类具有重要的研究价值。本文提出了一种基于堆叠稀疏降噪自动编码机构建深度神经网络的心电信号特征检测算法,从而实现了心律失常的自动分类。分类系统利用稀疏降噪自动编码机获取心电信号的低维深度结构特征,其无监督学习方式使得特征具有更好的区分度和一定的抗干扰能力,然后将特征输入Softmax分类器进行信号分类。采用美国麻省理工MIT-BIH心律失常数据库对所提方法进行验证,总分类精度可达99.43%,实验结果表明该方法具有对心律失常自动分类的有效性。

改进沙猫群优化算法优化堆叠降噪自动编码器的发动机故障诊断

车辆发动机振动信号受到噪声干扰,影响故障诊断精度,而堆叠降噪自动编码器(SDAE)可以有效抑制噪声干扰,但SDAE模型超参数对诊断性能影响较大,不合理的模型超参数容易引起SDAE诊断性能不佳。因此,文中采用一种新型沙猫群优化算法(SCSO)对SDAE参数进行优化选取。考虑到沙猫群优化算法(SCSO)中沙猫群种群缺乏变异机制的缺陷,在其探索阶段和开发阶段分别引入柯西变异机制和高斯变异机制,得到了改进沙猫群优化算法(ISCSO),并提出了SCSO优化SDAE的发动机故障诊断方法。发动机故障诊断实例结果表明:与其余5种方法相比,所提方法的平均诊断精度提高了1.47%~6.5%,平均耗时缩短了5.29~19.44 s。

基于改进的堆叠降噪自动编码器深度模型的转子-转轴系统故障诊断方法

旋转机械转子-转轴系统故障诊断方法中大多采用传统浅层模型,对于数量较大的样本其处理能力有限。为解决此问题,提出一种利用改进的堆叠降噪自动编码器(SDAE)深度模型的故障诊断方法,并对转子-转轴系统的典型故障进行诊断。利用某机械故障综合模拟实验台,结合基于LabVIEW开发的信号采集系统模拟并采集转子-转轴系统的10类单一故障和7类复合故障振动信号。在训练SDAE模型时引入Dropout机制对模型进行改进,并结合Softmax分类器进行网络训练与诊断。与传统BP网络、自动编码器(AE)、无Dropout机制的SDAE和卷积神经网络(CNN)进行对比,结果表明:改进的SDAE方法对于转子-转轴系统故障的正确识别率最高,特别是对复合故障的诊断效果比其他模型更理想,充分验证了改进的SDAE深度模型的优越性。

基于安装轮辐降噪板的自动控制系统的研究

高铁轮辐降噪板是自动压接系统基于轮辐降噪板专用压头的基础之上进行开发的设备,以伺服电机、控制面板为基础的辅助型降噪系统,通过压力、温度等参数作用于伺服电机,保证轮辐降噪板在与轮辐压接过程中的压接质量,使降噪板最大化吸收摩擦振动而产生的噪声,采用标准化、模块化的通用元配件,其应用范围可在装有轮辐的一切装置设施上。

基于优化栈式降噪自动编码器的路面不平度检测

路面不平度严重影响着路面的使用寿命和乘坐的舒适性,为了根据路面谱密度检测路面平整度,提出了一种根据深度学习思想的优化栈式降噪自动编码器(SDAE)的路面不平度检测方法。以四自由度车辆振动模型为基础,将通过ADAMS仿真得到的汽车质心垂直加速度功率谱和汽车质心俯仰角加速度功率谱为输入样本,并利用优化后的降噪自动编码器对路面进行检测和分类,试验结果表明:基于优化后的栈式降噪自动编码器的路面不平度检测精度高达95.7%,提高了检测的准确率,并改善了传统方法的复杂流程,适用于路面不平度检测。

基于改进堆栈降噪自动编码器的预想事故频率指标评估方法研究

可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多维频率指标(极值频率、最大频率变化率、准稳态频率)的快速评估,该文将深度学习引入到频率稳定研究中,提出一种基于改进堆栈降噪自动编码器(improved stacked denoising autoencoders,ISDAE)的智能化评估方法。首先,利用随机森林算法筛选出重要特征变量作为输入数据,实现输入数据降维;然后,将多个降噪自动编码器堆叠,构建深度学习网络结构;采用"预训练-参数微调"方法训练网络参数,引入Dropout技术提高算法泛化能力、防止过拟合,基于均方根反向传播(root mean square back propagation,RMSprop)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,根据离线训练得到的ISDAE网络结构实现扰动事件后系统惯性中心的多维频率指标在线评估。在修改后的IEEE RTS-79系统进行测试,与时域仿真、浅层神经网络以及未改进的SDAE方法所得结果进行比较,验证所提方法的快速性、准确性以及良好的泛化能力。

组合音响自动降噪电路的检修(下)

5.星河XH—880机DNR动态降噪电路 该机的动态降噪电路采用LM1894集成电路,有关电路如图5所示。表5为LM1894各引脚功能。采用LM1894集成电路的还有蓬波881机。 LM1894内部由主通道和副通道组成。主通道为受控通道,是一个由变跨导放大器和运算放大器等组成的低通滤波器;副通道为控制通道,由加法器。

组合音响自动降噪电路的检修(中)

3.飞燕CR—W76H机杜比降噪电路 该机杜比降噪电路采用TEA0665杜比B/C兼容降噪集成电路。采用此集成电路的机型还有马兰士SD—255,乐声RS—T33R和山水D—70BW等。图3为飞燕CR—W76H机左声道杜比降噪电路,表3为TEA0665各引脚功能。