自适应分层阈值小波去噪在雷达信号中的运用研究

在处理拉曼雷达回波信号过程中,采用小波去噪法进行算法反演前的数据预处理,针对小波去噪的核心问题-小波基的选择和阈值的设定提出了自适应分层阈值软门限去噪的方法,并选择了不同的小波基组合软硬阈值对去噪结果进行了对比。经实验数据验证,相对传统的滑动平均滤波,纯粹的细节和抑制全局阈值法,自适应分层阈值软门限在获取相同信号、保持相同能量的前提下能更好地恢复信号;在有云情况下信号的尖峰结构也没有变化,有效地抑制了噪声,提高了细节识别度和反演精度。

一种新型目标图像去模糊方法

针对现有的图像去模糊法存在着细节纹理失真、锐化效果不显著、平滑区域去模糊效果欠佳等不足,提出一种基于自适应阈值和改进梯度算子的新方法,该法首先对原图像素进行全扫描提取得到自适应阈值,然后建立像素点增强方程,再将增强后的点进行新梯度算子滤波,最后重组像素得到增强图像,仿真结果验证了该法在增强锐化的同时,保护了图像的细节和平滑区域像素等信息。

基于改进UNet++模型的葡萄黑腐病病斑分割和病害程度分级

为了解决葡萄病害图像边缘分割模糊和发病初期分割难的问题,基于PlantVillage数据集中的葡萄黑腐病图像,提出一种基于改进UNet++的葡萄黑腐病病斑分割模型。该模型在提取图像特征时:一方面,采用自适应软阈值化方法消除噪声影响,提高葡萄病斑边缘的分割精度;另一方面,采用长、短连接结合的方式构建UNet++中的跳跃式连接结构,降低模型的计算复杂度。同时,在模型的横向输出层中融合多尺度特征,增强病斑的语义信息,进一步提高目标分割精度。在该模型的损失函数中,将Dice损失函数和交叉熵损失函数进行线性加权组合,以解决病斑像素面积与叶片面积不平衡的问题。采用五折交叉验证进行模型训练与测试。结果显示,本文模型的像素准确率达到98.433%,平均交并比达到92.056%,病斑交并比为81.230%,Dice系数为0.941,均优于传统的UNet++模型。采用病斑占叶面积的比例对病害程度进行分级。结果表明,本文模型对病害等级的划分准确率达97.41%。该模型能精确实现对葡萄黑腐病病斑边缘和小病斑的分割,以及病害程度分级,具有良好的稳健性。

基于HHT的船舶综合电力系统故障时间定位新方法

针对强噪声环境下船舶综合电力系统故障时间定位精度不高的问题,提出一种基于Hilbert-Huang变换(HHT)和自适应软阈值法的船舶综合电力系统故障时间定位新方法。首先,电能信号经EMD分解为若干固有模态函数(IMF),对第一个IMF分量进行Hilbert变换得到其瞬时幅值向量。然后,在分析故障波形变化规律的基础上,定义并计算故障信号的瞬时幅值差分向量。最后,设计一种自适应软阈值处理方法,将瞬时幅值差分向量变换为故障时间特征向量,经加权均值后,实现故障时间定位。仿真试验结果表明,该方法能够精确定位不同强度噪声下的故障起止时间,在1 k Hz采样频率下精度为0.88 ms,适用于实际船舶综合电力系统故障的时间定位。

采用TCN-HS的滚动轴承剩余使用寿命预测

滚动轴承作为旋转机械中的关键部件,对其剩余使用寿命RUL(remained useful life)的准确预测可以帮助维修人员及时制定维修计划,延长设备工作时间,保证安全。由于利用数学建模精确建立轴承退化过程的模型涉及到复杂的物理过程,所以以深度学习为基础的基于数据驱动的方法已经成为主流方法。提出了一种融合混合膨胀卷积与自适应斜率软阈值函数的时间卷积神经网络TCN-HS(temporal convolutional network with hybrid dilated convolution and self-adaptive slope thresholding)用于滚动轴承寿命预测。模型使用混合膨胀卷积HDC(hybrid dilated convolution)解决了栅格效应问题,并利用自适应斜率软阈值函数(self-adaptive slope thresholding)进一步筛选特征。为了验证TCN-HS模型的有效性,基于PHM2012轴承数据集进行了实验,结果表明:改进方法提升了模型的性能,预测结果准确。

结合NSCT及图论归一化割的岩石颗粒图像分割

本文提出了一种结合非下采样Contourlet变换(Non-Subsampled Contourlet Transform,NSCT)及图论归一化割(Ncut)的岩石颗粒图像分割算法。第一步,将颗粒尺寸较大的岩石图像分解到NSCT变换域上,第二步,使用软阈值函数对变换域上的噪声系数清零并进行NSCT重构得到去噪效果图,该函数中的阈值为萎缩贝叶斯自适应阈值。最后,用图论归一化割方法对岩石颗粒图像进行分割。本文算法分别对含有不同噪声的岩石颗粒图像进行分割实验,并将结果同K-means、大津阈值(OSTU)算法进行对比,实验结果表明,本文算法的分割效果比较良好。