基于L1范数自适应匹配滤波的重叠超声信号分离研究

在使用低频超声TOF技术对大厚度多层复合介质测厚时,超声反射回波之间容易出现有效回波和近表面干扰波重叠现象且难以分离,从而影响TOF的测量精度。针对此类问题,提出了基于L1范数的自适应匹配方法,基于时空域中近表面干扰表现出规律一致性,而有效回波则展现出推移特性的不同特征,在时空域对采集的超声阵列信号进行自适应匹配处理,实现有效回波和近表面干扰波的分离,从而增强有效回波的分辨率。仿真数据处理结果证明了所提方法的有效性,信噪比提高了3 dB。实验结果表明,该方法能高效解决重叠超声信号分离的问题,在固体火箭发动机测厚场景中展现出广阔的应用前景。

基于L_(1/2)范数的非局部PCA泊松噪声图像恢复改进算法

为增强NLSPCA(非局部稀疏主成分分析)算法对去除图像泊松噪声性能,提高图像块聚类精确度,增大字典下的表示系数稀疏性,改善恢复图像易模糊等问题,提出基于L_(1/2)范数的非局部PCA泊松噪声图像恢复改进算法(L_(1/2)-NLSPCA)。新算法首先对图像分割成重叠块;其次采用设计的自适应Bregman K-means算法对分割的图像块聚类;最后使用PCA构建基于L_(1/2)范数的非局部字典下的稀疏表示系数,对聚类后的图像块分组进行去噪重构。实验结果表明,L_(1/2)-NLSPCA算法与基准算法相比峰值信噪比(PSNR)提高了0.52~2.57 dB,在视觉上纹理细节更清晰。

基于有约束L_(1/2)范数稀疏正则化的声源识别方法

基于等效源法(equivalent source method,ESM)的近场声全息(near field acoustic holography,NAH)是一种有效的声源识别技术。然而,针对空间稀疏分布的声源识别问题,传统基于L_(2)范数以及基于L_(1)范数的ESM方法分别存在声源幅值被低估与算法稳定性差等问题。因此,提出了基于有约束L_(1/2)范数稀疏正则化的声源识别方法,该方法具有强稀疏性与强抗干扰的优势,可以解决传统方法的声源识别精度低的问题。通过数值模拟试验以及普通室内的实测实验,验证了方法的有效性。

基于L_(1)范数混合主动轮廓的河流SAR图像分割

为解决现有主动轮廓模型难以准确分割河流SAR图像的问题,提出一种基于L_(1)范数的混合主动轮廓模型。首先,计算轮廓曲线内外区域像素灰度的中值作为区域拟合中心,以抑制SAR图像中干扰区域对其准确性的影响;然后,利用L_(1)范数构建新的能量约束项并在模型能量泛函中引入边缘指示函数,进一步提升模型的分割性能;最后,将基于L_(1)范数的中值和均值能量约束项结合起来并添加额外的区域拟合中心约束项,以提高模型的整体稳定性。针对实际河流SAR图像进行分割试验,结果表明,与现有分割方法相比,本文模型能更准确、稳定地分割河流SAR图像。

基于L1范数统计的单纯形微震震源定位方法

针对经典定位方法中存在的求解系统发散、定位精度低和定位受微震台网影响大等问题,采用L1范数统计对微震震源定位进行残差分析,推导得到了基于L1范数统计的事件残差计算公式;提出了微震震源定位的误差空间概念,它的实质是微震监测区域中事件残差对震源定位误差的反映;将震源的时间维数从误差空间中分离出去,建立了基于L1范数统计的单纯形微震震源定位方法,该方法不仅对到时和波速等输入数据中误差较大的离群点具有较高的抗干扰性,而且在震源求解时不会发生发散问题,具有很好的稳定性和强健性;通过现场爆破实验对算法的优越性进行了验证。研究结果表明:基于L1范数统计的单纯形算法震源定位结果稳定,定位精度高;而且算法受震源和微震台网相对位置影响较小,能够有效抵抗微震台网扩散效应对震源定位的影响,保证了台网边缘或外部震源定位的稳定性和精度;另外它还能够降低微震台网在方向控制上对定位精度的影响,提高了垂直方向上的震源定位精度。

基于L1范数的瞬变电磁非线性反演

瞬变电磁反演存在高度的非线性特征,常用的最小二乘等线性反演方法往往对初始模型高度依赖,并且极易陷入局部最优解.本文基于观测数据与模拟数据的L1范数建立目标函数,采用模拟退火非线性全局最优化方法实现瞬变电磁一维反演.初始模型完全随机产生,通过指数函数退温机制模拟系统能量最小实现迭代,通过接收概率函数评价当前模型,实现局部最优解的跳出,最终实现全局最优化求解.通过数值算例发现,无论给定的反演层数等于还是大于设计模型,都可以获得较好的反演效果,因而可以在反演初始就设计较多的层数,实现反演模型的自动拟合;同时,利用含噪声数据反演进一步验证算法的稳定性.最后,对实测数据进行了反演测试,结果与钻孔编录基本一致,表明提出的基于L1范数的模拟退火反演可用于实测数据处理.

改进的1范数匹配滤波法及在南海深水盆地的应用

地震勘探中多次波的存在会影响速度模型的建立、地震成像效果、反演和解释过程中的介质属性提取等,因此多次波的压制成为至关重要的研究课题.本文采用改进的1范数匹配滤波法,基于1范数对大值条件的开放性,利用预测出的多次波模型Hilbert变换道及求导道,从理论上克服2范数的大值条件,并改善常规1范数下的正交性条件,在一次波和多次波叠合之处及能量差异大的情况下有效压制多次波.模型及南海深水盆地实际海洋地震数据的处理结果显示了改进的1范数匹配方法在压制多次波方面相对于常规2范数、1范数的优越性.

L_1-L_2范数联合约束的鲁棒目标跟踪

针对稀疏原型跟踪方法中未考虑正交模板系数的密集性的问题,本文提出一种L1-L2范数联合约束的鲁棒目标跟踪。首先,该方法建立基于L1-L2范数联合约束的目标表示模型,对PCA基模板系数和琐碎模板系数分别进行L2范数和L1范数正则化约束,不仅提高了跟踪的准确性,而且保证了对目标遮挡的鲁棒性;其次,针对目标表示模型的优化问题,运用岭回归和软阈值收缩方法快速迭代求解PCA基模板系数和琐碎模板系数;最后以粒子滤波为框架,利用目标未被遮挡部分的重构误差和稀疏噪声项建立观测模型,并结合提出的L1-L2范数联合约束的算法实现目标跟踪。实验结果表明,与5个现有的跟踪算法相比,本文的跟踪算法具有更好的准确性和鲁棒性。

基于L_1/L_2范数的表面多次波自适应相减方法

依据L1和L2范数自适应相减方法的特性,提出了联合L1/L2范数的表面多次波自适应相减方法,并引入GPU并行加速,在充分发挥两种方法优势的同时,有效缓解了两种自适应相减方法限制性条件引发的问题,在较短的时间内获得收敛的维纳滤波器,并且较好地拟合多次波模型和原始记录中的多次波。文中方法无需L2范数方法的假设条件,相比于L1范数方法提高了计算效率。理论模型和实际海洋地震数据测试表明,基于L1/L2范数的GPU并行加速的表面多次波自适应相减方法可有效压制地震数据中的表面多次波。

基于替代函数及贝叶斯框架的1范数ELM算法

针对极端学习机(Extreme learning machine,ELM)算法的不适定问题和模型规模控制问题,本文提出基于1范数正则项的改进型ELM算法.通过在二次损失函数基础上引入1范数正则项以控制模型规模,改善ELM的泛化能力.此外,为简化1范数正则化方法的求解过程,利用边际优化方法,构建适当的替代函数,以便于采用贝叶斯方法代替计算复杂的交叉检验方法,并实现正则化参数的自适应估计.仿真结果表明,本文所提算法能够有效简化模型结构,并保持较高的预测精度.

基于l_1范数的电容层析成像图像重建算法

传统电容层析成像(electrical capacitance tomography,ECT)系统图像重建算法一般基于l2范数优化方法,其解具有一定的平滑性。文中引入l1范数同时作为数据项和正则化项,将问题转化为凸优化问题,采用原始–对偶内插点法(primal-dual interior-point method,PDIPM)进行数值计算,并对数据项和正则化项分别取l2范数或l1范数的不同模型,通过重建图像质量、迭代次数、求解时间和图像相对误差等评价指标进行比较。算法采用仿真数据和实际气固两相流实验数据进行评估。实验结果表明,该模型可以避免图像的过度平滑,能够对物场中不同介质有效区分,重建质量较好。

基于L1范数的低场核磁共振T_2谱稀疏反演方法

低场核磁共振技术(LF-NMR)以其无损、非侵入、原位和绿色等优势被广泛应用在食品、农业、能源和化工等行业,尤其是在食品安全监管领域发挥着越来越重要的作用.在油品品质检测中,常规非负奇异值分解(SVD)弛豫(T_2)谱反演方法,只能反映光滑模型的T_2谱,对于稀疏模型的反演结果存在较大差异,从而导致T_2谱反演分辨率低和品质分析不准确的问题.针对这一问题,本文提出基于L1范数最小化约束的T_2谱稀疏反演算法,建立NMR回波曲线的稀疏模型表达式,利用截断牛顿内点法求解L1范数最小化问题,得到稀疏模型的T_2谱反演结果.通过构造光滑模型的T_2谱、以及不同峰值数和信噪比的稀疏模型的T_2谱,对比非负SVD算法和L1稀疏算法的反演效果,得到当信噪比大于20 d B时,L1稀疏算法能精确反演多峰T_2谱,峰值幅度和峰位置均优于非负SVD算法结果.最后通过多组煎炸油样品进行低场核磁共振检测实验和不同信噪比数据的反演结果对比,验证了L1范数稀疏反演算法的准确性和优越性.

l_1范数最近邻凸包分类器在人脸识别中的应用

l1范数作为重要的距离测度,在模式识别中有着较为广泛的应用。在不同的范数定义下,相同分类机理的分类算法一般会有不同的分类效果。本文提出l1范数下的最近邻凸包人脸识别算法。该算法将最近邻凸包分类算法的范数定义由l2范数推广到l1范数,以测试点到各训练类凸包的l1范数距离作为最近邻分类的相似性度量。在ORL标准人脸数据库上的验证实验中,该方法取得了良好的识别效果。

基于1范数正则化的模型修正方法在结构损伤识别中的应用

以基于灵敏度分析的有限元模型修正方法为基础,提出了一种基于1范数正则化过程的结构损伤识别方法。通过与以Tikhonov正则化为代表的二次型正则化过程相比较,本文的理论分析表明1范数正则化方法在迭代计算过程中能根据上一迭代步损伤识别结果自适应地调整正则化项中的损伤参数权系数,从而显著改善了Tikhonov正则化识别结果过度光滑的缺陷,更利于识别结构的局部损伤。为解决引入1范数造成的数值计算困难,文中还对基于1范数正则化的模型修正算法进行了改进。以二维框架模型为例的损伤识别数值模拟表明:1范数正则化方法与模型修正方法相结合可以有效抑制实测模态参数中噪声的影响,体现出较好的鲁棒性;在模态噪声水平达到10%的情况下,仍能有效抑制噪声干扰,凸显结构局部损伤位置,准确识别损伤程度。

L1范数正则化SVM聚类算法

提出L1范数正则化支持向量机(SVM)聚类算法。该算法能够同时实现聚类和特征选择功能。给出L1范数正则化SVM聚类原问题和对偶问题形式,采用类似迭代坐标下降的方法求解困难的混合整数规划问题。在多组数据集上的实验结果表明,L1范数正则化SVM聚类算法聚类准确率与L2范数正则化SVM聚类算法相近,而且能够实现特征选择。

基于l_1范数最小化的非流形曲线族重构

从散乱点集重构曲线族在计算机视觉、逆向工程和医学图像处理等方面有着广泛的应用,非流形曲线族重构是其中的难点问题.文中在压缩传感理论基础上,提出一种基于l1范数最小化的非流形曲线族重构方法.该方法首先将散乱点集的法矢和位置信号表示为稀疏形式,通过l1范数优化方法,重建法矢信号和位置信号;之后,根据重建的法矢和位置计算点集的双边权,在此基础上构建最小生成树(Minimum Spanning Tree,MST)来重构曲线族;最后通过后处理过程,完成对重构曲线族的开闭处理.实验表明,该算法能处理包含开、闭曲线,流形、非流形曲线,以及具有尖锐特征的曲线等复杂情况的曲线族,并且对噪声较鲁棒.

基于L1范数稀疏距离测度学习的单类分类算法

已有单类分类算法通常采用欧氏测度描述样本间相似关系,然而欧氏测度有时难以较好地反映一些数据集样本的内在分布结构,为此提出一种用于改善单类分类器描述性能的高维空间单类数据距离测度学习算法,与已有距离测度学习算法相比,该算法只需提供目标类数据,通过引入样本先验分布正则化项和L1范数惩罚的距离测度稀疏性约束,能有效解决高维空间小样本情况下的单类数据距离测度学习问题,并通过采用分块协调下降算法高效的解决距离测度学习的优化问题.学习得到的距离测度能容易地嵌入到单类分类器中,仿真实验结果表明采用学习得到的距离测度能有效改善单类分类器的描述性能,特别能够改善覆盖分类的描述能力,从而使得单类分类器具有更强的推广能力.

基于神经网络的线性电路故障诊断非线性L1范数优化方法

本文提出了一个新的模拟电路故障诊断非线性L1范数优化方法。在BanderL1范数代化方法[1-3]基础上增加辅助变量即将电路不可及节点电压增量做为辅助优化变量，构造一个新的故障诊断非线性约束L1范数优化问题，由一次最优化过程得到的解定位最可能故障元件；并应用Hopfield网络原理来处理该L1范数问题。提出了计算元件参数增量的神经网络及其（MO，MI）OTA－C实现。故障诊断实例和计算机模拟结果表明所提方法是可行的。

一种基于L1-L1范数稀疏表示的地震反演方法

高分辨率地震反演面临着:①地震反演是一个不适定问题,存在多解性;②采集和处理流程产生噪声和畸变降低反演算法的稳定性,针对这两个问题,提出一种基于L1-L1范数稀疏表示的地震反射系数反演方法。该方法利用L1范数正则化项降低反演多解性和L1范数拟合项增加噪声鲁棒性。通过井震联合提取子波构建过完备楔形子波字典,然后用L1-L1范数稀疏表示对地震信号进行稀疏分解,实现高分辨率反射系数反演。楔形模型和实际地震资料试算结果表明,该反演算法稳定,具有良好的噪声鲁棒性,通过测井资料标定检验,其反演结果准确可信。

基于平滑渐进l_1范数的压缩感知信号的重构算法

信号重构是压缩传感领域中的研究方向之一。针对基于l1范数在信号重构中存在不光滑、可导性差等缺点,构造一种基于l1范数平滑渐进函数。并对该函数的单调性和最优解序列收敛性进行证明。在仿真实验中,通过实例验证该算法的有效性。与经典重构算法在重构指标方面进行比较,实验效果证明该算法的重构效果更好,并且误差小、精度高。