压缩感知框架下基于K-奇异值分解字典学习的地震数据重建

针对地震勘探中由于采集成本及采集环境等诸多因素导致地震数据不完整或者不规则问题,本文提出了一种压缩感知框架下基于K-奇异值分解(K-SVD)字典学习的地震数据重建算法。基本思路是首先对大量地震样本数据进行K-SVD字典训练得到超完备字典,然后引入缺失地震数据的采样矩阵作为测量矩阵。在重建阶段则采用正则化正交匹配追踪(ROMP)实现缺失地震数据的恢复。与传统的基于Curvelet变换或基于傅里叶变换等地震数据重建算法采用单一基函数不同,本文引入的超完备字典能够自适应地根据训练样本数据进行特征提取,并能根据待处理数据的本身特点自适应选取变换基函数。超完备字典为地震数据自适应稀疏扩展提供了更大灵活性,有利于更好地重建数据。合成地震数据以及实际海洋数据重建实验验证了本文算法的可行性及有效性。

基于集合经验模式分解和K-奇异值分解字典学习的滚动轴承故障诊断

针对经典K-奇异值分解算法构造的字典中原子形态受噪声、谐波干扰影响,进而降低冲击故障特征提取精度的问题,提出了基于集合经验模式分解和K-奇异值分解字典学习的冲击特征提取方法。该方法首先利用集合经验模式分解与Hurst指数对振动信号进行预处理,剔除谐波干扰;其次,利用经典K-奇异值分解算法和预处理信号构造超完备字典;然后,利用K-均值聚类算法对字典中的原子进行筛选;最后,利用正交匹配追踪算法实现冲击故障特征的稀疏表示。实验分析和工程应用验证了所提方法的有效性和实用性。

一种改进K-奇异值分解稀疏表示图像去噪算法

为解决传统K-奇异值分解(K-SVD)算法字典训练耗时过长以及低信噪比情形下去噪效果不佳的问题,提出了一种改进算法。首先将原始含噪图像进行高低频分离,然后对图像的高频部分使用基于残差比阈值的批量正交匹配追踪算法(Batch-OMP)实现稀疏重构,最后将图像的高低频部分叠加完成最终的去噪。实验结果表明,相较于小波变换去噪、DCT稀疏表示去噪以及传统K-SVD稀疏表示去噪,改进的算法能够更好地保留图像的边缘轮廓信息,并且去噪时间明显缩短。

基于K-奇异值分解和层次化分块正交匹配算法的滚动轴承故障诊断

利用层次化分块正交匹配算法(HBW-OOMP)的高稀疏性和运算速度快等优点,提出了一种基于K-奇异值分解(K-SVD)字典和HBW-OOMP算法的故障轴承诊断方法。首先利用K-SVD自学习训练方法得到包含冲击成分的冗余字典,克服了固定结构字典适应性不强的缺点。然后采用基于分块思想的HBW-OOMP算法进行原子的选取和稀疏系数的求解,以重构信号包络谱峭度最大为终止条件,自适应确定分解次数。最后应用所提方法对仿真信号和故障轴承实验信号进行故障特征提取,结果表明该方法能够有效提取强背景噪声下故障特征成分,具有一定的应用前景。

改进的K-奇异值分解图像去噪算法

针对传统的K-奇异值分解信号利用率不足,采用了稀疏贝叶斯学习预处理图像信号;将正交匹配追踪与改进之后的最速下降理论相结合;因噪声原子存在于字典更新之后得到的字典中,所以结合Bartlett检验法将噪声原子裁剪掉。实验结果表明,此方法相对于小波阈值去噪法、基于离散余弦变换字典稀疏表示等去噪方法能够更好地滤除噪声,保留图像边缘信息,获得更高的峰值信噪比,得到图像视觉效果更佳。

基于K-奇异值分解字典学习的振动信号压缩感知方法

针对在齿轮箱的状态监测和故障诊断过程中传统的奈奎斯特采样定律采集到的振动信号数据量过大的问题,提出基于K-奇异值分解(K-SVD)字典学习的振动信号压缩感知(CS)方法,以实现对振动信号的高效压缩采样;在实验中分别将基于K-SVD训练生成的2种字典和离散余弦变换(DCT)固定字典用于信号的重构,并对其结果进行对比分析。实验结果表明,在相同压缩率时,与DCT固定字典相比,本文中所提出的方法能有效地提高重构信号的相似度。

基于K-SVD的偏微分方程模型在毫米波图像恢复中的应用

在图像被大噪声污染或具有较低分辨率时,传统的偏微分方程(PDE)模型的稳态解会产生明显的阶梯效应,恢复图像质量较差。针对此缺点,提出了一种新的基于K-奇异值分解(K-SVD)的PDE图像恢复方法,并应用于毫米波(MMW)图像的恢复。K-SVD是一种图像稀疏表示方法,对图像进行稀疏估计的同时实现去噪,对噪声方差较大的图像具有较好的去噪鲁棒性。首先采用K-SVD对MMW图像进行去噪,对去噪图像再应用全变分(TV)模型的PDE方法进行恢复。对所提出的算法分别使用模拟的MMW图像和真实的MMW图像进行测试,并进一步和K-SVD、PDE方法比较,同时使用峰值信噪比(PSNR)对恢复图像进行评价。根据不同噪声方差下的PSNR数据和恢复图像的视觉效果,实验结果证明了所提方法能够有效地恢复MMW图像。

基于小波变换和K-SVD的应急广播语音压缩方法

针对应急广播中语音传输效率低的问题,提出了一种基于小波变换和K-奇异值分解(K-SVD)的语音压缩方法,以提升应急广播信息传输的时效性。首先,该方法舍弃语音小波分解得到的高频分量,在小波合成时用随机信号代替;其次,在低频分量的压缩感知过程中,用K-SVD字典学习算法训练的过完备字典对其稀疏表示;最后,采用改进的基于子空间回溯的广义正交匹配追踪算法重构信号。实验结果表明,在压缩效率为50%时,该方法重构应急广播语音的客观语音质量评分(PESQ)达到3.717,比其他对照算法分别提升了3%~47%,说明在保证压缩效率的同时,所提出的方法能提升应急广播语音重构质量,确保应急广播的传输时效性。

基于改进的K-SVD和VMD的轴承故障特征提取方法

轴承作为旋转机械的核心零部件,在工作过程中易受其他部件影响,造成多部件耦合振动,产生的故障信号呈现非线性、非平稳特征,使得与故障信息相关的周期性冲击成分混入大量的背景噪声。传统K-奇异值分解(K-SVD)在字典学习过程中易受噪声干扰,难以确定初始化字典和迭代次数,导致稀疏表示效果较差,无法有效地提取故障特征。针对以上问题,提出了基于改进的K-SVD和变分模态分解(VMD)的轴承故障特征提取方法。通过VMD对隐藏的故障特征进行提取,根据原始数据构造与故障冲击成分高度匹配的初始化字典,选用包络谱峭度作为K-SVD中迭代次数的判断准则,通过包络分析诊断故障类型。该方法成功应用于两个案例中,与传统K-SVD相比,在稀疏表示效果、故障提取能力和运行时间上均有优势。

基于VMD和K-SVD字典学习的供水管道泄漏振动信号压缩感知方法

针对供水管道泄漏振动信号在分析型字典下进行压缩感知时,信号的重构均方误差较大和不能保留信号中重要泄漏信息的问题,提出了基于变分模态分解(VMD)和K-奇异值分解算法(K-SVD)的供水管道泄漏振动信号压缩感知方法。首先,利用VMD算法将管道泄漏振动信号分解若干个本征模态函数(IMF),并对IMF分量进行互相关性分析;然后,选取最优模态分量,构成最优模态集,再借助K-SVD学习算法训练过完备字典;最后,选择高斯随机矩阵为观测矩阵和重构算法为正交匹配追踪算法(OMP)对管道泄漏振动信号进行压缩感知。实验结果表明,基于VMD-K-SVD稀疏表示构造的过完备字典的压缩感知方法与基于FFT正交基、DCT正交基、K-SVD的压缩感知方法相比,在压缩率为50%~89.5%下重构均方误差更小和互相关系数更高,且在相同压缩率下得到的重构信号的互相关延时估计定位误差的平均值分别降低80.12%、64.2%、61.38%。因此,所提的压缩感知方法具有较好的重构性能和稀疏性。

一种基于K-SVD的说话人识别方法

为了充分提取语音中的个人特征信息,类比矢量量化,提出了一种基于K-均值奇异值分解(K-SVD)的说话人识别方法。利用K-SVD训练得到的字典可较好地保存语音信号中的个人特征信息。利用这一特性,通过K-SVD从训练数据中提取包含说话人个人特征信息的字典,利用该字典实现说话人识别。相对于传统方法,该方法能够更好地利用语音的稀疏性保存语音中的个人特征信息并减小重构误差。实验仿真结果表明,与基于矢量量化的说话人识别方法相比,该方法在多说话人的情况下具有更好的识别率,具有更高的实用价值。

基于K-SVD-OMP和KELM组合方法的短期光伏功率预测

针对光伏功率预测,提出一种基于稀疏表示的特征提取建模方法。首先,将所有影响光伏功率预测输出的因素作为模型的输入,将模型输入构成的数据向量作为初始字典,由K-均值奇异值分解(K-mean singular value decomposition,K-SVD)算法进行稀疏分解与变换,得到学习后的字典。其次,由正交匹配追踪(Orthogonal matching pursuit,OMP)算法获取相应的稀疏编码向量,再将其作为核极限学习机(Kernel extreme learning machine,KELM)的模型输入,以构建全局回归模型。为了验证K-SVD-OMP和KELM组合方法的有效性,将所提出的方法应用于光伏功率预测实例中,在相同条件下,与KELM、SVM、ELM等方法进行了比较。实验结果表明,不同的稀疏表示建模组合方法均可以达到好的预测效果,其中K-SVDOMP和KELM的组合方法可以给出更好的预测结果与精度。

MCA框架下K-SVD构建字典对地震信号去噪与重建

针对由于地震信号采集环境的复杂性带来的采样信号不完整,存在大量噪声等情况,对采集的叠前地震信号进行去噪和重建。在传统的K-奇异值分解(K-singular value decomposition,K-SVD)建造冗余字典的压缩感知重建的基础上,提出了基于形态分量分析(morphometric principal components analysis,MCA)的K-SVD地震信号的去噪与重建。即使用MCA对地震信号的结构和平滑部分进行分类,并针对上述两种类别分别构建由K-SVD算法计算的冗余字典,将两种类别分别置于不同字典中进行去噪与重建。与传统的方法相比,该方法在减少了地震信号采集的成本和难度的基础上,精确辨别地震信号细节,并取得良好的去噪效果。

基于K-PSO稀疏表示的故障分类方法研究

针对现代复杂生产过程中不能准确识别、分类多种故障的问题,提出一种改进的稀疏表示故障分类方法。该方法依据信号的稀疏表示来判断故障所属类别。其具体实现过程首先是利用K-均值奇异值分解(K-SVD)算法构造过完备字典,使其包含原信息的主要特征,再通过粒子群(PSO)算法有效地搜索并寻找稀疏分解中产生的在过完备字典范围中的最匹配原子,最后利用以该匹配原子为基础的稀疏表示结果实现对多故障问题的分类识别。运用数值仿真验证了该算法的可行性和有效性。同时,针对柴油机燃油系统的故障分类,将该方法与基于BP神经网络和SVM的分类识别方法进行比较,实验表明该算法在故障分类上具有更好的效果。

基于离散余弦变换的高光谱图像复原方法

为解决仪器自身性能和天气干扰等因素影响导致的高光谱图像质量退化问题,研究基于离散余弦变换的高光谱图像复原方法。使用反射光学系统成像光谱仪采集高光谱图像,将主成分分析和K-奇异值分解模型相结合,消除采集的高光谱图像中的噪声,依据消噪后高光谱图像,通过离散余弦变换处理高光谱图像,按频率分量划分出图像特征,使用局部线性插值算法计算最大分量,实现超低分辨率的高光谱图像复原。实验结果表明:该方法在高光谱图像所含噪声密度不同的条件下,均能表现出较优良的去噪能力;该方法在有效提升高光谱图像分辨率的同时,还能复原扭曲区域和暗角区域信息;在高光谱图像分块时,将图像块尺寸设置为8,可获得更理想的高光谱图像复原效果。

基于CNN的零样本城市遥感影像场景分割算法

针对观测数据的零样本遥感影像场景分割时,因不存在相应的参照物,造成分割耗时长,精确率较低等问题,提出了基于卷积神经网络的零样本城市遥感影像场景分割算法。采用主成分分析方法与K-奇异值分解方法对遥感影像去噪处理,抑制斑块效应;将去噪后影像输入Retinex增强算法中,进一步提升零样本城市遥感影像增强效果;采用均值漂移算法分割遥感影像场景获取其像素点之间关系,通过卷积神经网络完成零样本城市遥感影像场景精准分割。实验结果表明,该算法精确率高,召回率高,F-score率高,消耗时间短。

基于DTCWT和稀疏表示的红外偏振与光强图像融合

针对红外偏振与光强图像彼此包含共同信息和特有信息的特点,提出了一种基于双树复小波变换和稀疏表示的图像融合方法.首先,利用双树复小波变换获取源图像的高频和低频成分,并用绝对值最大值法获得融合的高频成分;然后,用低频成分组成联合矩阵,并使用K-奇异值分解法训练该矩阵的冗余字典,根据该字典求出各个低频成分的稀疏系数,通过稀疏系数中非零值的位置信息判断共有信息和特有信息,并分别使用相应的规则进行融合;最后,将融合的高低频系数经过双树复小波反变换得到融合图像.实验结果表明,本文提出的融合算法不仅能较好地凸显源图像的共有信息,而且能很好地保留它们的特有信息,同时,融合图像具有较高的对比度和细节信息.

基于稀疏分解的振动信号数据压缩算法

针对齿轮传动装置在状态监测与故障诊断过程中面临的大量振动信号传输困难问题,提出利用K-SVD算法进行信号的稀疏分解,进而完成对大量振动数据的压缩。传统K-SVD算法在字典更新过程中对时间的消耗量较大,特别是在大量振动数据压缩过程中,对数据压缩效率较低,为此提出一种K-SVD字典更新的改进算法。改进算法从单次迭代过程中参与更新的字典原子列数出发,每次奇异值分解后对多列字典原子同时进行赋值,从而减少单次迭代计算量。根据不同原子列数在稀疏分解过程中的迭代收敛次数、时间消耗与重构峰值信噪比,以此确定最佳的字典更新列数。实验结果表明:传统K-SVD算法对振动信号的数据压缩效率较低,改进算法能够在保证信号压缩比与重构效果的前提下,有效缩短训练字典的时间消耗。

基于压缩感知的稀疏度自适应图像修复

压缩感知理论利用信号的稀疏特性,能够以较少的采样数据恢复出完整的信号。本文基于压缩感知理论,提出一种稀疏度自适应图像修复算法。有别于传统的图像修复方法,本文首先根据大量样本数据进行K-奇异值分解(K-SVD)字典训练,用训练得到的超完备字典取代正交基函数;然后根据图像的退化模型对感知矩阵加以约束;最后针对二维破损图像稀疏度未知问题,在重构阶段提出了一种稀疏度自适应正则化正交匹配追踪算法(SA-ROMP)实现破损图像修复。本文引入的超完备字典能够自适应地根据训练样本进行特征提取,具有更强的稀疏表示能力。重构阶段的SA-ROMP算法在迭代过程中利用logistic回归函数获取阈值,再通过阈值对残差与感知矩阵的相关系数进行判定,能够自适应选择原子候选集的个数。图像修复实验结果验证了本文算法的可行性,并且修复效果明显优于其他同类算法。

基于过完备字典的缺失振动数据压缩感知重构算法

针对振动数据采集过程中由于设备短路或环境变化等诸多因素导致的数据丢失问题,提出了一种基于过完备字典的缺失振动数据压缩感知重构算法。首先利用K-奇异值分解算法对大量振动数据进行字典学习得到过完备字典,然后构建缺失振动数据的采样矩阵作为压缩感知框架下的测量矩阵。最后利用正则化正交匹配追踪算法完成缺失数据的重构。通过振动数据库数据和实测航空发动机振动数据实验表明,所提算法优于传统基于离散余弦变换和离散傅里叶变换的数据修复算法,同时具有一定的鲁棒性。