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_(1/2)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L_(1/2)正则化的抛物线Radon变换多次波压制方法

在地震数据处理中,多次波的存在会对地震数据成像和地震资料解释带来影响,如何有效地压制多次波干扰是地震勘探中的重要问题。抛物线Radon变换因其高效的特点被广泛应用于多次波压制中,但在野外地震数据采集时,炮检距的有限性会导致变换域中的能量扩散,产生假象,使多次波压制达不到理想的效果。针对此问题,提出一种基于L_(1/2)正则化的稀疏反演高分辨抛物线Radon变换,并应用广义迭代收缩算法(generalized iterated shrinkage algorithm,GISA)进行求解。研究结果表明,L_(1/2)正则化有很强的稀疏约束能力,能提高解的稀疏度,改进信噪分离的效果。与最小二乘反演和基于L_(1)正则化的稀疏反演相比,基于L_(1/2)正则化的稀疏反演高分辨抛物线Radon变换能更有效地压制多次波,并确保了重构数据与原始数据的一致性。

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。

腰丛-坐骨神经及L_(1)~L_(2)椎旁神经阻滞复合全身麻醉在老年股骨颈骨折手术中的应用效果及对血流动力学的影响

目的:探讨腰丛-坐骨神经及L_(1)~L_(2)椎旁神经阻滞复合全身麻醉在老年股骨颈骨折手术中的应用效果及对血流动力学的影响。方法:选取2020年1月—2021年1月丹江口市第一医院收治的80例老年股骨颈骨折患者,使用随机数字表法分为复合全麻组及喉罩全麻组,各40例。复合全麻组接受腰丛-坐骨神经及L_(1)~L_(2)椎旁神经阻滞复合全身麻醉,喉罩全麻组接受喉罩全身麻醉。对比两组麻醉效果指标、血流动力学参数、应激反应指标及认知功能指标。结果:复合全麻组的感觉阻滞起效时间、运动阻滞起效起效时间、最大运动阻滞时间均短于喉罩全麻组,最大感觉阻滞时间、感觉阻滞持续时间、运动阻滞持续时间均长于喉罩全麻组(P<0.05)。麻醉前,两组收缩压(SBP)及心率(HR)比较,差异均无统计学意义(P>0.05);麻醉后10、30 min及麻醉结束时,复合全麻组SBP、HR均高于喉罩全麻组(P<0.05)。麻醉前,两组去甲肾上腺素(NE)、醛固酮(ALD)及血浆肾素活性(PRA)比较,差异均无统计学意义(P>0.05);术后,两组NE、ALD及PRA水平均升高,但复合全麻组均低于喉罩全麻组(P<0.05)。术前,两组简易精神状态检查(MMSE)各项评分比较,差异均无统计学意义(P>0.05);术后,两组MMSE各项评分均降低,但复合全麻组均高于喉罩全麻组(P<0.05)。结论:在老年股骨颈骨折手术中应用腰丛-坐骨神经及L_(1)~L_(2)椎旁神经阻滞复合全身麻醉,麻醉效果优异,对血流动力学及认知功能的影响较小,且可减轻应激反应。

基于L_(1)范数振动传递率的梁构件损伤识别研究

基于传递率函数在频域给定结构各测点输出响应间的函数关系而无需测量结构输入荷载信息的特点,提出了L_(1)范数归一化传递率函数结构损伤识别方法。首先,对加速度响应数据频域分析构建传递率函数矩阵,通过主成分分析法实现传递率频域特征的降维,提取与梁结构损伤特征高度相关的特征,以不同状态下的主成分有无发生偏离为依据来判断结构是否发生了损伤;其次,结构如果发生损伤,其损伤前后的传递率函数会发生变化;最后,将传递率函数进行L_(1)范数归一化,构建L_(1)范数归一化传递率函数损伤指标。数值仿真和试验结果表明,该方法可有效识别结构不同的损伤位置及程度,识别精度高,具有一定的噪声鲁棒性。

基于L_(2,1)范数正则化矩阵分解的图像结构化噪声平滑算法

图像去噪是数字图像处理的必要环节,对后续图像处理、分析和应用的效果有重要影响。现有基于稀疏低秩矩阵分解的图像去噪算法虽然在处理高斯、椒盐等均匀随机噪声时效果良好,但无法有效处理实际应用中可能遇到的结构化噪声问题。针对该缺陷,本文引入L_(2,1)范数将结构化噪声情形下的图像去噪问题建模为一类L_(2,1)范数正则化矩阵分解问题,并由此提出一种基于L_(2,1)范数正则化矩阵分解的图像结构化噪声平滑算法(L21NRMD)。仿真实验结果表明,在基本保持椒盐噪声去除效果的前提下,该算法可有效去除不同比例的结构化噪声,PSNR性能指标值介于69-80dB之间,差错率为0.06-0.14,较现有算法具有更好的适应性和更广的应用范围。

l_(1)-αl_(2)最小化模型下不同噪声的误差估计

压缩感知主要是考虑从较少的采样数据中以高概率精确地重构原高维稀疏信号.基于l_(1)-αl_(2)(0<α≤1)最小化模型,大多数文献研究信号的重构问题,而对于图像重构方面很少研究,尤其对于高斯噪声和l_(∞)-有界噪声下的图像重构.根据测量矩阵的约束等距性得到这两种噪声下图像重构的误差估计.

基于l_(1)-αl_(2)(0<α≤1)最小化的仿射相位恢复

仿射相位恢复是利用先验信息从仅限幅值测量中恢复未知信号的问题.利用l_(1)-αl_(2)(0<α≤1)最小化模型,研究如何稳定的重建稀疏的未知信号,当测量矩阵满足一定的强约束等距性质时,证明未知信号x∈ℝ^(n)可以被稳定的恢复出来.重点讨论l_(2)有界噪声和Dantzig Selector噪声情况下的恢复条件.

基于L_(1−2)时空域总变分正则项的红外弱小目标检测算法

针对红外图像序列中复杂背景干扰下容易出现的高虚警问题,提出一种基于L_(1-2)时空域总变分正则项的红外弱小目标检测算法。首先,将红外图像序列转化为时空域红外张量块,该步骤可利用张量的高维数据结构优势关联图像序列中的时空域信息。然后,利用加权Schattenp范数和L_(1-2)时空域总变分正则项对低秩背景成分进行重构,以保留背景中起伏剧烈的边缘和角点,提高稀疏目标的重构精度。最后,将目标张量恢复为图像序列,利用自适应阈值分割方法得到最终的目标图像。与另外5种检测算法进行对比实验,结果显示,该方法的虚警率较Maxemeidan算法、Tophat算法、LIRDNet算法、DNANet算法以及WSNMSTIPT算法平均分别下降了71.4%、71.1%、68.5%、74.3%和20.47%;而在检测实时性方面,该算法耗时为Maxemeidan算法、DNANet算法以及WSNMSTIPT算法的42.4%、82.9%和28.7%。实验结果验证了该方法在检测性能上的优越性,表明该算法能够显著提高复杂背景干扰下的目标检测精度和效率。

基于l_(1)-l_(2)范数的高分辨率时频分析方法及应用

本研究提出一种基于l_(1)-l_(2)范数的稀疏约束类时频分析方法,以提高信号时频分析的精度.稀疏约束类时频分析方法通过窗口类时频分析的逆变换构造反演方程,使用稀疏范数约束每个时间点的频谱,从而提高时频谱的分辨率;常用约束包括l_(1)范数、l_(p)范数等,近几年l_(1)-l_(2)范数被证明稀疏约束能力强于l_(p)范数,被广泛的应用于地震数据处理高分辨率、反演等问题中.本文基于压缩感知理论,使用l_(1)-l_(2)范数约束频谱,基于交替方向乘子法(ADMM)进行反问题的求解,得到基于l_(1)-l_(2)范数的高分辨率时频分析方法,并将其应用于地震频散属性的计算中.模型分析表明,本研究提出的基于l_(1)-l_(2)约束时频分析具有高时频聚焦性,高抗噪性,适用于地震信号的时频分析.实际数据表明,基于l_(1)-l_(2)范数的时频分析具备高时频分辨率,联合纵波频散属性,使得该方法可以清晰刻画储层的范围,准确指示气藏.

基于L_(1/2)范数的单比特SAR成像重建算法

单比特技术在合成孔径雷达成像上具有良好的抗噪性,大多数单比特重建算法使用L_(1)或L_(2)范数作为稀疏正则化。文中提出了能获得更好稀疏解的L_(1/2)范数,使用交替方向乘子法对回波信号进行重构,通过仿真实验和实际回波图验证了其性能。相较于固定阈值,变阈值能保留目标反射系数的一部分幅值信息,因此文中进一步使用了自适应阈值来最大程度地接近回波数据。仿真结果显示:与时变阈值算法相比,恢复出的图像与原图像的误差更小,并且在L_(1/2)范数下具有更加明显的效果,在低信噪比时,自适应阈值相较于时变阈值也展现出了更好的性能。

基于自适应分块和联合优化光滑l_(0)范数的二维压缩感知算法

传统的压缩感知模型和重构方法,虽能有效减少数据量,但压缩和重构性能不佳,故该文提出一种基于自适应分块和联合优化光滑l_(0)范数(SL0)的2维压缩感知算法。压缩过程利用灰度熵和四叉树算法进行自适应分块和采样率分配,同时对压缩模型改进,使用混沌循环矩阵作为测量矩阵,提升了压缩性能。重构过程基于SL0算法,采用陡峭性更高的拟合函数,结合拟牛顿法和动态迭代的方案提高重构质量和效率。该算法峰值信噪比和结构相似性指数相比现有算法平均提升了5.44 dB和21.08%,平均计算时间仅需1.59 s,表明该算法能稳定、快速地实现图像的压缩感知和精确重构,为压缩感知和图像重构提供了新方法。

结合l_(1/2)范数与显著性约束的背景减除

传统背景减除模型在背景静止和前景对象移动较快时提取到的前景效果较好,但当背景变化或前景对象移动缓慢时容易将动态背景误判为前景或检测出的前景有较多空洞。针对传统背景减除模型在动态背景和前景对象移动缓慢条件下存在前景检测精度下降的问题,提出一种基于l_(1/2)范数与显著性约束的背景减除模型。将观测数据分为低秩背景、运动前景和动态干扰3类,利用l_(1/2)范数约束运动前景加强前景稀疏性,有效抑制动态背景对前景提取造成的干扰,提高运动前景在动态背景中的检测精度。引入视频每一帧的显著性约束,通过对每一帧图像进行低秩稀疏分解来检测移动缓慢的目标。实验结果表明,该模型对于复杂场景具有较强的适应能力,可有效去除动态背景对前景的干扰,快速检测出移动缓慢的前景对象,相比于l_(1/1/2)-RPCA背景减除模型的平均查全率、查准率和调和平均值分别提升了9、14和10个百分点。

基于压缩感知的反射系数域沿层L_(2)范数约束去强屏蔽方法

常规的压缩感知方法均是基于反射系数稀疏反演提高地震资料分辨率,而对于强屏蔽层信息和储层弱信息耦合叠加情况而言,效果并不理想,原因在于在剥离强反射层的同时往往会损失弱反射层的信息,从而不能有效预测储层。为此,基于压缩感知稀疏表示能力强的特点,利用反射系数域分辨率高和不存在子波重叠的优势,提出了基于压缩感知的反射系数域沿层L_(2)范数约束去强屏蔽方法。该方法基于压缩感知理论,首先根据时域反射系数域稀疏特性,利用沿层信息分离强屏蔽层与储层,再进行稀疏反演,最后将去强屏蔽后的反射系数与原子波褶积,从而获得去强屏蔽层的高分辨率结果。其优势在于高分辨率的反射系数能够分离强屏蔽层与储层的信息,有利于拾取和剥离强屏蔽层。模型测试和实际地震资料的应用表明:利用所提方法可以精准分离强屏蔽层反射信息与储层弱反射信息,提高储层识别精度;在剥离强屏蔽层的时频切片上,可以看见表征储层的弱能量团,并出现低频伴影现象;在剥离强屏蔽层的沿层能量半时属性切片上,能量半时属性与滩坝砂体储层的相关性较好,可以有效识别有利储层区域。

通过混合l_(2)/l_(1)范数最小化实现块稀疏信号恢复

块稀疏信号恢复问题在很多领域都有非常重要的应用.将Karmalkar用于处理稀疏信号问题的方法推广至块稀疏信号,研究带噪声的块稀疏信号恢复问题,通过混合l_(2)/l_(1)范数最小化和高斯矩阵的性质,可以得到最小测量误差,精确地恢复块稀疏信号.

基于l_(1)-l_(2)最小化的部分支集已知的信号重建

压缩感知是近几年应用数学范畴较为热门的前沿课题,是一种新型的采样理论,主要是考虑从较少的线性测量中利用信号自身的各种先验信息来恢复高维稀疏信号.文章通过l_(1)-l_(2)最小化方法对部分支集已知的信号提出了重建的一个新的充分条件,并得到信号恢复稳定和鲁棒的误差估计.

基于L_(1-2)正则化的地震波阻抗“块”反演

波阻抗反演技术已经相当成熟,但仍然存在反问题的不适定性、反演的分辨率低以及对地层边界刻画不清晰等问题。为此,提出基于L_(1-2)正则化的地震波阻抗“块”反演方法。在前人的基础上,将L_(1-2)正则化引入基于模型的波阻抗反演,通过借鉴全变分正则化的思想,利用叠后地震数据直接获得波阻抗反演结果。首先,推导线性化的波阻抗正演近似公式并分析精度;然后,基于贝叶斯理论,引入L_(1-2)正则化构建波阻抗反演的目标函数,利用迭代重加权最小二乘算法求解目标函数,获得波阻抗反演结果。由于波阻抗反演为单道反演算法,反演多道数据时道与道之间会产生空间不连续现象,因此对反演结果执行f-x域空间预测滤波改善由噪声和单道反演算法带来的空间不连续性。相关系数的定量对比证明了基于L_(1-2)范数的反演结果优于基于L1范数和L2范数。合成数据和实际资料反演验证了所提方法的有效性和可行性。

基于加权l_(1)范数优化的双基地ISAR稀疏成像算法

针对低信噪比条件下实现双基地逆合成孔径雷达(inverse synthetic aperture radar,ISAR)稀疏孔径成像时重构质量较差的问题,提出了一种基于加权l_(1)范数优化的高分辨成像算法。首先,假设各像元稀疏非同分布,利用贝叶斯准则和最大后验概率估计将双基地ISAR稀疏孔径成像问题转化为加权l_(1)范数约束问题,建立成像模型;然后,利用柯西-牛顿算法进行加权l_(1)范数约束最优化问题的求解,实现目标图像重构。由于假设各像元独立非同分布,故通过像元加权的方式更好地利用了目标的能量聚集和结构特性,提高了成像质量。最后,仿真实验验证了算法的有效性和优越性。

基于重加权l_(1)范数的边缘保持图像平滑算法

边缘保持图像平滑是很多计算机视觉和图形学算法的关键步骤,基于l_(1)范数的边缘保持图像平滑算法是现有算法中性能较好的一种,但是该算法的平滑结果中仍然存在很多未被平滑的纹理。为了改进算法的平滑结果,提出了一种新的基于重加权l_(1)范数的边缘保持图像平滑算法,该算法将原始的基于l_(1)范数的图像平滑算法与重加权l_(1)范数最小化相结合,通过使用重加权方法使得解更加稀疏;并通过实验对该算法的性能进行了验证。结果表明:和基于l_(1)范数的图像平滑算法以及一些最新的图像平滑算法相比,文中提出的算法可以更加有效地平滑图像,平滑结果中仅有很少的纹理残留;采用重加权l_(1)范数可以改进现有的基于l_(1)范数的图像平滑算法的图像平滑结果。