基于改进Laplace小波和改进卷积神经网络的压裂车动力端轴承故障识别

在强背景噪声工况下,压裂车动力端轴承振动信号故障特征较微弱,导致轴承故障诊断的准确率较低。针对这一问题,提出了一种基于改进Laplace小波(ELW)和改进卷积神经网络(ECNN)的压裂车动力端轴承故障识别方法。首先,采用了一种Laplace小波振荡频率参数选取策略,使Laplace小波搜寻到了最佳频率参数;然后,采用改进Laplace小波,对采集到的压裂车动力端轴承故障振动信号进行了降噪处理,并在卷积神经网络(CNN)的基础上引入了自注意力机制和编码器、解码器结构,设计出了改进卷积神经网络(ECNN)模型;最后,将压裂车动力端轴承降噪后的信号输入改进卷积神经网络,进行了自动特征提取和故障识别;为了验证该方法的有效性和先进性,将其与其他方法(模型)进行了对比分析。研究结果表明:采用基于改进Laplace小波与和改进卷积神经网络的方法(模型),对压裂车动力端轴承故障进行识别的准确率可高达99.67%,单个样本的测试时间仅为0.14 s;在识别准确率、召回率、F1得分和统计检验等方面,与其他方法(模型)相比,基于改进Laplace小波与改进卷积神经网络的组合模型具有更为优秀的故障识别性能。

稀疏性正则化的图像Laplace去噪及PR算子分裂算法

在Bayesian-MAP框架下,建立了针对Laplace噪声的稀疏性正则化图像去噪凸变分模型,模型采用L1范数作为数据保真项,非光滑的正则项约束图像在过完备字典下表示系数的稀疏性。进一步基于Peaceman-Rachford算子分裂算法,提出了数值求解该非光滑模型的多步迭代快速算法,通过引入保真项与稀疏性正则项的邻近算子,可将原问题转换为两个简单子问题的迭代求解,降低了计算复杂性。实验结果验证了模型与数值算法的有效性,本算法在摄像自动报靶系统中得到了应用。

改进Laplace的无人机图像边缘检测算法研究

当图像灰度发生急剧变化时,常规算法存在“阈值检测不敏感”的问题。针对这一问题,借鉴RGB三相分解变换的思路,基于Laplace算法基本原理,文中提出BRGB-ALaplace算法。该算法先进行图像增强,并用高斯滤波器平滑图像和抑制噪声;再对RGB 3个相位分量方向进行拉普拉斯模板锐化拉伸,对这3个分量进行相位重组,实现基于Laplace边缘检测,进而对Laplace算法进行改进;最后,选取第三次全国土地调查中无人机外业举证脱敏图像进行实验,将提出的改进算法与常规算法进行检测效果比较,并开展有无噪声两种情况下的实验对比分析。实验结果评估显示,文中提出的BRGB-ALaplace算法边缘检测效果更好,所获得的峰值信噪比(PSNR)高于常规算法,且均方根误差(MSE)更小,算法也具有更好的鲁棒性。试验结果表明,提出的BRGB-ALaplace算法在实际生产应用中能够有效提高噪声图像边缘检测的效果,且因其检测结果中含有少量纹理信息,能够辅助地物识别,减少地物误判。

基于多变量Laplace分布的非线性系统分布式鲁棒状态估计

本文考虑非高斯噪声下传感器网络的状态估计问题.在机动目标跟踪、室内定位、水声导航等应用中,传感器的非高斯噪声会造成针对高斯噪声设计的常规状态估计算法精度下降.在现有针对单传感器系统的基于多变量Laplace(Multivariate Laplace,ML)鲁棒状态估计(Robust State Estimation based on ML,RSE-ML)算法基础上,本文借助信息滤波的特点,推导了针对多传感器系统的集中式RSE-ML(Centralized RSE-ML,CRSE-ML)算法,进一步利用一致性平均得到分布式RSE-ML(Distributed RSE-ML,DRSE-ML)算法.本文提出的DRSE-ML算法中利用ML建模非高斯噪声,借助变分贝叶斯方法估计噪声和状态参数,采用一致性算法进行分布式信息交互,克服了集中式算法通信和计算负担重的缺点,且具有自由参数少、估计精度高的特点.仿真结果表明,所提出的DRSE-ML算法估计精度优于现有相关算法,且能逼近集中式CRSE-ML算法的估计精度.

A WYNER-ZIV VIDEO CODING METHOD UTILIZING MIXTURE CORRELATION NOISE MODEL

In Wyner-Ziv (WZ) Distributed Video Coding (DVC), correlation noise model is often used to describe the error distribution between WZ frame and the side information. The accuracy of the model can influence the performance of the video coder directly. A mixture correlation noise model in Discrete Cosine Transform (DCT) domain for WZ video coding is established in this paper. Different correlation noise estimation method is used for direct current and alternating current coefficients. Parameter estimation method based on expectation maximization algorithm is used to estimate the Laplace distribution center of direct current frequency band and Mixture Laplace-Uniform Distribution Model (MLUDM) is established for alternating current coefficients. Experimental results suggest that the proposed mixture correlation noise model can describe the heavy tail and sudden change of the noise accurately at high rate and make significant improvement on the coding efficiency compared with the noise model presented by DIStributed COding for Video sERvices (DISCOVER).

改进动态半径的矿井激光雷达点云滤波算法

由于煤矿井下粉尘和水雾环境的影响,激光雷达采集的点云数据存在多源混合噪声。针对动态半径滤波方法在处理激光点云数据时存在近场噪声过多和远场有效数据丢失的问题,提出一种改进动态半径的矿井激光雷达点云滤波算法。结果表明:采用正交线性变换主成分分析法对三维点云数据进行降维处理,得到多组二维数据;对每组二维数据进行拉普拉斯运算,识别高频噪点,对数据进行第1次滤波;使用基于扇环邻域的统计分析,删除数据中的异常点,对数据进行第2次滤波,将经过2次滤波后的多组二维数据恢复成三维点云数据。在矿井尘雾噪声环境中,该算法获得98.9%的滤波准确率,计算时间稳定在0.5 s以内。对比统计滤波、半径滤波和动态半径滤波算法,在提高激光点云滤波准确率和改善点云结构化特征的同时,该算法减少运行时间,有效抑制点云中的尘雾噪声。

差分隐私结合GAN的图像数据保护方法仿真

图像数据的过度挖掘会对图像隐私性带来影响,使得数据被泄露或滥用的风险不断增加。为避免图像隐私数据泄露,提出差分隐私结合GAN的图像隐私数据保护算法研究。针对当前图像数据参杂的不确定性,通过对图像数据清洗,获取的图像重要隐私区域,有利于后续噪声的加入,便于实现图像隐私数据的保护;根据差分隐私与生成对抗网络(Generative Adversarial Networks, GAN)结合,构建图像数据差分隐私保护的GAN模型,依据拉普拉斯实现机制,对清洗后的图像数据扰动,达到隐私数据保护的目的;由于模型在迭代期间会对图像数据隐私性产生侵犯,所以进一步对图像隐私性侵犯程度度量,令上述算法在实际应用时有效兼顾图像隐藏数据的安全性及隐私性。实验结果表明,所提方法对图像的加密和解密时间短,且隐私性高。

一种面向图数据的AWG-LDP局部差分隐私保护算法研究

针对传统的图数据隐私保护方法只关注保护属性或结构两者之一易导致节点或边隐私信息泄露的问题,提出了一种对属性加权图的局部差分隐私的保护算法(AWG-LDP)。首先,该算法利用GN算法将图数据划分成社区子图;其次,分别计算每个社区子图的局部敏感度,对于划分后的每一个子图,通过结合结构相似性和属性相似性并添加拉普拉斯噪声进行边扰动,实现局部差分隐私;最后,利用属性泛化的方式将待发布的节点进行泛化,防止节点敏感信息被攻击。利用真实的图数据集进行了不同参数配置以及不同算法的对比实验,实验结果表明该算法提升了隐私保护效果,同时,降低了信息损失,提高了数据的可用性。

基于机器学习的大数据隐私非交互式查询研究

大数据环境下,数据大量汇聚,易造成严重的隐私泄露问题。由于大数据包的关联程度是不确定的,导致大数据隐私查询难度较大。为此,提出基于机器学习的大数据隐私非交互式查询方法。采用关联规则挖掘算法挖掘初始大数据集中数据包的关联程度,并与预先设定的阈值对比,选取关联程度低于阈值的数据,构建大数据特征集。选取K-means聚类算法划分特征集获取查询集,在查询集内加入拉普拉斯噪声,获取符合差分隐私标准的查询集。构建训练样本集,采用线性回归算法训练样本集,得到符合差分隐私保护查询结果。实验结果显示:所研究方法能够显著降低大数据隐私非交互查询过程中的数据计算压力,节约大量时间与空间。

闪烁噪声机动目标跟踪的模型集交互跟踪算法

给出了一种量测噪声为闪烁噪声情况下的模型集交互机动目标跟踪算法。在雷达目标跟踪系统中由于目标位置的随机摆动,使得对其位置的量测伴随着闪烁噪声的出现,这种闪烁噪声会对目标跟踪的性能产生很大的影响。本文通过对闪烁噪声的QQplots-分析,利用高斯分布和拉普拉斯分布的合成对其进行建模,在机动目标跟踪中采用两个模型集来处理闪烁噪声的情况,并详细推导了模型集交互时机动目标跟踪算法。最后,通过Monte Carlo的仿真结果表明了该算法的有效性。

改进的非局部均值滤波算法

非局部均值滤波算法是一种能够较好保持图像纹理细节的降噪算法,但该算法不能自适应调节滤波参数且滤波结果易产生伪影。针对这些不足,提出一种自适应的且与各向同性算法相结合的非局部均值滤波算法。通过改进的拉普拉斯算子对图像的噪声方差进行估计,并将估计的方差应用于滤波系数的计算中,实现滤波系数的自适应选择。以局部方差作为调整因子,将非局部均值滤波算法与各向同性局部滤波算法相结合,减少滤波图像产生的伪影,提高图像质量。实验结果表明,与非局部均值滤波算法相比,该算法在保留图像纹理细节的同时能够更好地减少伪影,提高图像的峰值信噪比,具有更好的降噪效果。

X波段雷达图像同频干扰的抑制方法研究

X波段雷达图像中,数据是按线存储的,同频干扰在图像上表现为射线状噪声或斑点噪声。为去除雷达图像中的同频干扰噪声,根据同频干扰在雷达回波图像中的特性,提出一种基于拉普拉斯边缘检测算子的噪声检测算法。首先利用基于拉普拉斯边缘检测算子改进的检测方法,将雷达图像分为灰度值渐变区域和突变区域;接下来通过设定阈值检测到同频干扰的位置;最后利用临近非噪声点线性插值噪声点。利用本文方法对32幅随机的雷达图像进行处理,实验结果说明该方法能有效滤除同频干扰。与传统的滤波算法进行对比,实验结果表明本算法不仅能很好地检测到同频干扰噪声,还能更有效地去除噪声,尽可能地保留原来海浪的回波信息。

基于改进高斯—拉普拉斯算子的噪声图像边缘检测方法

针对现有梯度算子在图像边缘检测中存在的对噪声比较敏感的问题,提出了一种改进的高斯—拉普拉斯算子的边缘检测方法。噪声图像中的边缘检测是一项关键任务,然而目前常用的几种梯度算子,包括已经提出的高斯—拉普拉斯算子都没能取得理想效果。提出的方法对传统的拉普拉斯边缘检测算子作了改进,并与高斯滤波器相结合,应用高斯滤波器平滑图像,抑制噪声,再基于拉普拉斯梯度边缘检测器进行边缘检测。最后,在imagenet数据集中选取了10幅图像进行实验,将提出的高斯梯度边缘检测器与传统的边缘检测器进行比较。评估结果显示,提出的方法所获得的峰值信噪比(PSNR)高于对比算法,而均方误差(MSE)更小。实验结果表明,提出的方法在实际应用中能够有效提高噪声图像边缘检测的质量。

限制隐私泄露的隐私保护聚类算法

为了解决在极端情况下数据挖掘中隐私泄露的问题,分析了在数据聚类时增加Laplace噪音可以避免隐私泄露的原理,结合主成份分析与噪音扰动方法,提出了一种限制隐私泄露的隐私保护聚类算法。该算法利用主成份分析除掉了数据的相关性,将Laplace噪音加入数据的主成份向量中,然后计算被扰动的数据之间距离变化值,这样可以避免扰动后的数据被还原,以达到在隐私保护聚类挖掘中限制隐私泄露的目的。仿真实验结果表明,该算法对于数据聚类时限制隐私泄露是正确有效的。

面向位置推荐的差分隐私保护方法

位置推荐服务能使用户更容易地获得周边的兴趣点信息,但也会带来用户位置隐私泄露的风险。为了避免位置隐私泄露带来的不利影响,提出一种面向位置推荐服务的差分隐私保护方法。在保持用户位置轨迹与签到频率特征的前提下,基于路径前缀树及其平衡程度采用均匀分配和几何分配两种方式进行隐私预算分配,然后根据隐私预算分配结果添加满足差分隐私的Laplace噪音。实验结果表明该方法能有效保护用户位置隐私,同时通过合理的隐私预算分配能减少差分隐私噪音对推荐质量的影响。

基于自适应同时稀疏表示的鲁棒性目标追踪

综合考虑高斯噪声和拉普拉斯噪声,并通过拉普拉斯噪声的能量大小自适应的选择稀疏模型,该文提出了基于同时稀疏表示的自适应追踪算法。该算法可以更好的解决目标遮挡、姿势改变、光照变化和背景混杂等追踪问题,且具有更强的鲁棒性。其次提出一种基于子空间学习和无监督学习(K-means)相结合的模板更新方法,该方法一方面可以及时有效地反应目标的状态,另一方面也可以避免模板更新过快而引入较大的误差。然后,利用LASSO算法对该模型做了进一步的改进,并将目前较好的9种追踪算法与该文提出的算法进行比较,实验结果表明该算法在鲁棒性、精确性和实时性方面都得到了较好的改善。

一种基于差分隐私的个性化服务推荐算法

推荐系统存在用户隐私安全性低、推荐服务质量差的问题。为此,文中提出一种基于差分隐私的个性化服务推荐算法DPk⁃median。该算法针对推荐系统服务器中生成的推荐列表,首先利用k⁃median聚类算法将推荐数据中具有相同属性的数据进行聚类;然后根据不同簇的风险级别,添加相应的拉普拉斯噪声机制,同一簇中的隐私预算参数是相同的,在保证隐私的前提下,可合理控制噪声的加入并提高噪声的利用率,保证推荐的质量损失减小,同时增加算法的执行效率。相关实验结果表明,与以往的基于差分隐私的个性化服务推荐系统相比,文中所提出的算法在保证系统安全性的同时,提高了服务推荐的质量和算法的执行效率。

基于差分隐私的舰船云数据副本安全共享方法

为了解决舰船混合云应用场景下攻击者利用重复数据删除作为隐通道获取用户隐私信息的问题,提出一种基于差分隐私的舰船云数据多副本安全共享方法,将差分隐私的随机性与轻量级数据加密进行结合,在减少对计算资源占用的同时实现用户隐私信息在混合云上安全共享。本文所提出的方法能够有效抵御侧信道攻击,保证在私有云上和公有云上仅有一个数据副本,用户文件的关键信息均存放在可信的私有云上。

基于拉普拉斯滤波的形态相关器

本文提出了一种基于拉普拉斯滤波的形态相关器(LBMC),用来改进传统光学形态相关器的性能。与形态相关器不同,在执行最后的傅里叶变换之前,LBMC还须对传统形态相关器的联合功率谱做拉普拉斯能谱强度滤波处理。计算机模拟测试结果表明,与线性相关和形态相关器相比,LBMC能够产生强而尖锐的相关信号,具有更强的识别能力。当输入图像受椒盐噪声影响时,LBMC保持了高且稳定的自相关-互相关比和峰噪比,从而表现出更强的鲁棒性。尽管当乘法照明因子大于1时,LBMC丧失了传统MC的照明不变识别能力,但其保证相当高的识别度。

中值非线性拉普拉斯模板对准相乘法

针对低信噪比图像序列中空间拉普拉斯模板对准相乘法对方向和噪声都很敏感的问题 ,将中值滤波和非线性拉普拉斯算子引入 ,得到了一种在低信噪比条件下有效地提取运动目标的方法——中值非线性拉普拉斯模板对准相乘法。理论分析和实验结果表明 ,该方法对方向和噪声都不敏感 。