基于多尺度分解的双曝光图像融合方法

为了有效地提高可见光成像设备的动态范围,降低融合图像的质量对源图像数量的依赖,提出了一种基于多尺度分解的双曝光图像融合算法。该方法只需要一组欠曝光和过曝光图像作为源图像,通过曝光融合即可得到一幅包含丰富信息的图像。首先,依据欠曝光图像和过曝光图像自身的特点,分别进行了自适应曝光调整,充分挖掘图像中潜在的细节信息。然后,提取图像序列的边缘强度、曝光适宜度和色彩饱和度作为评价指标,进而构建出融合权重图。最后,通过金字塔多尺度分解和加权融合得到融合图像。实验选取了15组图像序列,分别从主观和客观两个方面与4种具有代表性的算法进行了对比。实验结果表明,本文算法相比于其他算法,图像质量综合提升了4.9%,具有更强的细节信息保留能力。

极端曝光图像的多尺度分解细节感知融合算法

针对极端曝光(欠曝光和过曝光)图像动态范围低的问题,提出一种基于多尺度分解细节感知的图像融合算法。欠曝光图像经过细节增强后,与过曝光图像进行初步的粗融合;采用小波变换对细节增强后图像的亮度分量进行多尺度分解,并设计专门的高频和低频融合策略,实现亮度分量的精融合;将粗融合图像的色调、饱和度分量,与精融合图像的亮度分量重组,获得最终的融合结果。基于大量测试数据,实验结果表明所提方法在视觉效果方面表现优异,平均MEF-SSIM指标为0.9854,平均SSIM指标为0.6508,均优于现有主流算法。

基于ICEEMDAN−Laplace的足尺定向刨花板振动信号模态分析

为了无损、便捷检测足尺定向刨花板的动态剪切模量、弹性模量,在振动条件下通过改进型自适应噪声的完全集合经验模态分解(ICEEMDAN)和Laplace小波相关滤波法相结合来实现振动信号模态识别。采集足尺定向刨花板振动信号,通过ICEEMDAN分解得到若干固有模态函数(IMF)分量,将正交性指标和相关系数用作判据指标,并融合二次模态分解,筛选出含有足尺定向刨花板模态信息的IMF分量,再通过Laplace小波相关滤波提取足尺定向刨花板的固有频率,将检测结果与静态实验和仿真分析进行验证。结果表明:频率实验与仿真结果误差较小,在0.8%范围内;长度、宽度方向弹性模量动态检测结果与静态结果之间的相关系数分别为0.81282、0.74848,证明两者存在显著线性关系;面内剪切模量动、静态检测结果之间呈显著线性关系,相关性达到0.73385。

多尺度耦合经验正交分解法反演海洋次表层温盐结构

针对提升利用卫星观测海面信息重构三维温盐场精度的问题,本文提出了一种基于多尺度耦合正交分解的三维温盐场重构方法。该方法利用多尺度耦合正交分解对历史温盐剖面进行从大尺度到小尺度的迭代分解,以分层提取不同尺度三维温盐场的特征信息,然后分别建立海洋表面卫星观测与不同尺度的三维温盐场特征信息的重构模型,从而达到三维温盐场重构的目的。本文分别利用多尺度耦合正交分解法与单层正交分解法进行三维温盐场重构,结果显示,多尺度耦合正交分解优于单层正交分解法,且随着分解的层次不断细化,重构温盐场的精度及其垂直梯度精度均呈现明显的提升,其中组合4精度提升程度最高,分别提升了25.57%和27.58%;同时,对比HYCOM模式数据,多尺度耦合正交分解重构方法能有效地捕捉次表层海洋的空间特征信息。总体上,本文耦合经验正交分解法反演的温盐场与Argo温盐场偏差较小,反演精度较好,在空间分布上趋于一致。

基于VMD-WOA混合多尺度分解的区间组合预测模型

针对传统的点预测模型难以适用于随机性复杂系统和非线性非平稳时间序列预测的问题,提出基于VMD-WOA混合多尺度分解的区间组合预测模型。首先,引入基于鲸鱼优化(WOA)的变分模态分解(VMD)混合分解算法,得到最优区间模态子序列;其次,对各区间模态分序列使用指数平滑方法(Holt′s)、支持向量回归(SVR)和BP神经网络预测,得到3个单项预测结果,运用组合预测模型得到模态组合子序列;最后,对模态组合子序列重构,得到最终的区间组合预测序列。为了验证模型的有效性,选取AQI数据进行预测分析,实验表明所提出的基于VMD-WOA的区间组合预测方法具有较高的预测精度和良好的适应性。

基于Retinex增强的多尺度分解的红外与可见光图像融合算法

针对传统红外与可见光图像融合算法在低照度条件下融合结果对比度差、目标边际模糊、背景细节信息丢失等问题,提出一种基于Retinex增强的多尺度分解的红外与可见光图像融合算法。首先,利用Retinex对弱可见光图像进行单尺度Retinex(SSR)算法信息增强处理;其次,利用交叉双边滤波对源图像进行多尺度分解,先后得到图像的基层图像信息和细节层图像信息,对基础层图像采用绝对值取大策略和引导滤波相结合的融合方法,对细节层图像采用构建权重图和显著图的融合方法;最后,将处理后的基础层图像和细节层图像加权得到融合图像。从主观分析来看,本文方法可以有效提取和融合源图像中的重要信息,得到融合质量高、视觉效果自然清晰的图像。从客观评价来看,多组图像融合结果表明,本文所提方法的AG、SF、CE和FMI指标均较好。

自适应Laplace小波字典的矿山微震信号稀疏降噪方法

针对矿山微震信号降噪问题,提出了一种基于自适应Laplace小波字典的稀疏降噪方法。该方法从矿山微震信号特征波形的先验知识分析入手,首先通过相关滤波法选取与微震信号特征波形最匹配的Laplace小波参数,并以此构造Laplace小波参数字典。然后结合正交匹配追踪(OMP)算法,稀疏重构出微震信号的特征波形。考虑到相关滤波法计算量大、时间较长,使用鲸鱼优化算法(WOA)进行快速的全局参数寻优。仿真微震信号和实测信号分析结果表明,所提出方法可有效重构出微震信号的特征波形,实现微震信号的降噪,且对噪声具有一定的抗干扰能力。相比常用的集合经验模态分解(EEMD)方法,提出的基于自适应Laplace小波字典的稀疏降噪方法具有一定的优越性。

基于ADI格式的多尺度图像分解

针对文献[Xu R et al.,IEEE Trans.Biomed.Eng.,2014]的多尺度图像分解模型,该文提出了Alternating Direction Implicit (ADI)格式下的多尺度图像分解算法,并证明了在该模型下ADI格式的收敛性和稳定性,进一步,通过对不同图像的数值实验,验证了该文提出的算法具有更好的纹理提取效果.

基于经验模态分解的精细复合多尺度排列熵癫痫脑电信号分类方法

癫痫是一种常见的脑部疾病,通过脑电图能准确地定位人脑中的致痫区域。文章提出一种基于经验模态分解的精细复合多尺度排列熵的癫痫脑电信号自动检测方法,用于解决区分致痫区和非致痫区的癫痫脑电信号难的问题。首先将原信号分割成多个子信号,并对各子信号进行经验模态分解,然后从分解后的不同经验模态函数中提取精细复合多尺度排列熵特征并利用支持向量机进行分类。通过对癫痫脑电的公共数据集测试,实验结果表明准确率、灵敏度和特异度三个性能指标分别达到90.3%,85.0%和96.0%,ROC曲线下面积达0.98。

三尺度分解和稀疏表示的红外和可见光图像融合

为提高对含噪声源图像的处理效果,以及提高融合图像的对比度、结构信息等,提出一种基于三尺度分解和稀疏表示的红外和可见光图像融合算法。首先,为增强对噪声的去除效果,并且维持源图像的结构和边缘特性,利用滚动引导滤波器对源图像进行分解,将源图像分解为基础层和细节层;其次,为充分利用基础分量中的细节和能量,同时降低模型的复杂性,构造结构-纹理分解模型,将基础层再次分解为基础结构层和基础纹理层。然后分析三个分量的不同特点,使用不同的融合规则对三个分量分别进行融合,针对细节分量,其含有主要的噪声成分,但含噪声程度又不一样,因此根据图像含噪声的程度自适应确定稀疏融合去噪参数,从而同时实现对细节分量的融合和去噪,并且能够有效地提高计算效率;针对基础结构分量,其包含的细节特征较少,直接采用基于视觉显著图的加权平均技术进行预融合;针对基础纹理分量,由于其包含了视觉上重要的信息或图像特征,如边缘、直线和轮廓等活动信息,能够反映出原始基础图像的主要细节,因此采用主成分分析方法进行预融合,最终通过重构细节、基础结构和基础纹理层来得到融合图像。为验证所提方法的有效性,选取了多组红外和可见光图像进行试验,并与近期的五种方法CNN、FPDE、ResNet、IFEVIP、TIF进行了对比,采用主观和客观的形式对结果进行分析。实验结果表明,同其他图像融合算法进行对比分析,该方法能够兼顾含噪声和无噪声图像的融合,在有无噪声的情况下均能够将源图像的细节、亮度和结构保留到融合图像中,而且能有效地消除噪声。

基于多时间尺度Cholesky分解AEKF的锂电池SOC估计

建立可靠的锂电池荷电状态估算模型,获取精确估算值已成为锂离子电池组能源和安全管理的核心。选择锂离子电池的二阶等效电路模型为研究对象,提出了一种基于Cholesky分解优化多时间尺度自适应扩展卡尔曼滤波算法。状态方程中,对应不同状态变量子方程,选择不同采样周期,解决不同状态变量的不同时间尺度问题。考虑噪声变化,在扩展卡尔曼滤波的基础上,引入噪声的迭代估计,实现噪声的自适应矫正,结合Cholesky分解方法以克服计算的舍入误差问题。在不同工况下,选用不同型号的锂电池进行实验验证,验证该算法的普适性和有效性。

基于小波包分解多尺度排列熵及2阶特征选择的转辙机故障诊断方法

针对转辙机高精度故障诊断的需求,结合声音信号非接触、易采集等优势,提出一种基于声音信号的非接触式故障诊断方法。首先,基于小波包分解与多尺度排列熵,实现对声音样本的特征提取;其次,提出基于ReliefF和二进制粒子群优化算法的2阶特征选择方法,得到最佳特征集合,实现对声音样本的特征选择;最后,基于支持向量机算法对最佳特征集进行训练和测试,完成对转辙机的故障诊断。依托10种常见工况下共计800组声音样本开展实验,结果表明:该方法在反位—定位和定位—反位转换过程中得到的特征点数分别为13和39个,故障诊断准确率分别为99.67%和100%;相比于单一特征选择方法,采用的2阶特征选择方法能够大大降低特征维度,提高故障诊断准确率;相比于k近邻和线性判别分析这2种分类器,支持向量机分类器在转辙机故障诊断中更具优势。

经验模态分解和Laplace小波在机车柴油机齿轮系故障诊断中的应用

针对机车柴油机配气齿轮系故障信号呈现时变非平稳特征且信噪比低的特点,提出基于经验模态分解和Laplace小波的机车柴油机声信号分析方法,并成功用于工业现场。简要介绍信号经验模态分解的基本原理与算法,以机车柴油机实际声信号为例,分析其抑制噪声干扰的能力。经验模态分解相当于自适应滤波器组,可将信号分解成不同频带的固有模态函数(Intrinsic mode functions,IMF)。试验表明对表征齿轮故障的IMF分量进行功率谱分析,能有效检测齿轮故障。根据滚动轴承故障信号表现为单边冲击衰减震荡,故障特征频率包含的能量少且容易受噪声干扰的特点,提出采用基于Laplace小波的相关滤波实现冲击特征波形准确识别,提取故障特征频率的轴承诊断方法。机车柴油机运行测试试验证明,上述方法能准确诊断各种类型的配气齿轮传动装置故障。

LU分解和Laplace算法在GPU上的实现

随着图形处理器(GPU)性能的大幅度提升以及可编程性的发展,已经有许多算法成功地移植到GPU上。LU分解和Laplace算法是科学计算的核心,但计算量往往很大,由此提出了一种在GPU上加速计算的方法。使用Nvidia公司的统一计算设备架构(CUDA)编程模型实现这两个算法,通过对CPU与GPU进行任务划分,同时利用GPU上的共享存储器提高数据访问速度,对GPU程序进行分支消除,并且对矩阵分段计算以达到加速计算的目的。实验结果表明,随着矩阵规模的增大,基于GPU的算法相对于基于CPU的算法具有良好的加速效果。

一种基于小波尺度函数变换的Laplace反演方法

该文基于Ｄａｕｂｅｃｈｉｅｓ小波尺度函数变换建立了关于ＬＡｐｌａｃｅ变换的一种反演数值方法．通过对小波尺度函数的低带通谱特性的定性与定量讨论，给出了这一反演方法所得原像函数的适用域．结果发现：其区域大小随着小波尺度函数的分辨指标（ｒｅｓｏｌｕｔｉｏｎｌｅｖｅｌ）选取的升高而增大．最后，以颤振曲线、具有指数增长的复函数、和一维振动弦的初边值问题等为例，定量给出了其反演方法的数值结果．通过与相应的原像精确结果对比发现：在反演的有效区域内，其数值反演的原像几乎与精确的原像图象重合．这表明这－Ｌａｐｌａｃｅ反演数值方法是有效和可靠的．

一种时频尺度下的多元短期电力负荷组合预测方法

随机因素的增加导致电力负荷数据成分日渐复杂,使短期负荷预测的难度逐渐增大。针对该问题,提出一种时频尺度下的时间卷积网络与多元线性回归相融合的组合预测模型。利用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)在时频域上将负荷数据分解为若干个频率特征不同的本征模态分量,在模糊熵准则下聚类为随机项和趋势项。采用皮尔逊系数从诸多影响因素中筛选出与电力负荷高度相关的特征,鉴于小时间尺度分析更易于挖掘局部细节特征,分别构建了随机项与趋势项的细颗粒度特征集。利用具有强非线性处理能力的时间卷积网络(temporal convolutional network,TCN)去预测随机项,利用结构简单及线性拟合效果好的多元线性回归(multiplelinearregression,MLR)去预测趋势项,将二者的预测结果进行叠加重构后获得最终预测值。在新加坡和比利时两组数据集上的实验结果证明:所提模型具有较高的预测精度、较好的泛化性能及鲁棒性。

三亚M_(S)4.2地震前后海南岛重力场变化及其小波多尺度分解

利用海南岛流动重力测网2016~2022年共13期复测资料,分析研究区域差分重力场和累积重力场动态变化,并着重分析2019-08-20海南三亚M_(S)4.2地震前后海南岛西南地区重力场时空变化。结果表明,三亚M_(S)4.2地震震中附近地区在震前2 a和3 a出现重力场累积变化梯度带,梯度带的异常范围约60 km,重力场变化最大约为60μGal;三亚M_(S)4.2地震之后,震中附近地区重力场继续上升,至2020年下半年才开始协同下降,在下降过程中,发生以2021-08-08乐东MS3.2地震为最大地震的震群事件。对2016-09~2019-08海南岛累积重力场动态变化小波多尺度分解表明,海南岛西南地区重力场变化在3阶、4阶和5阶小波细节图中均出现异常。

基于引导滤波二尺度分解的红外与可见光图像融合

为了降低多尺度分解融合算法的复杂性,并提高融合图像适应人类视觉特点,本文提出一种基于引导滤波二尺度分解的红外与可见光图像融合的方法。首先利用引导滤波对可见光图像实施增强的图像预处理,然后利用引导滤波将源图像分解为基础层和细节层。在细节层的融合规则中我们采用能量保护和细节提取的方法,最后将融合后的细节层与基础层合成融合结果。实验结果表明所给方法在提高视觉感知、细节处理、边缘保护等方面都有良好的效果。本文最后还讨论了可见光图像增强对融合方法的影响:从实验数据可知,增强可以提升融合效果,但在图像融合中融合方法才是关键。

Laplace多尺度图像增强去噪算法

针对传统的单尺度图像增强算法的不足,提出了一种基于Laplace多尺度分解的图像增强算法。该算法将图像分为由高频到低频若干个子图像,对每个频道的细节图像进行不同的非线性变换,使得图像中最细微的、对诊断有用的信息得到有效的增强,同时图像又不被过增强,再通过分解的逆过程重建图像。试验表明,该方法能有效提高图像中细节的清晰度并抑制噪声。

基于多尺度分量特征学习的用户级超短期负荷预测

针对用户级负荷波动性强,一步分解后数据维度增加导致运行效率降低以及精度提升有限等问题,该文提出一种新的多尺度分量特征学习框架,用于用户级超短期负荷预测。构建基于自适应噪声的完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)、排列熵(permutation entropy,PE)以及变分模态分解(variational mode decomposition,VMD)的自适应二次模态分解框架,捕捉周期性等时序特征,并降低其非平稳特性;采用多维特征融合的方式挖掘各本征模态函数之间的耦合关系,丰富特征信息;利用改进的多尺度空间注意力(multiscale spatial attention,MSA)模块沿时间、空间以及通道等多尺度提取时空特征及多分量间耦合关系,进而便于卷积神经网络(convolutional neural network,CNN)学习多分量特征。基于江苏省南京市房地产业、教育业以及商务服务业共12位用户的实际负荷数据进行算例分析,各行业平均绝对百分误差分别为5.82%、4.54%以及8.78%,与效果最好的对照模型相比,分别降低了10.46%、6%以及7.48%,验证了该文模型具有较高的预测精度和良好的泛化性能。