Research on fiber optic gyro signal de-noising based on wavelet packet soft-threshold

Gyro＇s drift is not only the main drift error which influences gyro＇s precision but also the primary factor that affects gyro＇s reliability. Reducing zero drift and random drift is a key problem to the output of a gyro signal. A three-layer de-nosing threshold algorithm is proposed based on the wavelet decomposition to dispose the signal which is collected from a running fiber optic gyro （FOG）. The coefficients are obtained from the three-layer wavelet packet decomposition. By setting the high frequency part which is greater than wavelet packet threshold as zero, then reconstructing the nodes which have been filtered out noise and interruption, the soft threshold function is constructed by the coefficients of the third nodes. Compared wavelet packet de-noise with forced de-noising method, the proposed method is more effective. Simulation results show that the random drift compensation is enhanced by 13.1%, and reduces zero drift by 0.052 6°/h.

Rolling element bearing instantaneous rotational frequency estimation based on EMD soft-thresholding denoising and instantaneous fault characteristic frequency

The accurate estimation of the rolling element bearing instantaneous rotational frequency(IRF) is the key capability of the order tracking method based on time-frequency analysis. The rolling element bearing IRF can be accurately estimated according to the instantaneous fault characteristic frequency(IFCF). However, in an environment with a low signal-to-noise ratio(SNR), e.g., an incipient fault or function at a low speed, the signal contains strong background noise that seriously affects the effectiveness of the aforementioned method. An algorithm of signal preprocessing based on empirical mode decomposition(EMD) and wavelet shrinkage was proposed in this work. Compared with EMD denoising by the cross-correlation coefficient and kurtosis(CCK) criterion, the method of EMD soft-thresholding(ST) denoising can ensure the integrity of the signal, improve the SNR, and highlight fault features. The effectiveness of the algorithm for rolling element bearing IRF estimation by EMD ST denoising and the IFCF was validated by both simulated and experimental bearing vibration signals at a low SNR.

WiCare:一种非接触式的老人如厕跌倒监测模型

老人在卫生间内的跌倒行为存在因救助及时性差而导致严重危害的风险,因此高效快捷的如厕跌倒监测研究具有重要意义。针对当前基于Wi-Fi感知的跌倒监测方法中存在的受噪声影响大而特征提取不充分、监测精度有限的问题,提出了一种基于多级离散小波变换和软阈值处理的信号降噪算法,及一种融合卷积神经网络、双向长短期记忆网络及自注意力机制的非接触式如厕跌倒监测模型WiCare。首先,从原始CSI数据中提取振幅作为基础数据;其次,使用多级离散小波变换和软阈值处理进行感知数据降噪;然后,将感知数据进行多维重构,以更准确地表征跌倒行为特征;最后,利用WiCare提取感知数据中的有效特征,进而实现卫生间如厕跌倒行为监测功能。实验结果表明,WiCare在居家卫生间环境下对跌倒行为监测的准确率为99.41%,与其他同类模型相比,WiCare的识别准确率高,模型复杂度低,且泛化能力更强。

基于多残差注意力深度收缩网络的超微光图像增强方法

超微光成像可在极度黑暗的环境中给观察者提供近乎白昼的视觉体验,在许多民用和军事应用中起着至关重要的作用。超微光环境下拍摄的图像和视频通常存在亮度与对比度极低、噪声水平高、场景细节和色彩严重缺失等固有缺陷,近年来,深度学习为超微光成像的研究带来了新的机遇。文中采集并提供了一组实用性更强的超微光训练数据集,提出了一种多残差注意力深度收缩网络(Multi Residual Attention Shrinkage Network),以此实现了一种新的超微光成像方法。通过成功研制的小型化样机证实了该方法的工业量产前景。实现了基于通道注意力和空间注意力的残差内注意力机制,以及基于深度软阈值收缩的外注意力机制,不仅可以有效提取并还原极低照度环境下的图像细节信息,恢复场景真实色彩,而且可以有效去除此类环境下由成像设备感光不足带来的巨量噪声。实测效果显示该方法可对极低照度环境进行有效的增强且实时性高。通过与多种业界最新方法比较,文中方法在主观视觉体验以及客观参数两方面均表现更好。

基于多尺度融合和时空特征的网络入侵检测模型

针对入侵检测模型提取特征能力不足,且流量数据中含冗余噪声的问题,提出一种基于多尺度融合和时空特征的ML-PFN入侵检测模型。采用多尺度特征融合技术分别提取数据中浅层特征信息和深层特征信息,使模型学习的特征更加丰富;采用软阈值函数和注意力机制自动选择合适的阈值,减少噪声及不相关信息对模型的干扰;融合时空特征构成多尺度空间特征提取长短时记忆-并行特征网络(MSFE LSTM-parallel feature network, ML-PFN)模型,并应用于网络入侵检测。通过3个公开数据集进行性能评估,实验结果表明,ML-PFN模型对比其它5种分类模型各项指标效果最好,在训练时长适中的同时准确率达到96.45%。

DRSN与集成融合的OFDM辐射源个体识别方法

针对在低信噪下通信辐射源识别率低的问题,提出一种DRSN(Deep Residual Shrinkage Networks)与集成融合的OFDM辐射源个体识别方法。首先,从OFDM发射机产生信号的原理出发,对可能产生OFDM发射机指纹差异的来源进行分析,对相邻帧OFDM信号做相干积累,有效提升OFDM信号的信噪比,通过截取OFDM前导信号,减少因传输内容差异所带来的影响,对OFDM前导信号进行功率累加和双谱对角切片信号处理,构建OFDM前导信号的多域数据集;随后,将OFDM前导信号多域数据分别送入具有自动软阈值化去噪和具有跨层连接结构防止梯度消失的DRSN网络进行训练,有效减少噪声对发射机指纹信号的干扰和避免阈值设置不佳所带来识别效果不佳的问题,并且在DRSN网络训练时采用5折交叉验证的策略,防止网络训练中出现过拟合的现象,利用Stacking集成学习思想实现3个DRSN网络初级预测结果的融合;最后,将融合结果作为次级数据送入逻辑回归LR(Logistic Regression)次级线性分类器,利用ECOC(Error Correcting Output Code)策略将多分类任务转为二分类任务,对样本类别进行编码,当测试样本经过二分类器获得一组预测类别编码后,通过计算样本类别编码与预测类别编码之间的欧式距离,根据最小欧式距离所属类别来确定最终分类结果。在公开数据集上的实验结果表明:对比其他深度学习的方法,信噪比为5 dB和0 dB时,DRSN与集成融合的OFDM辐射源识别的准确率分别为97%和95.88%,并且具有较低的复杂度,能够验证在低信噪比下该方法的有效性。

基于灰度均值的自适应FAST角点检测优化算法

光照不均、突变引起的灰度变化会影响图像特征检测效果。为此,设计一种基于灰度均值的自适应FAST-9-12角点检测算法。首先,利用特征点的延展性设计一种小面积双重检测模板,减少像素点与中心点的比较次数,提高区域正检率和检测速度;其次,依据图像局部灰度均值,在每个像素点检测模板内自适应调整阈值,避免灰度变化影响检测效果;最后,根据柔性非极大值抑制的思想设计角点半径抑制原则,筛选鲁棒性更强的角点。在Inria遥感影像数据集上的实验结果表明,FAST-9-12角点检测速度比FAST-12-16,FAST-9-16两种模板提高22%左右,因自适应阈值的提取方式不易受光照影响,检测准确率分别提高4.16和3.11个百分点,实现了图像特征快速和精准检测。

基于增强梯度算子的软阈值宽带频谱感知算法

为了改善信号梯度特征对幅度的损失以及寻求描述信号的最佳尺度问题,提出了一种基于增强梯度算子的软阈值宽带频谱感知算法。通过引入梯度增强算子还原信号幅值特征,结合信号本身梯度特征,使用不同的尺度描述信号梯度增量,得到软阈值判据,进一步加入尺度融合单元,利用硬阈值加软阈值联合判断的方法,得到描述信号的最佳尺度。理论分析和仿真实验结果表明,在高斯信道和瑞利衰落信道下,相较于MPSG算法,所提算法的检测概率和虚警概率均有明显改善,且复杂度更低。通过对比实测数据的检测效果,所提算法更适用于实际工程中。

基于软阈值降噪的脉冲卷积神经网络轴承故障诊断方法

针对工业场景下滚动轴承信号易受噪声干扰,导致故障诊断准确率低和稳定性差的问题,本文提出一种基于软阈值降噪的脉冲卷积神经网络诊断方法。该方法使用软阈值滤波去噪,运用带时间标签的卷积层处理二维信号,增强动态特征提取能力。同时,通过引入IF和LIF神经元实现对时域和频域信息的联合编码,并采用替代梯度法进行端到端训练。实验结果显示,在信噪比为6dB时,所提方法的诊断准确率达100%,在信噪比为-6dB时诊断准确率达77.33%,优于其他常用方法,表明所提方法在噪声下具有良好的诊断效果和稳定性。

DRSTN:深度残差软阈值化网络

在采用深度残差等神经网络模型解决图像分类任务时,特征提取过程损失的一些重要特征会影响模型的分类性能。神经网络“端到端”的学习模式带来的黑盒问题,也会限制其在诸多领域的应用和发展。另外,神经网络模型往往需要较长的训练时间。为了提高深度残差网络模型的分类效果和训练效率,引入了模型迁移方法和软阈值化方法,提出了DRSTN(Deep Residual Soft Thresholding Network)网络,并对此网络结构进行微调,生成了不同版本的DRSTN网络。DRSTN网络的性能得益于3个方面的有机整合:1)通过梯度加权类激活映射(Gradients-weighted Class Activation Mapping,Grad-CAM)方法对网络的特征提取进行可视化,根据可视化结果挑选进一步优化的模型;2)基于模型迁移,研究人员不必全新地搭建模型,可以直接在已有的模型上进行优化,能够节省大量训练时间;3)软阈值化作为非线性变换层嵌入到深度残差网络体系结构中,以消除样本中不相关的特征。实验结果表明,在相同训练条件下,DRSTN_KS(3*3)_RB(2:2:2)网络在CIFAR-10数据集上的分类精度相比SKNet-18,ResNet18和ConvNeXt_tiny网络分别提高了15.5%,8.8%和10.9%;该网络也具有一定的泛化性,在MNIST和Fashion MNIST数据集上能够达到快速的迁移效果,分类精度分别达到99.06%和93.15%。

基于一维残差收缩网络的电能质量复合扰动识别

电网中强噪声的干扰会严重影响电能质量复合扰动识别,为提高电能质量复合扰动识别准确率,提出一种基于一维残差收缩网络的电能质量复合扰动识别方法。该方法能够以原始数据作为输入避免有效特征的丢失,采用子网络自动设置阈值对各个特征通道进行软阈值化,并通过加宽卷积层进一步增强网络抗噪性。仿真实验结果表明:所提方法在强噪声干扰下能快速准确识别电能质量复合扰动。

考虑局部自相似性的土地复垦规划空间预测算法

土地复垦规划时土地图像存在较大噪声,且不同地区的土地复垦情况可能存在空间异质性,无法达到理想空间预测效果。为此,提出一种考虑局部自相似性的土地复垦规划空间预测算法。利用低秩逼近处理方法对噪声污染的观测矩阵的核范数低秩逼近,得到矩阵的最小核范数,实现土地空间图像去噪;利用局部自相似性计算土地再利用贡献值,以此建立空间预测模型,计算子区域内栅格与所选区域栅格差异程度;利用ArcGIS软件计算评价因子,以此划分等级,预测土地复垦规划空间。由实验结果可知,该算法预测的空间规划基本适宜度比例最大,其次是不适宜度、中度适宜度、临界适宜度,与理想规划结果一致。

基于优化分解与误差修正的光伏发电功率预测

针对光伏发电功率预测精度不高的问题,提出一种基于优化分解降噪联合误差修正模型。该模型分为3个阶段,第一阶段,首先用基于全局搜索的鲸鱼优化算法(GSWOA)选取变分模态分解(VMD)的参数,之后运用优化后的VMD对原始数据进行分解;然后利用互相关分析重构高频分量,最后对高频分量进行小波软阈值降噪(WTSD);第二阶段,运用门控循环单元(GRU)对每个分量进行预测,将所有分量预测结果叠加起来得到初步预测结果;第三阶段,对初始预测结果进行误差修正(EC)。为验证模型的有效性,利用宁夏太阳山光伏电站2021年1、4、7、10月份的光伏实测数据进行实验,实验结果表明,相比于LSTM、GRU、VMD-LSTM,该混合模型表现出更好的性能。

基于视觉传达技术的无参考低光照图像增强方法

为了优化低光照图像增强效果,提出基于视觉传达的无参考低光照图像增强方法。所提方法通过全景成像技术重构低光照图像,并采用计算机原理模拟光学成像系统,引入多重分形法和半软阈值指数衰减法去除重构图像上的噪声。通过亮暗双通道系数计算图像增强过程中的最佳透射率,并以此透射率对低光照图像展开增强处理。实验结果表明,所提方法重构图像完整、图像整体质量高、SIMM值接近于1,在不影响图像清晰度的前提下实现了图像去噪,对低光照图像的增强效果明显,避免了增强过程中的图像曝光,做到了图像细节的完整保留。

基于生成式对抗网络和改进区域建议网络的输电线路杆塔缺陷检测方法

为了减少输电线路杆塔缺陷检测过程中受噪声信号和装置性能等因素的干扰,提高输电线路杆塔缺陷检测的正确率和检测效率。提出一种基于生成式对抗网络(generative adversarial networks,GAN)和改进区域建议网络(region proposal network,RPN)的输电线路杆塔缺陷检测方法。采用GAN采集输电线路杆塔的显著性图像,并利用半软阈值函数模型剔除图像中的噪声,避免噪声对缺陷检测过程产生影响。通过随机森林决策树提取输电线路杆塔图像的轮廓特征,基于多尺度算法对RPN进行改进,将特征输入到改进RPN模型中,通过缺陷的定位、分割完成输电线路杆塔的缺陷检测。试验结果表明,所提方法的输电线路杆塔缺陷检测正确率较高,具有较好的缺陷检测效果和检测效率,从而有利于提高输电线路杆塔缺陷检测的质量,减少电力事故的出现。

基于小波去噪和反卷积的光声成像优化算法

光声成像因兼具光学成像高对比度和超声成像高分辨率的优点而成为一种被广泛关注的无损成像技术。针对时间反转光声成像过程中存在的噪声污染和脉冲响应影响问题,通过建立光声压数据采集模型,将光声压数据的小波软阈值去噪和反卷积计算相结合来去除光声压数据中的噪声和脉冲响应影响。反卷积计算时设定可调节参数,使计算结果随着光声压的傅里叶系数大小不同而调整,从而进一步提升重建光声图像的质量。仿真实验结果表明,改进的时间反转光声成像算法,能有效减少重建光声图像中的噪声和伪影,明显提高重建光声图像的可视效果。

基于DRSN的通信信号调制方式识别方法

针对现有的通信信号调制方式识别方法在低信噪比(Signal to Noise Ratio, SNR)条件下存在的识别率较低、调制类型较少和信道类型不够丰富等问题,提出了一种基于深度残差收缩网络(Deep Residual Shrinkage Network, DRSN)的通信信号调制方式识别方法。根据调制识别领域的特点,构建改进的深度残差收缩网络模型,充分利用该网络的注意力机制和软阈值化进行降噪处理,提高模型在低SNR条件下的调制识别能力。实验结果表明,相比残差网络(Residual Network, ResNet)、卷积长短时深度神经网络(Convolutional Long-short-term Deep Neural Network, CLDNN)和卷积门控循环深度神经网络(Convolutional Gated recurrent Deep Neural Network, CGDNN)模型,所提方法在低SNR和5种信道类型条件下对26种调制信号的识别中有效地降低了噪声的影响,在4 dB以上时识别率达到了91.70%,10 dB时识别率在98%以上,取得了较好的识别表现。

变透水边界与起始坡降下软土路基固结模型

研究目的:路基沉降问题是引起铁路、公路等基础设施发生工程事故的主要原因。为提高软土地区路基土沉降预测水平,本文考虑土体的非达西渗流效应、土体边界透水能力的变化以及变形非线性特征,建立相应的分段线性化固结模型。其中,起始坡降渗透模型用来反映土体的非达西渗流过程,连续排水边界用来描述土体边界透水性能的变化,e-lg(av0)关系用来表示土体的非线性变形特征。然后,应用一些算例分析探讨边界透水性能变化、土体非线性变形以及非达西效应下土体的固结行为,以期为软土路基工程工后沉降预测提供理论支撑。研究结论:(1)土体的非达西效应越强(即起始坡降值越大),边界透水性能越差(即连续排水界面参数越小),相同时刻下的固结滞后现象越明显;(2)起始坡降值能同时影响固结过程及最终结果;(3)连续排水边界和起始坡降下初始压缩系数对沉降过程的影响比较显著;(4)本文固结模型可模拟深厚软土路基的沉降过程,相关结论可应用于深厚软土的堆载排水加固过程。

基于改进深度残差收缩网络的旋转机械故障诊断

旋转机械振动信号在多层深度学习过程中会出现退化和过拟合现象,同时含噪数据样本也会使模型故障诊断正确率偏低,数据样本不平衡会引起模型训练具有倾向性,针对以上一系列问题,提出了一种基于改进型深度残差收缩网络(DRSN)的旋转机械故障诊断方法。首先,对多故障、长时间序列数据样本进行了矩阵化处理,得到了模型容易接受的多维度灰度图故障样本;针对旋转机械从正常状态到故障状态的机械老化过程,采用了多点随机采样方法,构建了全寿命周期数据样本,用于后续的故障诊断;然后,在卷积神经网络(CNN)的基础上,通过引入残差项、注意力机制和焦点损失函数,构建起了多层深度残差收缩网络,对旋转机械进行了故障诊断(其中,残差项降低了训练过程中样本数据的特征损失,避免了模型的退化和过拟合;注意力机制和软阈值化自动设置噪声阈值,降低了噪声对故障诊断精度的影响;焦点损失函数修正了模型训练的倾向性,提高了模型训练效率和灵敏性);最后,利用滚动轴承数据库样本对模型的性能进行了实例验证。研究结果表明:DRSN模型在训练过程中没有出现明显的退化现象,能够始终保持较高的训练效率和故障诊断精度,有效避免了噪声干扰,在不平衡数据集上修正了模型训练的倾向性。与其他模型相比较,DRSN多层模型的平均故障诊断精度提高约1%~6%。

一种NLF-对数小波阈值的脉冲干扰降噪方法

在脉冲噪声背景下,传统信号降噪方法性能退化,无法去除强脉冲噪声,而且会出现计算复杂度增加的问题.本文提出一种基于非线性滤波(Nonlinear Filtering, NLF)和小波阈值去噪的联合算法,该方法利用非线性滤波算法抑制强脉冲噪声点干扰,通过改进的对数小波阈值函数去噪方法进行全局处理,快速而且高质量的完成对信号降噪.实验结果表明,本文所提算法对脉冲噪声背景下的多种信号类型都具有可行性,能够获得更高的峰值信噪比,具有很好的降噪效果.