基于深度学习和双域融合的红外成像制导系统复杂背景噪声去除方法

红外成像制导系统受到严苛运行环境影响,其成像过程伴随复杂背景噪声干扰,严重影响系统制导跟踪精度。为减少复合噪声对红外成像效果的影响,在分析多种常见噪声的成因和特性的基础上,提出一种基于加性成分和乘性成分的噪声特性先验设定,结合空间域和变换域的双域融合去噪思想,设计了一种基于深度卷积神经网络的多类型噪声去除方法。该方法将富梯度流卷积模块引入UNet++结构以缩减梯度信息冗余并提升多感受野特征提取能力;针对噪声形态特性提出维度注意力机制以实现双域噪声估计;引入高阶双树复小波变换作为域变换方法,提升在不同尺度和方向上对噪声成分的识别能力。通过消融实验验证了噪声先验设定以及双域融合去噪思想的有效性和优越性,通过对比实验证明了所提方法对多种类型噪声均具有优秀的去噪能力。所提方法对高斯噪声的去噪峰值信噪比和结构相似度指标分别达到29.57和0.85,优于其他典型噪声抑制方法;对多类型混合噪声则分别达到27.84和0.82,达到良好的去噪水平。此外,也验证了所提方法对真实图像噪声具有优秀的去噪能力。

基于HHO优化的时空水质预测模型

我国水资源现状不容乐观,提高水质预测模型精度对水资源质量监测具有重要意义。为捕捉水质指标时序数据非线性变化趋势,水质指标多基于神经网络模型进行预测。但是现有模型忽略了河流流向,没有考虑上游监测点水质对下游水质的影响;同时现有模型多基于启发式优化算法中的粒子群算法调整神经网络的超参数,但该优化算法仍需设置较多超参数,而参数选取不当容易使模型陷入局部最优。为此,建立了时空水质预测模型(WT‐CNN‐LSTM‐HHO),利用哈里斯鹰优化算法(HHO),基于上游水质数据预测下游的氮、磷和溶解氧水质指标。实验结果显示,本文所提出的模型对水质预测性能有明显提升,可以实现设置较少超参数而达到较高的水质预测精度。

基于改进无参尺度空间经验小波变换的变压器高频电流局放噪声抑制研究

变压器是电力系统中的关键设备,局部放电(PD)是致使变压器绝缘劣化的主要原因,也是绝缘劣化的重要表现形式。针对高频PD信号中复杂的噪声信息,提出一种基于互信息和峭度优化的改进无参经验小波变换的降噪方法。该方法以经验小波变换(EWT)分解为基础,构造高斯核函数平滑频谱生成尺度空间,利用k-means聚类对边界点进行筛选得到频带分界点,然后提取无参尺度空间EWT分解的模式分量的互信息值和峭度值进行合并优化,排除冗余的频谱划分点并对频谱重新分割,利用新的频谱边界进行划分得到有价值的分量,在有价值的分量中去除噪声分量并将剩余分量进行通用阈值降噪然后重构信号达到PD信号降噪效果。文中方法不需要人工参与且解决了模态混叠问题,仿真和实验室、现场测试表明,与现有小波变换降噪和基于经验模态分解降噪的方法进行对比,文中的方法能够更加有效抑制PD信号中的噪声信息。

煤矿井下非均匀照度图像去噪研究

煤矿综采工作面空间小、照明环境复杂多变,采煤过程中伴随着大量的粉尘、大雾,导致采集的图像出现曝光、细节特征减弱等问题,难以对井下照明区域光照强度过大的图像进行有效的特征提取。针对上述问题,提出了一种煤矿井下非均匀照度图像去噪算法。首先,将视频截取为图像,判断图像是否需要进行光照抑制,将需要进行光照抑制的RGB图像拆分通道,并计算每个通道的光照调节因子,实现图像的整体光照调节;然后,将未进行整体光照抑制的图像和经整体光照抑制的图像进行反射分量提取,即将输入的图像转换为HSV空间图像,使用单尺度Retinex(SSR)算法对V通道图像中的光照分量进行单独处理,将V分量中的入射分量去除,保留反射分量,并对反射分量使用直方图均衡算法实现光照均衡化处理;最后,使用基于引导滤波的暗通道先验算法对经过光照处理后的图像进行去雾处理,并使用伽马校正函数重新调节亮度不均的图像。主观评价结果表明:提出的煤矿井下非均匀照度图像去噪算法有效抑制了因光照导致整体亮度较高的问题,且由于大雾、粉尘等因素导致图像模糊的部分更加清晰,图像的细节特征更加突出。采用信息熵、均值、标准差、空间频率4种评价指标对提出的算法效果进行客观评价,结果表明,提出的算法在信息熵、均值、标准差、空间频率上较多尺度Retinex(MSR)算法分别平均提升了21.87%,-56.06%,153.43%,294.45%,较基于颜色保持的多尺度视网膜增强(MSRCP)算法分别平均提升了1.18%,-39.56%,33.29%,-4.71%,较带色彩恢复的多尺度视网膜增强(MSRCR)算法分别平均提升了38.06%,-55.27%,462.10%,300.96%,说明提出的算法能更有效地增加图像信息量、抑制光照强度、提升边缘信息及图像清晰度。

密度先验引导的无监督深度点云降噪算法

为了提高无监督深度点云降噪算法的性能,提出密度先验引导的无监督深度点云降噪算法.基于现有的网络框架,首先设计了密度先验,通过噪声点云的整体分布计算每点位于真实底层曲面的概率;然后利用深度网络,通过上采、下采等策略克服大噪声点的影响,得到降噪点云;最后利用密度先验优化干净点的条件概率分布,设计无监督损失函数对网络进行优化,得到最终算法.此外,基于密度先验还提出低噪声点筛选方法和滤波算法.所提算法在PyTorch上实现,以基于ModelNet-40构造的仿真数据库及真实扫描数据PERL为例,以倒角距离及点到曲面的距离为评价指标.与DMR等算法相比,倒角距离平均降低0.35~1.34,点到曲面的距离平均降低0.68~1.94.实验结果表明,所提算法降噪结果优于现有算法,且具有较强的鲁棒性、普适性和泛化能力.

基于机器学习的语音增强技术

主要研究基于机器学习的语音增强技术,以提升语音信号的质量。首先,介绍基于机器学习的语音增强系统框架。其次,详细探讨谱减法与深度神经网络(Deep Neural Network,DNN)相结合的语音增强方法的数学原理。最后,采用NOISEX-92数据集测试与评估提出的方法。实验结果表明,基于谱减法与DNN的语音增强方法在提升信噪比和语音清晰度方面取得显著的效果,能够有效提升语音通信质量。

基于SDAE的终端区气象场景模式识别方法

气象条件是影响终端区航空器运行安全及效率的主要因素之一。为提高终端区气象场景模式识别精度,采用基于堆叠降噪自编码(SDAE)的聚类模型,在输入层添加随机噪声、构建3层自编码、逐层贪婪训练,降维后的特征作为聚类的输入,实现气象场景的模式识别。以天津滨海国际机场2022年气象观测数据为例,基于SDAE与欧氏距离、汉明距离、曼哈顿距离等传统相似性距离度量方法,分别使用K-medoids与FCM两种聚类方法进行验证。结果表明:基于SDAE的相似性度量在K-medoids与FCM聚类中均表现最优,与其他相似性度量相比差异率分别达到22.4%,12%,17.7%与24.8%,10.7%,11.8%,且运算时间最短,证明了基于SDAE的度量、聚类效果最优,最终识别出8个气象场景,各场景分类清晰明确。

基于EWT-KLD的机械密封金刚石涂层磨损声发射降噪

为了准确获得机械密封金刚石涂层在磨损过程的声发射信号,在分析机械密封设备的噪声特性基础上,提出了基于经验小波变换(EWT)和相对熵(KLD)的声发射降噪方法;通过对磨损声发射信号进行经验小波变换得到划分其频带的滤波器组,对磨损声发射信号和背景噪声发射信号用相同的滤波器组划分频带;计算相应频带2种信号的相对熵,用累计和算法在升序排列的相对熵中找到首个大于3σ的值作为阈值,保留相对熵值大于阈值的频带重构信号,完成降噪.研究结果表明:本文所提的EWT-KLD方法可以有效抑制不同工况、不同磨损状态的声发射信号的噪声,有效改善了磨损声发射信号的信噪比,尤其是微弱磨损信号的信噪比,提高了密封端面磨损声发射检测的精度和灵敏度;通过与传统降噪方法的对比发现,本文方法能够对不同工况下的密封磨损声发射信号降噪表现出更强的适应性和稳定性,对于及时检测早期密封磨损和准确监测磨损累积变化过程具有重要意义.

填埋场渗漏磁法检测的噪声来源与剔噪方法综述

填埋是固体废物集中处置的主要手段,填埋场则是固体废物对地下水环境影响集中发生的场所。通过防渗层HDPE膜漏洞的渗漏是导致地下水污染的主要途径和方式,开展防渗层渗漏快速检测和精准定位具有重要意义。传统电学渗漏检测难以检测双层衬垫或多层衬垫系统的下层衬垫破损,基于传统电法改进的电磁方法展现出下层衬垫检测的潜力,但迫切需要解决填埋场复杂服役人文环境和地球磁场环境下的电磁噪声干扰问题。为此,通过对磁法检测原理和信号特征的深入分析,以及对背景磁噪声类型、来源、特征和电磁噪声去噪方法的综述,得出如下结论:在特定条件下,漏洞越近,其磁场信号越强;填埋场噪声主要来源于地磁和人文磁场,且不同噪声有不同特征,需不同处理;去噪过程先预处理排除干扰,其次在检测中选择适宜的滤波或测量法去除噪声。

高分辨率五维地震道集优化处理技术及其应用

五维地震解释技术在裂缝预测和流体识别中发挥了重要作用。道集数据是开展五维地震解释的基础,为了解决五维地震道集存在的各向异性时差、优势频率和信噪比低等问题,提高道集数据质量,提出了高分辨率五维地震道集优化处理技术。通过建立道集去噪、道集提频、时差校正、方位角道集优化以及高精度井震标定定量优化处理参数等技术流程,提高了五维道集数据的分辨率、信噪比和保真度。胜利油田牛庄地区实际OVT资料的应用结果表明,该技术优化处理后同相轴连续性好,地层接触关系更清楚,分辨率明显提高,地震主频由25 Hz提高到43 Hz,优势频带由8~51 Hz拓宽到6~74 Hz;同时,井震相关系数也由0.75提高到0.90。利用处理后的数据精细描述砂体面积43.8 km 2,部署井位3口,实现了该区预测储量升级。实践结果表明,高分辨率五维道集优化处理技术能够充分挖掘五维地震数据的潜力,为后续的叠前反演和储层预测等工作奠定了基础。

GPR图像的数据集构建及其DRDU-Net去噪算法

为了解决生成对抗网络(Generative Adversarial Network,GAN)在生成探地雷达(Ground Penetrating Radar,GPR)图像时存在训练不稳定的问题,提出利用带有梯度惩罚的Wasserstein距离生成对抗网络(WGAN-GP)生成GPR图像,并结合时域有限差分法和实地采集图像提出了一种构建GPR图像数据集的方法.相较于原始GAN与Wasserstein GAN等方法,WGAN-GP具有更好的稳定性,而且生成的GPR图像更接近真实图像.在此基础之上,将密集残差块和U-Net相结合提出了一种适合于GPR图像的密集残差去噪U-Net方法.该方法利用U-Net中编码-解码结构提高了GPR图像的去噪性能;同时,密集残差块的引入加强了GPR图像的特征复用,且使U-Net训练更加稳定.最后,利用仿真实验验证了所提去噪方法的性能,并与三维块匹配(BM3D)和U-Net方法进行了对比.结果表明:所提方法与BM3D以及U-Net去噪方法相比,具有更好的去噪效果.当σ等于20时,在模拟和实测数据上取平均值,其峰值信噪比分别提升了约6.5 dB和2.4 dB;结构相似性分别提升了约0.09和0.04.

基于CEEMD-MPE-IMPROVED WTD的爆炸振动信号噪声抑制方法

光纤分布式声传感(distributed acoustic sensing,DAS)系统因其灵敏度高、抗电磁干扰和分布式远距离传感的特点,广泛应用于微震监测和震源定位等领域。通过DAS系统采集爆炸产生的振动信号,并利用信号的到时信息进行爆源定位。但由于爆炸试验现场的噪声干扰,信号和噪声混叠,到时算法求得的到时信息误差较大,影响定位精度,因此需要对信号进行去噪处理。鉴于经验模态分解(empirical mode decomposition,EMD)方法处理爆炸振动信号时有效信息的严重损失,提出了一种基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、多尺度互变熵(multiscale permutation entropy,MPE)和改进的小波阈值去噪(wavelet threshold denoising,WTD)的融合降噪方法,对DAS系统采集的信号进行去噪。它与EEMD-MPE、CEEMD-MPE和CEEMD-MPE-WTD方法进行了比较。试验结果表明,该方法可以将信噪比(signal-to-noise ratio,SNR)提高到25.95 dB,明显高于其他方法。用去噪后的信号来定位信号源,误差在5米以内。而且该方法可以有效地去除环境噪声和仪器的高频噪声,同时保留了爆炸振动信号的主导频率能量。结果表明,该方法适用于爆炸振动信号的去噪。

基于经验模态分解的单端BOTDA系统降噪方法研究

针对单端布里渊光时域分析(BOTDA)系统存在噪声大、信噪比较低等不足,提出一种基于经验模态分解的降噪方法。理论分析经验模态分解的降噪原理和少模光纤单端布里渊光时域分析传感原理,通过搭建的单端结构布里渊光时域分析温度传感系统,对经验模态分解的降噪效果进行对比分析。实验和仿真结果表明,经验模态分解算法对温度传感系统具有良好的降噪效果,降噪后信噪比提升了约3.06dB,温度测量精度提升了约0.98℃。

基于直觉模糊知识量的图像噪声检测与去除

针对现有依赖于有缺陷的直觉模糊熵(IFE)理论的图像噪声检测算法的不足,引入最新知识测度(KM)理论及模型,提出一种基于直觉模糊知识量(IFAK)的图像噪声检测与去除方法。噪声检测阶段,基于直觉模糊最大知识量确定噪声图前景、背景最佳平均灰度值,据此构建噪声检测参数化模型,实现噪点及疑似噪点的概率标记,表现出优良的噪声检测能力。噪声去除阶段,利用噪声概率矩阵提出一种基于直觉模糊知识量及概率噪声的去噪模型,在有效去噪的同时,更好地保护图像边缘及非噪声极值像素的特征。对比实验针对标准数据集及经典测试图分别进行,实验结果表明,所提方法能够准确识别图像脉冲噪声,有效实现图像去噪,整体性能及表现优于同类其他算法,关键指标值PSNR提升14.81%,SSIM提升11.35%。将知识测度新理论应用于图像去噪中,取得优良的评价指标与视觉效果,同时也实现该理论在其他相关领域的创新应用。

金属磁记忆检测的关键技术研究现状与展望

金属磁记忆检测技术是一种绿色无污染、可检出早期应力集中、隐性损伤以及宏观缺陷的全寿命无损检测技术,经过20多年发展,已取得众多研究成果并应用于压力容器、石油管道、铁路桥梁、能源电力、航空航天等重要领域。针对金属磁记忆检测技术近年来的热点与难点问题,从理论基础到工程应用中的关键技术出发,归纳总结了磁记忆检测技术的机理、信号降噪与特征提取,以及机器学习在磁记忆检测评价中的应用等方面的研究现状,并对磁记忆检测技术亟待解决的关键难点问题与未来发展方向进行了探讨。

协同感知损失和注意力机制的低剂量CT去噪

由于存在特有的量子噪声,低剂量CT去噪是一项艰巨的任务。当前主流研究使用的深度学习方法存在定性和定量指标不匹配的问题,实验结果的定量指标高,但视觉效果不好。为此,提出一种感知损失和注意力机制的低剂量CT协同去噪网络。该协同机制能够在保证视觉效果的基础上明显改善现有方法定量指标低的问题。模型在网络输入端还引入8方向的边缘检测层,可提取更丰富的纹理与结构信息,进一步提升了网络效果。针对体模数据集和真实临床数据集的实验对比结果表明,该方法相比主流工作,在视觉感受和PSNR以及SSIM指标上,均有更优异表现。

应用生成对抗网络的地震数据重建和去噪一体化方法

在实际采集过程中,受地形条件和人为因素的影响,地震数据不仅在空间上会出现采样不足或不规则的情况,而且会混入噪声,不利于后续地震数据的处理和解释。通常将重建与去噪分为两个阶段处理,这样往往会引入额外的误差。为此,文中提出了一种基于条件韦氏生成对抗网络(cWGAN)的地震数据重建去噪一体化方法,该方法研究的重点是在缺失道和噪声的混合干扰下,准确提取地震数据的有效特征。首先,以U-Net模型为基本网络结构来构建生成器模型,分级提取地震数据同相轴特征;在判别器模型中引入条件约束,引导生成器优化梯度方向。其次,建立重建和去噪误差描述模型,该模型设计了一体化损失函数,可以兼顾重建与去噪两方面的处理任务。最后,经过合成数据和实际数据测试,证明文中所提的网络模型恢复的地震数据信噪比更高且具有较强鲁棒性。

基于内外混合图像先验与图像融合的DIP改进降噪模型

为提高无监督深度图像先验(DIP)降噪模型的降噪性能,该文提出了一种基于内外混合图像先验与图像融合的DIP改进降噪模型(IDIP),该模型由样本生成和样本融合两个相继执行的模块组成。在样本生成阶段,首先利用2个分别来自内部和外部先验且有代表性的降噪算法(模型)处理噪声图像以产生2张初始降噪图像。基于这2张初始降噪图像,使用空间随机混合器按照各自50%混合比例随机生成足够多的混合图像作为DIP降噪模型的第2目标图像并与第1目标图像(即噪声图像)构成双目标图像。然后,每次使用不同的随机输入和双目标图像,多次执行标准DIP降噪流程生成多张具有互补性的样本图像;在样本融合阶段,首先为了获得更好的随机性和稳定性,随机丢弃50%的样本图像。然后,采用无监督融合网络在样本图像上完成自适应融合,获得的融合图像的图像质量相对参与融合的样本图像得到再次提升,作为最终降噪图像。在人工合成噪声图像上实验表明:IDIP降噪模型较原DIP降噪模型在峰值信噪比评价指标上有约2 dB的提升,且较大幅度超过了其他无监督降噪模型,逼近了有监督降噪模型。而在实际真实噪声图像上,其降噪性能较各对比方法更具鲁棒性。

基于DDPM的调制信号星座图去噪方法

调制信号广泛应用于有线通信、无线电通信和视频传输等领域。然而,调制信号在传输过程中常受到噪声干扰,这为后续调制识别造成了影响。针对这一问题,本文提出一种基于去噪扩散概率模型(Denoising Diffusion Probabilistic Model,DDPM)的调制信号去噪方法。该方法将理想调制信号星座图样点坐标输入神经网络,基于DDPM正向扩散加噪过程生成噪声数据训练网络模型,用DDPM逆扩散过程实现真实调制信号星座图去噪。该方法能够在任意噪声干扰下,恢复出信噪比较高的调制信号星座图。实验结果表明,该方法在处理二进制相移键控(Binary Phase Shift Keying,BPSK)、正交相移键控(Quadrature Phase Shift Keying,QPSK)、8移相键控(8 Phase Shift Keying,8PSK)调制方式时表现出了显著的去噪效果。当信噪比高于-5 db时,去噪后的星座图样点坐标偏移量仅为1.17e-02,标准差仅为1.53e-04,可有效用于调制识别中。

基于小波变换的语音信号去噪算法优化

深入研究基于小波变换的语音信号去噪方法,并针对传统方法在复杂噪声环境下处理效果不佳的问题,提出一种基于自适应阈值的小波变换去噪优化方法。首先,分析小波变换去噪的基本原理。其次,深入研究自适应阈值技术的数学模型,并将其应用于小波变换,通过动态调整阈值来适应不同噪声环境的需求。最后,采用Aurora数据集进行实验验证。实验结果表明,该方法能够有效去除噪声。