多源声发射信号混合重叠组稀疏分类研究

针对高速列车车体裂纹声发射检测的多源、波模式重叠及噪声干扰问题,提出一种基于本征模态的混合重叠组稀疏(MOGS)分类方法用于声发射源识别。MOGS是一种兼顾组间和组内稀疏,同时允许类间特征重叠的结构稀疏模型。设计了一种新的噪声预分解矩阵以降低本征模态分解计算量,选取目标特征频带模态为分类样本来提高类间差异。通过K-SVD层次稀疏组套索罚训练MOGS类别字典,并给出一种罚函数块坐标可分离的近似光滑处理过程以实现MOGS套索求解。实验表明,该方法对几类多源含噪信号分类准确率均高于80%,在识别率和波形重构效果上优于对比方法。

组套索超图正则化特征选择方法及抑郁症分类研究

【目的】抑郁症分类诊断研究中,特征选择扮演了重要角色。【方法】针对现有超图正则化特征选择缺失组效应信息问题,提出基于组套索的超图正则化特征选择方法。首先,对抑郁症功能磁共振影像(functional magnetic resonance imaging,fMRI)数据集进行预处理。其次,基于预处理后的功能磁共振数据,构建5个不同尺度的脑网络模型并计算拓扑属性提取特征。基于提取的特征,利用组套索方法构建超图,利用超图正则化特征选择方法进行特征选择。最后,使用支持向量机构建分类模型并评估分类性能。此外,还在UCI数据集中验证了所提方法的有效性。【结果】所提方法在5个不同节点定义模板下,均高于传统的特征选择方法。此外,在模板的节点数量相似的情况下,此方法有更高的分类诊断性能。

CVS中基于块分类的自适应阈值调整组稀疏重构

针对基于结构相似性的帧间组稀疏表示重构(SSIM-InterF-GSR)算法在重构平稳区域时未能充分利用高质量重构的关键帧信息,且稀疏化处理阈值的数值设置不合理的问题,提出了基于块分类的自适应阈值调整组稀疏重构(BC-ATA-GSR)算法。首先,根据块内物体运动状态分类图像块并分配合理的参考帧,以提高视频序列平稳区域的重构质量;然后,根据采样率以及图像块种类自适应设置稀疏化初始阈值,以保留足够的结构信息;最后,提出了迭代阈值梯度缩减方案,以便在提升迭代后期重构质量的同时也加快迭代收敛速度。与SSIM-InterF-GSR算法相比,BC-ATA-GSR算法取得了更好的重构质量,重构QCIF和CIF视频序列的平均PSNR分别最高提升了3.77、2.28 dB,时间复杂度最多下降了42.08%。

基于索引冗余字典的轴承故障组稀疏分类方法研究

基于声发射信号的高速列车轮对轴承早期故障状态诊断和分类复杂性高,常用的人工神经网络及支持向量机方法在参数设置与多分类问题上存在困难。组稀疏分类(GSRC)仅通过超完备字典下稀疏重构即可实现理想的多分类,在图像、语音分类中成为热点。为将GSRC用于轴承故障识别,设计了一种带索引的复合故障冗余字典,利用样本信号多尺度排列熵构成索引字典的小体积优势预先匹配来缩小故障类范围,以邻近梯度法和最优一阶加速的组LASSO约束优化算法来提高收敛性和计算速度;采用改进EEMD结合变分模态分解自适应的获得各故障类初始原子,以保留故障的非线性特征,同时提出一种原子区间平移稀疏编码方法(Interval Translation Sparse Coding, ITSC)放宽了样本数据截取要求,原子有更好的紧凑性与稀疏性;对七类轴承缺陷试验台跑合声发射信号进行分类,验证了该方法的性能。

一种基于联合组核稀疏编码的多模态材料感知与识别方法

传统的机器视觉方法往往难以区分具有高度相似外表的材料,因此,通过融合其他模态信息来克服视觉模态的缺陷十分必要。为解决这一问题,首先,根据各个模态的性质引入一系列合适的相似度评估方法;其次提出使用联合组核稀疏编码方法来融合线性不可分的多模态数据,并且详细介绍一种该模型的求解方法;最后,在包含184个材料的公开数据集上进行多层次对比试验。实验结果表明,在粗、中、细3个不同分类级别的对比实验中,其识别准确率分别为90.8%、76.6%和73.4%,相对于基于视觉模态的识别方法,基于多模态融合的材料识别方法能够显著提高识别效果。

基于稀疏字典的李群机器学习算法

李群机器学习理论被广泛应用于图像集分类中的数据表示和处理,并获得较优结果.由此,文中提出基于稀疏字典的李群机器学习算法.首先使用协方差矩阵对图像集建模,分析协方差矩阵构成的李群结构,应用对数映射将数据映射到线性空间中,得到数据的距离矩阵.再使用路标多维缩放对数据进行降维处理,降低运算成本.最后,使用带费舍尔判别字典学习进行分类.在YTC数据集上的实验证明文中算法具有良好的鲁棒性和准确率.

基于组MCP和复合MCP的人脑功能超网络分析及抑郁症分类研究

近年来,脑功能超网络模型在脑疾病诊断中多有应用.传统的脑功能超网络大多通过LASSO方法进行构建,然而由于脑区间存在组效应问题,在过去的几年里,对LASSO方法进行延伸以进一步改善超网络成为主要研究内容,由此出现各种分组模型方法.但这些方法均存在同样的问题,即惩罚函数对系数的过强压缩,导致模型中目标变量回归系数的有偏估计,使得噪声变量在压缩的同时,目标变量也进行了一定程度的压缩.因此,本文考虑到该问题,并在组效应的基础上,提出两种基于Minimax Concave Penalty(MCP)的无偏稀疏模型用以改进原有方法:组MCP方法和复合MCP方法.实验结果表明,两种方法均优于传统方法,而两种方法由于对变量是否进入模型采取了不同解决方式,因而构建的超网络结构差异较大,复合MCP方法构建的超网络的超边分布范围较为集中,而组MCP方法则较为分散;此外,复合MCP方法得到较好的分类表现和较高的分类权重.本文提出的方法所构建的脑功能超网络可以更好地表达抑郁症患者与正常对照的结构差异,具有重要的理论意义和临床价值.

基于迭代稀疏组套索及SVM的高维分类研究

高维数据存在大量的冗余变量和噪声,传统的分类方法在高维情况下通常效果不佳。为提高分类性能,将迭代稀疏组套索和支持向量机结合,提出了一种新的高维分类方法iSGL-SVM。分别在prostate和Tox_171数据集上验证了所提出的方法,并与其它三种方法进行比较。实验结果表明,该方法具有更好的变量选择效果和较高的分类精度,可广泛应用于高维小样本数据集的分类。