改进的K-奇异值分解图像去噪算法

针对传统的K-奇异值分解信号利用率不足,采用了稀疏贝叶斯学习预处理图像信号;将正交匹配追踪与改进之后的最速下降理论相结合;因噪声原子存在于字典更新之后得到的字典中,所以结合Bartlett检验法将噪声原子裁剪掉。实验结果表明,此方法相对于小波阈值去噪法、基于离散余弦变换字典稀疏表示等去噪方法能够更好地滤除噪声,保留图像边缘信息,获得更高的峰值信噪比,得到图像视觉效果更佳。     

钢包耳轴根部焊缝的相控阵超声检测与信号处理

采用匹配追踪算法和小波变换对低信噪比(2dB和-5dB)钢包耳轴根部焊缝缺陷检测信号进行预处理对比分析,在定制试块上采用64阵元超声相控阵探头对深度为230mm的耳轴根部焊缝进行检测,并且结合基于Gabor原子库的匹配追踪算法对回波信号进行消噪后成像.结果表明,在低信噪比(-5dB)条件下,匹配追踪算法较小波变换有更好的预处理效果;对深度位于220mm和230mm处的钢包耳轴焊缝缺陷的实际检测信号进行去噪处理时,匹配追踪算法能够准确定位缺陷位置并显著提高缺陷处信噪比.     

基于波原子阈值算法的OCT图像降噪技术

为了消除或缓解光学相干断层成像方法中散斑等噪声对OCT图像像质退化的影响,提出了基于波原子阈值去噪算法。波原子变换是一种新型的二维多尺度变换,且满足曲线波的抛物比例尺度关系和各向异性征;波原子适用于模式的任意局部方向,能够对轴方向的各向异性模式稀疏展开。本文利用波原子阈值去噪算法,对人眼眼底组织和手指指尖皮肤的OCT图像进行降噪处理,并与传统的小波阈值算法和快速曲波算法对OCT样品图像去噪效果进行对比分析。结果表明,基于波原子阈值去噪方法能够有效地抑制OCT图像散斑噪声,并能保持图像边缘细节特征。     

基于Dice匹配的改进型匹配追踪算法

内积匹配准则作为一种搜索最匹配原子的方法,被广泛应用在传统压缩感知(CS)算法中。然而,由于该准则无法对相似向量进行准确度量,通常会导致最匹配原子的误判率高,无法满足更高精度的数据重构需求。针对这一问题,本文提出一种基于骰子(Dice)匹配的二次筛选选择性回溯匹配追踪(DSS-SBMP)算法,引入Dice系数匹配准则解决内积匹配准则对两向量间相似度度量不准确的问题;通过对原子进行二次筛选来减少原子所对应支撑集内的错误索引数,同时引入选择性回溯克服迭代过程中存在的回溯过度现象。仿真结果表明,DSS-SBMP算法在迭代过程中能够保留更多的正确原子,算法迭代次数小于子空间追踪(SP)算法,重构性能优于同类贪婪算法。     

基于时域流形稀疏重构方法的滚动轴承故障特征增强研究

振动信号降噪处理一直是滚动轴承故障诊断中的一个重要的研究内容。利用时域流形和匹配追踪的优点,克服两种方法的不足,提出一种优势互补的新方法——时域流形稀疏重构方法。时域流形具有良好的去噪能力,却由于其非线性的处理过程导致振幅信息不能保持。匹配追踪方法的降噪能力与原子本身有关,由于不能保证选取到最能表征信号的原子,故其降噪能力具有局限性。提出的方法克服了上述问题。首先通过匹配追踪的方法以时域流形结果为基础从一个过完备字典中找到最匹配的原子,之后以得到的原子与原始信号匹配计算获得重构的稀疏系数,最后通过稀疏系数和得到的原子重构信号,该结果同时具有匹配追踪和时域流形的优点。以轴承故障信号分析为例,验证了该方法的有效性。同时和时域流形及匹配追踪方法相比较,结果显示该方法具有明显的优越性。     

基于稀疏AR建模信号去噪研究与应用

为去掉在不同环境、设备下所采集信号中的不同分布形态噪声,引入稀疏优化求解思路构建新的去噪算法。设信号的AR模型系数是稀疏的,且噪声对AR模型系数影响均衡分布,则可用采集的含噪声信号构建稀疏AR模型有效消除噪声。用含噪声信号构建AR系数矩阵作为过完备稀疏基,通过多次重复随机抽取方式获得多个欠定方程组;利用稀疏优化求解算法获取AR模型稀疏系数;据稀疏系数平均值重构信号。仿真实验表明,信号含噪声较大时该算法较经典小波及中值滤波去噪效果更好。     

双小波非凸稀疏正则化去噪算法研究

针对航空发动机ECT滑油监测数据在采集传输过程中易受噪声干扰而影响数据有效特征提取的问题,提出了一种双小波去噪算法。在2个小波域下对数据进行分解,通过阈值函数进行滤波,利用小波系数的分布差异,迫使2个小波域下的去噪信号相同,反正切函数作为罚函数,得到更加稀疏的系数表达。实验结果表明:与传统的小波去噪方法相比,连续信号和阶跃信号的平均信噪比提高了约2.3dB和4.2dB,去噪效果得到优化。     

基于波原子变换的三维地震信号盲去噪

基于波原子变换的三维地震信号盲去噪算法,利用基于块的噪声估计算法估计信号噪声,采用循环平移处理信号并进行波原子变换,利用估计的噪声标准差按不同尺度分层设置阈值并进行修正,再采用改进的阈值函数处理波原子变换系数,进行波原子反变换与逆循环平移,得到去噪后三维地震信号。对含噪的合成与实际地震信号去噪,并与小波、双树复小波、曲波及传统波原子变换的去噪结果对比;结果表明,该算法较其它对比算法有明显优势,且随含噪量的增加,去噪优势愈加明显。从输出信噪比、均方误差以及峰值信噪比等评价指标可知,基于波原子变换的三维地震信号盲去噪算法去噪效果最佳,其次为传统波原子变换算法,然后为曲波变换与双树复小波变换算法,传统小波变换算法的去噪效果最差。     

遗传算法优化稀疏分解的齿轮箱故障诊断研究

齿轮箱传动结构复杂,其出现故障时的振动信号往往含有强噪声。在强噪声背景下微弱信号的特征提取是振动信号处理领域的难题。稀疏分解方法能够自适应地提取强噪声背景下的微弱信号特征,但其在寻找最优匹配原子时计算量特别大。为加快匹配最优原子的速度,提出利用遗传算法优化匹配追踪的信号稀疏分解算法,优化后的算法大大降低了匹配追踪算法中寻找最优原子参数的计算量。齿轮故障振动信号的主要特征是调制现象,通过稀疏分解对含有噪声的信号进行降噪,然后进行频域分析,根据频域分析结果实现齿轮的故障诊断。对仿真的齿轮调制振动信号和实际采集的齿轮箱振动信号分析表明,该方法能够从含有强噪声的振动信号中快速且准确地提取出故障特征频率。     

基于改进的稀疏度自适应振动数据修复方法

基于压缩感知的数据重构方法已用于解决信号采集中受损数据的修复问题,该算法首先需要已知数据稀疏度,而振动信号的稀疏度通常难以确定,增加了数据修复的难度;稀疏度自适应匹配追踪算法(SAMP)无需预估信号稀疏度,可用于受损数据修复,但SAMP算法的修复结果受终止条件影响较大,导致修复精度不高且效率较低;为此提出了基于终止准则改进的稀疏度自适应数据修复方法。基于振动信号波形特征和先验知识,选择适当的字典矩阵实现信号稀疏化;以单位矩阵为基础,根据数据的缺失模型构造观测矩阵;为了避免传统SAMP算法终止系数选取不当,导致支撑集引入错误原子的问题,采用改进的SAMP算法重构出完整信号,实现受损数据修复。通过仿真信号及轴承实测信号验证了方法有效性,且改进的SAMP算法在重构精度和运算效率上均有所提高;此外,改进的SAMP算法重构效果优于正交匹配追踪(OMP)与正则化正交匹配追踪(ROMP)。     

深度神经网络在螺旋桨叶片数识别中的应用

从调制(Demodulation on Noise, DEMON)谱谐波簇中提取的结构特征可以建立用于螺旋桨叶片数识别的模板。使用模板匹配算法进行螺旋桨叶片数识别时,存在依赖模板库和置信度准则、算法约束条件多、无法发现缺失模板等问题。本文提出了一种将深度神经网络(Deep Neural Network, DNN)应用于螺旋桨叶片数识别的方法,该方法仅在训练深度神经网络时使用模板库,克服了识别过程中对模板库和置信度准则的依赖。此外,通过提取识别错误项,可以找到缺失模板,实现了对模板库数据的补充。使用该算法对大量实测数据进行检测,发现深度神经网络具有更高的识别正确率,而且识别过程更加简单可靠。     

动态载荷时域识别的联合去噪修正和正则化预优迭代方法

系统响应可表示为单位脉冲响应函数与激励载荷的卷积,将其离散化一组线性方程组,则载荷识别问题即转化为求解线性方程组的反问题。针对响应中带有噪音时载荷识别的困难,提出了联合奇异熵去噪修正和正则化预优的共轭梯度迭代识别方法。一方面对含噪信号进行基于奇异熵的去噪处理,提高反问题求解中输入数据的精度。另一方面利用正则化方法对共轭梯度迭代算法进行预优,改善反问题的非适定性。由于从输入的响应数据去噪和正则化算法两方面同时改善动态载荷识别反问题的求解,因此可以有效地抑制噪声,提高识别精度。通过数值算例分析,表明在不同的噪声水平干扰下,其识别精度均优于常规的正则化方法,能够实现有效稳定地识别动态载荷。最后通过实验研究进一步验证了该方法的正确性和有效性。     

基于正交匹配追踪的强脉冲电磁干扰滤波新方法

针对强脉冲电磁干扰能量大、规律性不强,对信号污染严重,提出了一种滤波新方法。依据信号和脉冲电磁干扰结构的不同,构造了单位脉冲原子匹配脉冲电磁干扰,选择正弦原子、余弦原子和小波原子匹配有用信号。不同于常规稀疏分解滤波的思路,本文首先将脉冲电磁干扰看作信号成分,使用上述原子利用正交匹配追踪进行分解。然后,仅选择正弦原子、余弦原子和小波原子匹配的成分作为无噪信号,并将单位脉冲原子匹配的成分作为干扰滤除。仿真实验和实例应用证明,该方法能够有效抑制强脉冲电磁干扰和白噪声,不仅信噪比高,而且保留了细节。     

一种基于贝叶斯正交匹配追踪的水下多径稀疏信道估计方法

使用训练序列构成的测量矩阵并采用稀疏恢复算法是近年来常用的多径稀疏信道估计思路。提出一种贝叶斯匹配追踪算法的正交化改进方法,有效地改善了原方法的收敛速度,并将其应用于水下多径稀疏信道估计。进行了新方法的理论推导和两种水下稀疏信道模型中的仿真试验,进而与传统贪婪迭代和贝叶斯估计方法的估计效果进行了对比。仿真结果证明,所提出的新方法比原方法的收敛速度更快,能更高效地进行多径稀疏信道估计。新方法在低信噪比和呈簇状集中分布的水下多径稀疏信道中也有更好的估计效果。     

基于稀疏表示和自适应字典学习的“高分一号”遥感图像去噪

对高分辨率遥感图像进行去噪是遥感研究中的一个重要难题。本文提出了一种新的基于稀疏表示的高分辨率遥感图像去噪算法,该算法根据加噪高分辨率遥感图像的特点利用 K-SVD 算法自适应的学习得到能高效描述遥感图像内容的字典,利用稀疏表示实现去噪,并且保留原图像的有用信息。通过对“高分一号”获取的遥感图像进行实验表明,该算法能较好地滤除遥感图像的噪声,提高了图像的峰值信噪比,该方法比其他字典学习算法及其他去噪算法具有更好的性能。     

原子钟频差数据去噪算法的研究

为降低原子钟频差的噪声,根据其数据非线性非平稳的特征,将整体经验模态分解用于原子钟频差去噪算法。首先将原子钟频差数据叠加一定强度的白噪声;然后进行经验模态分解,如此重复多次;最后将各分量叠加求平均得到去噪的原子钟频差序列。从时域和频域上分别分析了该算法的去噪效果,并与小波阈值去噪算法进行了比较。结果表明,该算法有效地去除了原子钟频差数据序列中的噪声,将方差由小波算法的2.707%降为0.7263%,数据变得更加平稳。     

基于Polar插值改进的结构振动信号压缩采样正交匹配追踪恢复算法

压缩感知是近年来出现的采样和信号处理方法,它利用了信号中普遍存在的稀疏特性,从而可以以远低于奈奎斯特频率的采样速率采集压缩样本,并依概率恢复得到真实信号。结构振动信号具有一定的稀疏性。对其进行压缩采样并进行信号重构,离散傅里叶原子的频率往往与信号实际频率不匹配,造成频率泄漏,降低信号重构精度。针对离散原子库存在的缺陷,采用Polar插值对正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法进行了改进。以OMP算法选择的最优原子为基础,利用Polar插值在最优原子临近构建频域连续原子库,构建了信号重构的优化模型,通过凸优化算法获得实际频率的最优估计。改进算法以较小的计算量实现对OMP算法得到的离散原子频率的修正。通过对结构振动的数值模拟和对模型试验压缩信号的重构,结果表明,与常规算法相比,改进算法可有效提高信号重构精度,特别是在压缩观测值数量较少的情况下,精度提升效果更加明显。     

稀疏重建的兰姆波结构损伤定位

研究了基于稀疏重建算法的兰姆(Lamb)波损伤成像方法。利用损伤的稀疏性,对测量信号在字典中寻求其稀疏表示,通过稀疏重建方法得到定位缺陷的图像。由兰姆波信号传播模型理论,计算检测区域所有可能出现缺陷位置对应传感器接收到的散射信号波形,以此组成过完备字典;并通过梯度投影算法从字典中搜寻匹配的原子,匹配原子在字典中的位置对应于缺陷在检测区域中的位置。仿真实验采用多模态兰姆波进行损伤定位,结果表明稀疏重建方法在低噪声情况下可以实现对单个、两个缺陷的定位,和延迟求和成像方法对比,稀疏成像具有更少的噪声干扰及伪像。     

一种基于变步长LMS算法的语音增强方法

LMS算法在自适应滤波器中得到广泛应用，但这种方法具有收敛速度慢，对非平稳环境敏感性强，步长需要谨慎选择才能达到收敛和失调的折中等缺点。为了改善非平稳条件下FIR自适应滤波器的性能，文章介绍了一种变步长的LMS算法，这种算法迭代过程中步长在规定的上下限内是关于信噪比的递减函数，用于自适应噪声对消器中去除含噪语音信号中的加性噪声，以解决固定LMS算法中跟踪速度和失调的矛盾。对不同信噪比的含噪语音信号去噪，仿真结果证明该方法优于NLMS(Normalized Least Mean Square)算法，在提高收敛速度的情况下减小了剩余均方误差和失调，但需增加少量的运算量。     

基于信号稀疏表示和瞬态冲击信号多特征提取的滚动轴承故障诊断

在滚动轴承故障信号特征分析中,针对瞬态冲击信号稀疏表示和特征提取问题,提出一种基于IChirplet原子的故障信号多重特征提取方法。在分析故障信号特点的基础上,构建IChirplet原子库,利用优化的OMP算法进行原子寻优,然后提取IChirplet原子的时频参数和重构信号的敏感特征作为特征参量,通过PSO_SVM实现故障分类。实验证明IChirplet原子与滚动轴承故障信号有较好的匹配性,且多重特征的提取能够有效表征故障信息,更准确地判断轴承故障类型。