结合多尺度学习的无线体域网数据处理机制

无线体域网进行生理信号长期非间断观测过程中,为捕捉生理数据动态特征以提升信号压缩率,增强网络能量有效性,综合考虑压缩感知和多尺度在线字典学习,提出了一种能量有效数据处理机制。首先依据各尺度系数能量占比设计观测矩阵,以提高观测数据有效性;其次,节点对多尺度小波系数进行随机投影,以深入削减数据量;最后,结合多尺度鲁棒字典学习,高质量恢复原始数据。数值结果表明,所提机制在重构精度、数据压缩率方面表现尤佳,有助于提升网络能量有效性。当压缩率高达85时重构信号仍满足医疗诊断要求。     

一维信号小波压缩的能量动态自适应阈值算法

提出了一种基于小波系数能量的动态自适应阈值算法,用离散小波变换对信号进行多尺度分解,依据小波系数在各层的能量分布以及每层小波系数的能量集中度,获取每层小波系数的压缩阈值。通过这种方法,可保留大部分小波系数能量,并兼顾压缩率性能。经仿真验证,本文阈值算法在多种小波和不同的分解尺度上的压缩性能稳定,与Birge-Massart策略阈值和全局阈值比较,在压缩率和保留能量综合性能评价上优于Birge-Massart策略阈值和全局阈值算法。     

基于压缩感知的互联网数据采集技术研究

互联网数据量大、种类多，传统数据采集技术无法满足当前的数据采集需求。基于压缩感知理论，提出了互联网数据采集的新方法。采用K-SVD字典学习对互联网数据进行自适应稀疏表示，在此基础上进行压缩观测和信号传输。在满足有限等距性的基础上进行信号重构，从而获得高精度的互联网重构数据。将提出的数据采样技术应用于能源互联网中，同时和DCT字典、FFT字典对能源互联网数据的重构结果进行对比。结果表明，采用K-SVD对能源互联网数据采集具有比较高的数据恢复精度，这对互联网数据采集技术的发展具有一定的参考价值。     

基于K-奇异值分解字典学习的振动信号压缩感知方法

针对在齿轮箱的状态监测和故障诊断过程中传统的奈奎斯特采样定律采集到的振动信号数据量过大的问题,提出基于K-奇异值分解(K-SVD)字典学习的振动信号压缩感知(CS)方法,以实现对振动信号的高效压缩采样;在实验中分别将基于K-SVD训练生成的2种字典和离散余弦变换(DCT)固定字典用于信号的重构,并对其结果进行对比分析。实验结果表明,在相同压缩率时,与DCT固定字典相比,本文中所提出的方法能有效地提高重构信号的相似度。     

基于多尺度图像块分类的字典学习算法

针对传统字典学习算法未考虑训练数据集流形结构的问题,提出一种基于KD树分类的多尺度字典学习算法。首先在预处理阶段建立图像高斯金字塔,提取不同尺度下各层图像的角点并建立KD树进行分类,以各类角点为中心截取图像块并生成每层图像的训练数据集来完成各个子字典的学习。在字典训练阶段,提出一种基于局部保持投影的多原子更新算法,在保持字典中各类原子集的流形结构的情况下进行原子更新,高效训练出自适应稀疏字典。对测试图像进行压缩感知重构实验,仿真结果表明,该算法在保证图像重建精度的前提下,显著提高字典学习效率。     

基于深度压缩感知的脑电情感识别

【目的】传统压缩感知中存在观测矩阵对信号适应性和重构算法对字典依赖性的问题，深度压缩感知则利用深度学习的方法解决传统压缩感知中存在的问题。【方法】利用深度信念网络(DBN)能够在不破坏观测矩阵随机性的前提下对信号进行自适应压缩，同时利用栈式自编码器(SAE)可以端到端地训练重构网络来摆脱重构算法对稀疏字典的依赖性，根据信号的稀疏表示中所具有的判别性，提出基于DBN和SAE的压缩感知识别模型(CS-DBN-SAE)。【结果】在DEAP情感脑电数据库上的四分类实验结果表明，CS-DBN-SAE模型的识别率达到83.29%,相比于传统压缩感知识别模型均取得了4.3%以上的提升。     

采用非相关字典学习的滚动轴承故障诊断方法

针对轴承振动信号中早期故障特征难以识别的问题,提出了利用非相关字典学习稀疏提取微弱冲击特征,进而完成故障诊断的方法。字典的构造是影响稀疏表示算法性能的关键步骤,而传统字典学习方法构造的冗余字典,原子之间具有很强的相关性,不足以表现信号不同的结构特性,也不利于信号准确稀疏重构,进而影响了冲击故障特征信号的提取。因此,在K均值奇异值分解算法(K-SVD)的基础上加入了原子解相关的步骤,形成了非相关字典学习算法(INK-SVD)。采用INK-SVD算法在含噪振动信号段样本中,学习构造低相关性自适应字典;在此基础上,利用稀疏表示方法准确提取冲击故障特征,从而实现更准确的轴承故障诊断。通过仿真分析及实验数据分析,与传统字典学习方法相比,该方法稀疏系数恢复精确度更高,重构信号的包络解调谱更有利于故障特征的辨识,从而验证了该方法的有效性。     

基于ATmega128的连续信号压缩感知实现方法

为了解决硬件对高频模拟信号采集困难的问题，根据连续信号可以在特定的频域有稀疏的特性，在采样节点，根据伯努利观测矩阵分布特点设计采样间隔，利用压缩采样方法采集数据，降低收发芯片CC1000所需发送的数据量，从而降低传感器节点在通信传输时所损耗的能量，延长节点的使用时间；在汇聚节点使用压缩采样匹配追踪算法(Compressive Sampling Matching Pursuit, CoSaMP)对接收到的稀疏数据进行重构，将重构的数据通过串口助手导出到终端，使用Matlab软件绘图分析，验证压缩感知实现方法的可行性。实验结果表明：该方法能够很好的在ATmega128芯片上实现压缩观测。在压缩率达到68%时，通过分析计算原始信号波形和重构信号波形，二者具有99.30%的相似度，显然将压缩感知理论可应用到局域网中，能减少网络传输的数据量，降低网络传输的能耗。     

基于VMD的瓦斯信号自适应压缩感知算法

将压缩感知算法和变分模态分解相结合,应用于煤矿瓦斯数据的处理。考虑到现有的压缩感知算法在对瓦斯处理的过程中存在着重构精度低,重构过程复杂和需要较多的样本观测值等问题,因此提出一种基于VMD和自适应观测矩阵的压缩感知算法,有效解决了以较少的样本观测值数据实现信号高精度重构的问题,同时自适应地选择观测矩阵,避免了对稀疏信号的同类化投影选择。首先将瓦斯信号经过VMD进行分离,得到一系列瓦斯信号的本征模态函数分量,通过设定阈值保留有效信息,使得信号更加稀疏化;其次通过自适应地观测矩阵对稀疏信号进行投影变换,从而降低观测矩阵和稀疏字典的不相关性。实验以煤矿瓦斯数据为研究对象,将瓦斯数据经过VMD分解进行稀疏化处理和使用构造的自适应观测矩阵进行投影选择,MATLAB仿真实验证明,文中的算法有更高的信噪比和更好的重构质量。     

融合多尺度注意力和双向LSTM的行人重识别

将深度学习应用于行人重识别领域,嵌入多尺度注意力融合模块至神经网络中进行多尺度特征提取和表示,可有效提升注意力机制对深度学习网络的识别性能。提出了一种基于SE block的多尺度通道注意力融合模块,并结合ResNet50卷积神经网络提取特征;然后通过双向LSTM网络进一步提取特征序列上下文信息,在提高模型对图像重要特征的提取能力的同时,降低对图像冗余特征的关注度;最后使用级联难采样三元组损失函数和交叉熵损失函数共同训练网络模型,使样本能够在高维特征空间中实现聚类,进一步提升模型识别准确性。所提出算法在Market1501数据集和CUHK03数据集分别进行实验,并在同等条件下和其他注意力模块算法进行比较。为进一步验证各模块作用,对算法进行消融实验,以验证各模块的有效性,实验结果表明,所提出方法可有效应用于行人重识别     

基于K-SVD 字典学习的岩心图像压缩感知重构

针对传统方法进行岩心图像压缩感知重构时,在低码率下容易产生细节丢失的问题,提出一种基于 K-SVD( K-Singular Value Decomposition) 超完备字典学习的压缩感知重构算法。首先根据分块压缩感知理论,将 岩心图像分块,采用高斯随机矩阵对相应层级的图像块进行观测,得到对应的观测值块,然后用MMSE ( Minimum Mean Squareerror Estimation) 方法获得初始解的估计并利用提示小波进行滤波,通过全局阈值的思想 得到自适应阈值,最后利用K-SVD 字典结合Landweber 迭代实现压缩与重构。实验结果表明,与传统方法相 比,在相同的采样率下获得的重构图像能较好地保留岩心图像的纹理信息,重构岩心图像的PSNR( Peak Signal to Noise Ratio) 值提高约0． 1 ～ 0． 8 dB。     

基于对抗样本的深度学习图像压缩感知方法

压缩感知是研究数据采样压缩与重构的信号处理新理论,近年来研究人员将深度学习运用到图像压缩感知算法中,显著提高了图像重构质量.然而,图像信息常与隐私关联,高质量的重构图像在方便人们观赏的同时,带来了隐私保护的问题.本文基于深度学习理论,提出一种对抗的图像压缩感知方法.该方法将压缩理论和对抗样本技术统一于同一个压缩感知算法,通过设计损失函数,联合重构误差和分类误差来训练压缩感知深度神经网络,使得压缩感知重构样本同时也是一个对抗样本.因此,重构图像在保证重构质量的同时,也能对抗图像分类算法,降低其识别率,达到保护图像隐私的效果.在Cifar-10和MNIST图像集上进行的实验结果表明,和已有的压缩感知方法相比,我们提出的对抗压缩感知方法以损失仅10%的图像重构质量为代价,使得图像分类精度下降了74%,获得了很好的对抗性能.     

基于二进神经网络的稀疏编码架构的图像无损压缩新方法

视频图像的高效无损压缩在海量的航空和遥感图像传输、珍贵的文物信息的保存等方面具有重要的应用价值,而目前的研究热点主要针对有损压缩,为此通过对现有的无损压缩方法的分析和研究,提出一种在稀疏编码与二进神经网络相结合的框架下建立新的图像无损压缩方法.首先借助二进神经网络中的线性可分结构系建立冗余字典,获得有效的稀疏分解基;再借助二进神经网络学习算法将图像映射为以线性可分结构系为神经元的二进制神经网络,在此基础上建立相应的模式匹配算法将每个神经元与冗余字典简历映射关系,通过稀疏系数建立原始图像的编码形式,进而实现了图像的无损压缩,并从理论上分析了该方法可以有效地提高压缩比,最后通过实验验证了该算法的有效性和通用性.     

压缩传感在电能质量扰动信号分析中的应用

针对电能质量扰动信号分析中, 传统信号处理方法存在采样数据量极大、 采样时间长、 压缩时浪费采样资源等问题, 将压缩传感（CS: Compressed Sensing）应用于电能质量扰动信号分析中。实现了采样与压缩同时完成, 极大地降低了采集的数据量和采样速率。通过对压缩传感的过完备字典设计, 实现了压缩传感同时检测多个电能质量扰动信号, 以及压缩传感对信号在一维、 二维上的重构, 并对重构的电能质量扰动信号进行分析。实验结果表明, 与传统的电能质量扰动信号处理方法相比, 该算法在采样数据量、 重构效果方面都有很大提升, 得到的重构信号误差更小, 对信号的分析更准确。     

面向网络传输的无损压缩算法优化研究

针对网络传输流量过大、网络瓶颈严重的问题,文章提出了一种新的数据压缩算法,以LZW无损数据压缩算法为基础,将偏移编码方法引用到LZW算法中,采用修改压缩字典的维护方式和压缩数据的输出方式,增强字典自适应性,同时减少字典重新建立次数,提高了原算法的压缩效率;通过引入参数调节机制,使算法在不同情况下具有通用性。实验结果表明,新算法的压缩比比原LZW算法提高了0.2～0.9,较大地提高了压缩效率。     

基于曲波变换的地震数据压缩感知重构算法

为提高地震数据压缩感知重构的信噪比和保真度, 提出一种基于曲波变换的地震数据压缩感知重构算法。建立了地震数据压缩感知重构模型, 分析了基于曲波变换稀疏表示的地震数据各尺度之间能量与熵的分布特性, 结合分块压缩感知技术降低随机观测的计算复杂度, 利用曲波变换稀疏表示高频区域各尺度之间的相关性, 设计了随信息熵变化的自适应双变量收缩阈值迭代重构的方法。实验结果表明, 在相同的采样率下,该算法重构的地震数据峰值信噪比提高了1. 5 dB 以上, 并且具有良好的细节信息保持能力。     

基于小波变换的图像零树压缩感知方法

稀疏性是压缩感知的前提,然而,自然图像通常不是稀疏的,因此对图像直接应用压缩感知算法很难取得高压缩效率.针对图像信号,将编码思想融入压缩感知理论,提出一种简单有效的零树压缩感知方法.该方法先利用零树思想辅助压缩感知测量,在得到测量值的同时编码重要系数的位置;然后提出零树追踪重构算法,通过精确解码重要系数位置来重构原始图像小波系数,提高重构精度.实验结果表明,相比于现有匹配追踪算法和EZW算法,本文方法有更高的压缩比和更好的图像重构质量.     

稀疏线性预测字典在语音压缩感知中的应用

压缩感知理论框架可以同时实现信号的采样和压缩,将压缩感知应用于语音信号处理是近年来的研究热点之一.本文根据语音信号的特点,采用K-SVD算法获得稀疏线性预测字典,作为语音信号的稀疏变换矩阵.高斯随机矩阵用于原语音信号的采样从而实现信号的压缩,最后通过正交匹配追踪算法(OMP)和采样压缩匹配追踪算法(Co Sa MP)将已采样压缩的语音信号进行信号重构.实验考察了待处理语音信号帧的长度、压缩比,稀疏变换字典以及压缩感知重构算法等因素对语音压缩感知重构性能的影响,结果表明,基于数据集训练的稀疏线性预测字典相比传统解析构造的离散余弦变换字典,对语音的重构性能具有0.6 d B左右的提升.     

基于多方向正交匹配追踪的压缩感知图像重构算法研究

针对压缩感知中图像信号的压缩比较大、重构效率较低的问题,提出一种基于正交匹配追踪的压缩感知图像重构算法。该算法在图像压缩阶段,利用测量矩阵对目标图像进行二次测量,进一步缩小压缩比。在图像重构阶段,将单次循环的正交匹配对象由一维向量拓展到二维矩阵,利用多方向正交投影对压缩数据进行图像重构。仿真实验结果表明,在缩小压缩比的情况下,可较准确地重构出原始图像;并且显著提高重构效率。     

采用Transformer架构的长跨度视频压缩感知重构方法

深度学习的快速发展给视频压缩感知重构提供了新思路。受网络模型限制,现有的基于深度学习的压缩感知重构方法不能充分利用视频的空时特征,且对于超过16帧的视频段重构效果不够理想。采用Transformer网络构建压缩感知重构网络,利用Transformer网络在序列信号处理方面的优势构建空时注意力提取模块,学习视频帧间的空时注意力特征,更好地实现对视频连续帧的建模,从而解决长跨度视频段压缩感知重构问题。实验结果表明：所提方法在处理32张视频帧的视频分段时,能达到30 dB以上的重构精度,在处理96张视频帧的视频分段时,仍能达到27 dB以上的良好性能。