空-谱协同流形重构的高光谱影像分类

鉴于传统高光谱影像分类大都采用监督学习方法,且仅利用了光谱信息,未考虑影像空间特征和流形结构。提出一种基于空-谱协同流形重构误差的高光谱影像分类方法,该算法基于高光谱影像中地物分布的空间一致性,利用少量标记的样本和大量的无标记空间近邻样本来进行半监督学习,并利用测试样本在每一子流形上的重构误差来表征相似性,实现鉴别分类。在Indian Pines和University of Pavia数据集上的实验结果表明,本文方法的分类精度在各种条件下要优于其他分类算法,其最高总体精度分别达到了95.67%和91.92%。该算法将高光谱遥感影像中的空间-光谱信息融入不同地物的子流形结构表征,在训练样本数量较少时仍能得到好的分类效果,有效提升了分类性能。     

半监督流形学习及其在遥感影像分类中的应用

为了有效利用已标记与未标记样本提高遥感影像分类精度,提出了一种新的半监督流形学习方法-半监督流形鉴别嵌入法(SSMDE).该方法利用标记样本的类别信息构建类内图和类间图来表征样本数据的类别联系,并计算相应的权重矩阵;利用标记和未标记数据构建全局散度矩阵来表征数据的整体结构.在此基础上,通过优化目标函数得到投影矩阵,在保...     

面向高光谱图像分类的空谱判别分析

针对传统的基于特征提取的高光谱图像地物分类算法大多只考虑光谱信息而忽略空间信息的问题,提出了一种面向高光谱分类的半监督空谱全局与局部判别分析(S3 GLDA)算法。该算法首先利用少量标记样本保存数据集的线性可分性和全局判别信息,再依靠较多的无标记的空间局部近邻像元来揭示局部判别信息和非线性局部流形,使高光谱遥感图像的光谱域全局判别结构和空间域局部判别结构在低维特征空间同时得以保留,并在输出特征中自动融入了空间信息,构成了半监督的空谱判别分析。在Indian Pines和PaviaU数据集的实验表明,总体分类精度分别达到76.24%和82.96%。与现有几种算法比较,该算法有效提高了输出特征在低维空间的判别能力,更好地揭示了数据集的内在非线性多模本质,有效提升了高光谱图像数据集的地物分类精度。     

半监督多图嵌入的高光谱影像特征提取

针对传统图嵌入方法仅采用单一图结构无法有效表征高维数据中复杂本征结构,本文提出了一种半监督多图嵌入(SSMGE)方法,并应用于高光谱影像特征提取。该方法首先利用标记样本的类内、类间近邻点来构建类内超图、类间超图、类内普通图、类间普通图,然后通过无标记样本的近邻点和远离点构建无监督本征超图和惩罚超图,并以多图协同方式来表征高维数据间的复杂几何关系,实现鉴别特征提取。本文提出的SSMGE方法不仅能有效揭示数据点间超图和普通图的结构,而且在低维嵌入空间中增强同类数据聚集性和非同类数据的远离性,提取的鉴别特征可改善地物分类精度。在PaviaU和Urban高光谱数据集上进行了分类实验,本文方法的总体分类精度分别可达到85.92%和79.74%。相比普通图嵌入和超图方法,该算法明显提升了地物的分类性能。     

基于鉴别稀疏保持嵌入的高光谱影像地物分类

在高光谱影像地物分类应用中时常因光谱波段数多而导致"维数灾难"问题,提出了一种鉴别稀疏保持嵌入的维数约简算法。该方法利用稀疏表示的自然鉴别力,分别构建了类内e_1图和类间e_1图;在低维嵌入空间中,保持同类数据的内在稀疏流形结构,同时分离开非同类数据,提取出鉴别特征。DSPE不仅继承了稀疏表示的优点,而且增加了非同类数据间的可分性。在PaviaU和Urban高光谱数据集上的地物分类实验结果表明,该方法的总体分类精度分别提高到87.53%和80.49%。提出的方法能自适应地揭示出数据间的内在关系,更有效地提取出鉴别特征,改善地物分类精度。     

基于半监督最大间隔字典学习的故障诊断方法

针对有标记故障样本不足及传统半监督诊断方法识别率低的问题,提出基于半监督最大间隔字典学习算法(semi-supervised max-margin dictionary learning,简称SSMMDL)的故障诊断方法。该方法将无标记样本重构误差项添加至最大间隔字典学习算法模型中,通过最小化无标记样本稀疏重构误差项、有标记样本稀疏重构误差项、支持向量机的损失函数正则项和分类间隔正则项,实现字典和支持向量机的同步学习,从而获得判别能力较强的字典。在此基础上,运用稀疏编码获得测试样本的稀疏表示,利用基于稀疏表示的分类器进行故障识别。通过对转子不同故障进行识别,结果表明所提方法较相关对比算法识别准确率更高,可以满足机械故障在线监测的需要。     

L1 Graph联合转换学习多观测样本分类算法

不同分布多观测样本分类问题中,训练样本和测试样本来自不同的域,针对如何利用转换学习提高不同分布多观测样本分类性能问题,提出L1 Graph联合转换学习的多观测样本分类算法。首先基于转换学习构建一种非负矩阵三因子分解框架,将其中不变信息作为源域到目标域的转换桥梁;其次,基于稀疏表示思路构造L1 Graph,自适应寻找数据近邻,保留样本及特征几何结构;最后,将两个互补目标函数联合到统一优化问题中,然后利用迭代算法解决优化问题,进而估计出测试样本类别。在USPS Binary数字数据库、Three Domain Object Benchmark数据库和ALOI数据库上进行对比实验,实验结果表明该方法的有效性,既提高了识别精度又保证了算法鲁棒性。     

面向高光谱影像分类的多特征流形鉴别嵌入

鉴于传统维数约减方法对高光谱遥感影像进行降维时,往往只利用了单一的光谱特征,限制了分类性能的提升。提出一种基于多特征流形鉴别嵌入的维数约减方法,该方法首先提取高光谱数据的LBP(Local Binary Patterns)纹理特征,然后利用样本点的光谱-LBP特征联合距离及类别信息构建类内图和类间图以发现高光谱影像中的鉴别流形结构,在低维嵌入空间中不仅保持来自同一像素的光谱和纹理特征的相似性,而且使同类点尽可能紧致、不同类点远离,实现空-谱联合低维鉴别特征提取,以有效提高地物分类性能。在Indian Pines和黑河高光谱遥感数据集上的实验表明,本文算法的分类精度在不同实验条件下均优于传统的维数约减方法,其分类精度可达95.05%和96.20%,在较少训练样本条件下优势更为明显,有利于实际应用。     

机械故障的稀疏流形聚类与嵌入诊断方法

传统流形学习算法中邻域尺寸是固定的,在故障诊断中并不恰当。本文中提出了一种基于新型流形学习算法稀疏流形聚类与嵌入(SMCE)的机械故障诊断方法来解决这个问题。SMCE通过求解稀疏优化问题自动确定邻域的大小,将传统流形学习中邻域尺寸选择变为优化问题的惩罚系数选择,进而从高维非线性观测数据中提取流形结构。利用SMCE从轴承和齿轮振动信号中提取特征进行诊断,实验表明,所提方法可以较好的提取故障信号内在的几何结构,应用无监督的谱聚类和有监督的支持向量机进行诊断准确率均高于98%。     

多核融合多尺度特征的高光谱影像地物分类

对于高光谱影像地物分类问题,为更加有效地利用像元空间信息和光谱信息,提高地物分类精度,提出了多核融合多尺度特征的分类方法。首先,通过多尺度空间滤波和PCA白化,提取出多尺度特征;接着在核稀疏表示分类器内使用多核方式对分别表示每项特征,在分类器内实现特征自动融合,根据子核与理想核、子核之间距离求取核组合的权重,使用训练集所构成的字典在特征空间内对待测样本进行线性表示,根据每类地物的重构误差确定待测像元所属地物类别。实验结果表明:对于Indian Pines影像和Pavia University影像总体分类精度分别达到99.51%和97.96%,较传统方法明显提高,并且对于小样本地物识别精度也都能达到90%以上。本文算法对于高光谱影像地物具有更强的识别能力,并且具有较强的稳定性和鲁棒性。     

近似稀疏正则化的红外图像超分辨率重建

针对红外图像分辨率低、受噪声影响严重等问题,引入近似稀疏正则化和K-奇异值分解（K-SVD）法,提出了基于近似稀疏表示模型的红外图像超分辨率重建方法。考虑到红外图像受到噪声污染,首先建立了稳健近似稀疏表示模型。针对已有字典训练方法时间消耗巨大问题,在假定低分辨率图像空间和高分辨率图像空间具有相似流形的前提下,联合近似稀疏表示模型和K-SVD方法,提出近似稀疏约束的基于K-SVD的高低分辨率字典对学习算法。最后,通过高分辨字典和对应的红外图像群稀疏表示系数重建得到高分辨率的红外图像。为了验证算法的性能,对提出的算法与稀疏性正则化的图像超分辨模型（SRSR）和Zeyde算法进行了实验比较。结果表明,本文方法能够较好地减少红外图像中的噪声,同时获得更好的超分辨率重建效果。     

基于Bandelet稀疏的移动机器人环境视觉纹理图像的压缩传感与重构

压缩传感技术为移动机器人环境视觉的实时高效处理与传输提供了一种新的解决方法。结合Bandelet变换自适应跟踪图像正则方向的特点,进行了基于Bandelet稀疏和正交匹配追踪(OMP)算法的环境纹理图像压缩传感重构分析研究。结果表明：在较大观测值下,Bandelet稀疏重构与传统小波稀疏重构效果差别不大;在较小观测值下,传统sym8小波稀疏重构出现不稳定状态,出现块状信息缺失,不能有效重构,而Bandelet稀疏重构效果相对稳定;在给定观测值下,Bandelet稀疏重构的边缘细节表达能力优于sym8小波,说明Bandelet变换在压缩传感采样高压缩比下恢复重构具有有效性和稳定性。     

空间目标图像的非凸稀疏正则化波后复原

现有的空间目标图像波后处理方法多直接套用自然光学图像的复原技术,效果并不理想。本文通过分析空间目标图像的近似稀疏性和灰度值服从超拉普拉斯分布的独有特点,提出了一个采用正则化方法的非凸稀疏正则化空间目标图像复原模型。在数值计算过程中,根据交替方向乘数法将复原模型分解为两个子问题,对凸优化子问题采用快速傅里叶变换求解,对非凸优化子问题采用固定点迭代方法求解。文中设计了非凸稀疏正则化空间目标图像波后复原的完整算法流程,并针对模拟图像和真实空间目标图像进行了对比验证。结果显示:相对于最近的流行算法,提出方法的最大峰值信噪比提高了2dB,最大平均结构相似度提高了0.17,最大信息熵提高了3.85,图像清晰度提高了2.65。     

基于图像压缩传感的光学单点成像系统

压缩传感理论(Compressive Sensing,简称CS)以远低于奈奎斯特采样频率对稀疏信号进行全局观测,通过少量观测值即可准确重构原始信号,突破了香农采样定理的瓶颈,使得宽带信号和高分辨率信号的采集成为可能。目前压缩传感理论大都停留在理论研究和仿真阶段,鲜有涉及将该理论硬件化进行实践应用。文中介绍了最小均方差线性估计(MMSE)算法,通过与常用重构算法的仿真重构对比,突出了MMSE算法的优越性,证明了该算法在低采样率下重构质量较高,且具有较好的实践应用潜力。并进一步搭建了光学单点成像系统对压缩传感理论进行应用研究,实验表明该系统成像效果良好,具有较好的应用价值。     

深度神经网络的自适应联合压缩方法

现有模式单一且固定的深度神经网络压缩方法受限于精度损失,而难以对模型进行充分压缩,致使压缩后模型在实际部署时仍需消耗大量成本高昂且容量有限的存储资源,对其在边缘端的实际应用造成严峻挑战。针对该问题,本文提出一种可同时对模型连接结构和权重位宽进行自适应联合优化的压缩方法。与已有组合式压缩不同,本文充分融合稀疏化和量化方法进行联合压缩训练,从而全面降低模型规模;采用层级自适应的稀疏度和数据表征位宽,缓解因固定压缩比导致的精度次优化问题。通过使用本文提出方法对VGG、ResNet和MobileNet在CIFAR-10数据集上的实验表明,精度损失分别为1.3%、2.4%和0.9%时,参数压缩率达到了143.0×、151.6×和19.7×;与12种典型压缩方法相比,模型存储资源的消耗降低了15.3×～148.5×。此外,在自建的遥感图像数据集上,该方法仍能在达到最高284.2×压缩率的同时保证精度损失不超过1.2%。     

基于改进LS-SVM的变压器油中气体浓度预测

目前变压器油中气体浓度预测普遍采用灰色模型,但灰色模型的使用存在一定局限性.为提高预测的精度和可靠性,应用改进的最小二乘支持向量机的鲁棒性及稀疏性理论建立了同时预测变压器油中氢气的浓度预测模型.该模型既综合考虑了气体之间的相互影响,又充分发挥了LS-SVM解决有限样本问题的优势,具有较高的预测精度和泛化能力.并且通过实例分析验证了该模型的有效性.     

基于压缩传感理论的随机等效采样信号的重构

随机等效采样技术通过对周期信号进行多次随机时间间隔取样,以时间间隔为序排列采样数据,形成具有较高等效采样率的波形。然而,由于时间间隔的非均匀性,很难采集到足够的有效信号重构原始波形。为了克服这种信息不足引起的重构误差,提出了一种基于压缩传感理论的随机等效采样信号重构方法,构造了随机等效采样测量矩阵。该方法能够对周期信号以低于信号奈奎斯特频率的采样率进行随机采样,通过最优化问题从有限的采样值中重构原始信号。最后通过实验对该方法的可行性进行了验证。     

基于电磁层析成像的金属缺陷稀疏成像方法

采用电磁层析成像(electromagnetic tomography,EMT)技术实现对金属缺陷的可视化,克服了传统的检测技术无法对缺陷进行可视化的不足。首先设计了一种新型的平面EMT传感器,其次根据缺陷分布的稀疏性,提出了l1正则化稀疏成像算法。该算法能够有效避免传统的l2正则化算法带来的过度光滑的问题,成像更加精确。最后为证明该算法相对于l2正则化算法的优越性,进行了仿真和实验。仿真和实验结果均表明l1正则化稀疏成像算法能够有效提高缺陷图像的重建质量和精度。     

稀疏度拟合的自适应机械振动信号压缩感知

针对利用机械振动信号进行设备故障诊断和状态监测过程中，存在采样数据量多、存储容量大、传输带宽高和信号重构精度低等问题，提出一种稀疏度拟合的自适应机械振动信号压缩感知方法。首先，对机械振动信号进行多尺度小波包变换，再将小波包系数按一定阈值进行置零处理并求取其稀疏度；然后，采用迭代方法求取各稀疏度下满足重构信号精度条件的最低采样率，并对信号的稀疏度和采样率采用最小二乘法进行拟合，消除信号测量误差，求取最佳信号采样率；最后，采用K-奇异值分解算法构造与各信号块相适应的过完备字典，并利用正交匹配追踪算法实现信号重构。实验证明，与传统压缩算法相比较，该算法的信号压缩率和重构精度均得到较大提高。     

基于包络谱稀疏度和最大相关峭度解卷积的滚动轴承早期故障诊断方法

滚动轴承处于早期故障阶段时,特征信号微弱,并且受环境噪声影响严重,因此故障特征提取困难。针对这一问题,将最大相关峭度解卷积算法应用于轴承故障诊断,并通过包络谱稀疏度来筛选最佳解卷积周期参数,提出了基于包络谱稀疏度和最大相关峭度解卷积的滚动轴承早期故障诊断方法。利用最佳参数相对应的最大相关峭度解卷积算法对原信号进行处理,得到解卷积信号后计算其包络谱,通过分析包络谱中幅值突出的频率成分来判断故障类型。早期故障仿真信号及实测全寿命数据分析结果表明,该方法可有效应用于轴承早期故障诊断。