梯度直方图约束的多尺度块先验模型

块先验模型在图像复原领域取得了较大的成功,但其整体模型强制局部性的缺点,易出现局部伪影、视觉观感较差的问题,提出一种新的集成多尺度块先验和梯度直方图先验的图像复原方法.对原始图像实施滤波和下采样以保持尺度不变性,在多尺度上施加同一局部块模型,即保持块低维模型的简单性,又在图像较大区域实施非局部性;将梯度直方图全局统计先验加入正则约束中,利用Wasserstein距离对复原图像与参考直方图的相似性进行度量.借助半二次分裂和最优传递理论,求解所提出的模型.通过在图像去噪和去模糊实验,相比传统方法无论在客观质量评价还是视觉观感上都更有优势,验证了方法的有效性.     

基于改进型深度网络数据融合的滚动轴承故障识别

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。