融合先验知识的BP神经网络锂电池剩余寿命预测

针对锂电池数据为小样本条件下构建的神经网络模型泛化性差、预测误差大的问题,文中提出了一种融合先验知识的BP神经网络的建模方法.利用自适应权重粒子群算法优化网络的初始权值和阈值,以惩罚函数法的形式将单调性约束加入网络性能函数中,完成神经网络优化设计.实验采用NASA锂电池失效数据集,增加单调性的先验知识,对所提算法进行验...     

数据驱动的GMC稀疏增强诊断方法

在机械故障诊断中,针对传统方法提取微弱故障特征时易受强背景噪声干扰而精度低的问题,提出了一种基于数据驱动的广义最小最大凹惩罚函数增强的稀疏特征提取方法。该方法利用非凸的最小最大凹惩罚函数建立无约束优化问题目标函数来提高故障特征的提取精度。该惩罚函数非凸可加强特征的稀疏性,并且证明了保持目标函数整体呈现严格凸性所需要满足的约束条件。将近端算法用于所构造的无约束优化问题的求解。此外,研究了数据驱动的正则化参数设置准则,保证所提出的稀疏特征提取方法具有参数自适应性。在仿真信号和实际故障实验中验证了所提出的自适应稀疏增强的特征提取方法,结果表明所提出的方法可以精准地提取出故障特征且效果更稀疏。     

基于联合规整化约束的图像盲复原

在图像复原研究中加入合适的规整化约束能够有效地提高复原效果。目前普遍将空域上的梯度稀疏性或小波域上的系数稀疏性作为规整化项,但二者并未同时使用。本文提出了对图像采用一种新的空域局部阈值处理和小波域处理的联合规整化复原算法。本算法结合了二者的优点,能够更加充分地利用图像特征信息。实验结果表明,本方法得到的结果有较好的图像质量和较高的算法鲁棒性,能更有效地抑制噪声和伪迹。     

一种基于稀疏正则化的图像盲复原方法

在图像盲反卷积的过程中,最主要的难点是缺少点扩散函数的足够信息而导致的病态问题.解决此问题可以通过对原始图像和点扩散函数同时进行正则化约束.为了在图像复原过程中得到惟一、稳定的解,并保证图像恢复结果的有效性,提出了一种具有尺度不变性和稀疏性的正则化函数,并通过两组对比实验例证了利用该函数的图像盲复原算法具有良好的鲁棒性和收敛稳定性.     

基于单点像的光学稀疏孔径图像复原

为了定量评价光学稀疏孔径系统的图像复原效果,提出了一种以稀疏孔径系统单点像作为退化图像进行图像复原的方法.对稀疏孔径系统的单点像进行适当的复原处理,可获得类似爱里斑(即该稀疏孔径等效圆口径系统的单点像)的复原图像.通过比较该复原图像和爱里斑相似程度,即可对该复原算法(或者参数)进行评价.以法国SOLARNET光学稀疏孔径系统为例演示了上述图像复原过程.仿真结果表明,基于单点像的图像复原方法是可行的.     

光谱加权稀疏非负矩阵分解高光谱图像解混

非负矩阵分解(NMF)作为一种盲源分离的方法,在高光谱图像解混方面已得到广泛应用。然而由于NMF的目标函数具有非凸性,使得其极易陷入局部最小值,为了提高解混精度,通常会根据具体的问题加入一定的约束条件。受丰度矩阵体现出的稀疏性启发,基于稀疏约束的非负矩阵分解高光谱解混算法得到迅猛发展。然而目前该类方法存在对丰度系数稀疏性先验表征不充分导致算法稳定性差的问题。针对该问题,提出了一种基于光谱加权稀疏非负矩阵分解高光谱解混方法,该方法在非负矩阵分解解混模型中引入光谱加权因子刻画丰度系数的稀疏性,以促进所有像元之间的联合稀疏性。通过采用乘性迭代规则法求解该模型。模拟和真实的高光谱数据实验结果均表明本文提出的方法与现有同类算法相比在端元提取精度和丰度估计精度上都更为准确。     

基于改进增广拉格朗日乘子法的鲁棒性主成分分析

针对增广的拉格朗日乘子法在求解鲁棒性主成分分析,特别是当数据同时受到稀疏噪声和高斯噪声的干扰时,计算精度会降低,数据降维去噪任务不能很好完成的情况,提出改进的增广拉格朗日乘子法来解决上述问题.一是用基于最优乘子初始化的改进增广拉格朗日乘子法来提高算法的计算精度,二是针对鲁棒性主成分分析,提出一个带高斯噪声的凸优化模型.实验结果表明,本文提出的最优乘子初始化改进算法赋予增广的拉格朗日乘子法一个最优的拉格朗日乘子,从而提高算法的计算精度,而凸优化模型能够清晰地将高斯噪声和稀疏噪声从数据矩阵中分离出去,进而提高数据对高斯噪声的鲁棒性.     

紧框架分析模型下的模糊图像盲复原

在基于稀疏表示模型的图像盲复原问题中,模糊核估计与稀疏模型的选取是影响盲复原性能的两个关键因素。针对传统基于稀疏表示盲复原方法的不足,本文提出一种基于紧框架分析模型的图像盲复原方法。该方法将盲复原问题分裂为两个迭代的子问题,分别是基于梯度图像的模糊核估计与基于紧框架分析模型的非盲图像复原。在核估计问题中,提出同时约束核稀疏性及一阶微分平滑特性,进一步提高了核估计精度。在紧框架非盲图像复原问题中,提出一种基于Moreau envelope函数的数值计算方法,有效地解决紧框架复原模型的不可微和不可分离性。实验结果表明,本文复原方法在图像细节恢复与客观评价指标方面均优于传统复原算法。     

非凸稀疏低秩约束的高光谱解混方法

针对高光谱混合像元的丰度矩阵具有行稀疏特性,提出一种非凸稀疏低秩约束的高光谱解混方法．首先,建立高光谱图像非凸稀疏低秩约束模型,将丰度系数矩阵的非凸p范数作为稀疏约束,并将丰度系数矩阵奇异值的非凸p范数作为低秩约束;其次,构建联合低秩性先验与稀疏性先验的非凸极小化模型,并提出求解的增广拉格朗日交替极小化算法,将复合正则化问题分解成多个单一正则化问题,交替迭代求解．实验仿真结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于信噪比较高的高光谱数据．     

求解线性约束最优化问题的有效集算法

为了保持投影梯度求解法的线性约束系数矩阵的稀疏性,且不降低算法的效率。在确定可行点处的可行方向时,使用了矩阵的隐式LU分解技术,构造有效约束的零空间．本文提出了求解线性约束最优化问题的有效集算法,对于线性约束系数矩阵是稀疏矩阵时,能较好地保持稀疏性,提高了算法的效率．与数值试验的结果吻合．     

一种自适应的拟牛顿投影稀疏信号恢复算法

针对稀疏恢复中贪婪类算法需要提前已知稀疏度的问题,提出了一种自适应拟牛顿投影稀疏恢复算法。该算法分为两层循环:外层循环主要是利用阈值算子估计信号的稀疏度,内层循环在外层迭代估计的当前稀疏度下,基于拟牛顿投影算法完成稀疏信号恢复。仿真实验表明:该方法相对于需要事先已知稀疏度的贪婪算法,可在稀疏度未知的情况下获得稀疏信号的较优逼近性与恢复率。     

一种基于稀疏重建的高分辨力方向估计方法

该文针对高分辨力是源定位技术的重要目标,充分利用目标信号在空间域内的稀疏特性,提出了一种基于稀疏重建算法的波达方向估计方法.基于数据相关矩阵建立系统方程,以增加采样数和稀疏度的比值,并将系统维度降至最低.源的空间稀疏性由1-范数约束,通过凸优化算法重建信号的空间谱.此外,采用了局部网格细化方法,增加分辨力的同时降低对计...     

非局部稀疏表示正则化的磁共振图像重建

传统的基于稀疏性先验和全变分正则项约束的图像重建算法不能有效重建图像中的各种结构。为了提高重建质量,在采用传统重建算法中基于稀疏性的先验约束的同时,将重建图像的稀疏系数应逼近原始图像稀疏系数这一先验约束引入图像重建模型。通过图像子块之间的非局部相似性估计原始图像,得到非局部稀疏表示正则化的磁共振图像重建模型,并利用快速混合分裂算法求解模型。实验结果表明,算法能够对磁共振图像进行较好的重建。     

基于导频放置优化的组稀疏信道估计方法

针对OFDM系统信道的稀疏性,研究组稀疏信道估计方法;考虑信道的时间选择性和频率选择性,由信道系数的稀疏表示引入组稀疏概念,利用稀疏信号的非零分量趋向于成簇出现的组稀疏特性,提高重建质量.考虑到导频对信道估计性能的重要作用,采用分布估计算法（EDA）优化组稀疏信道估计中的导频放置模式.该方法具有较好的鲁棒性,不会陷入导频搜索的局部最小值,可以得到更小相关性的感知矩阵.理论分析和仿真结果均表明,该方案与传统估计方法相比,均方误差性能更加优异.仿真又采用了不同的重构方法和分组大小进行对比,均能证明该方法的适用性.     

机械故障诊断的稀疏特征提取方法

针对旋转机械的周期性稀疏故障特征提取问题,提出了一种周期重叠簇稀疏信号优化特征提取算法．该算法根据机械故障诊断周期性特征提取问题构造了有效的稀疏优化目标函数,该目标函数中的正则项(惩罚函数)选用非凸惩罚函数来增强周期性特征的稀疏性,并且证明了非凸可控化参数在一定约束条件下可以保证目标函数整体为凸．基于优控极小化方法求解所构造的优化问题,推导出高效的快速迭代收敛数值算法,该求解算法最终收敛于优化问题的全局最优解．将所研究的周期重叠簇稀疏信号优化特征提取算法应用于仿真信号,定量分析了其相对于对比算法的优越性．最后,将所研究的周期重叠簇稀疏信号优化特征提取算法应用于轴承故障特征提取中,结果表明,该算法其可以有效地提取稀疏微弱故障特征．     

基于压缩采样匹配追踪的稀疏度和稀疏信道联合估计

原始的压缩采样匹配追踪算法依赖于已知稀疏度,因此本文研究了一种稀疏度和稀疏信道联合估计算法。首先提出了一种新的稀疏向量的替代,能够在有限长度的训练序列下,达到较好的稀疏度和信道估计效果。然后通过对稀疏信道估计中的噪声分量的分析,提出了一种稀疏度估计算法,结合信道估计最终给出了一种稀疏度和稀疏信道联合估计算法。仿真结果表明：新的稀疏向量的替代在稀疏度和信道估计方面都有明显的优势,并且提出的稀疏度和稀疏信道联合估计算法在性能上好于mCoSaMP算法。     

一种新的MEMS陀螺仪信号去噪方法

为提高MEMS陀螺仪输出信号的去噪效果,将稀疏分解(sparse decomposition)与提升小波变换(lifting wavelet transform)相结合,提出了一种新的信号去噪方法.首先,建立MEMS陀螺带噪信号的误差模型,并利用小波提升正变换计算带噪信号的非稀疏的小波系数;然后,利用稀疏分解理论恢复小波系数的稀疏性;最后,再通过小波提升反变换重构信号,从而达到去噪的目的.考虑到梯度投影(gradient projection)算法具有全局最优解,运算效率更高,将梯度投影思想引入恢复信号稀疏性的过程中,提出了基于梯度投影的稀疏分解算法,给出了利用梯度投影算法进行信号系数分解的具体步骤,大大简化了计算复杂度,同时提升了算法的稳定性.为验证所提方法的性能,进行了MEMS陀螺信号去噪的静态实验和跑车实验.实验结果表明,此种方法在动静态条件下都可以有效地去除MEMS陀螺仪输出信号中的噪声,尤其是在静态条件下的去噪效果要优于小波阈值滤波方法.同时采用的梯度投影算法相比于正交匹配追踪算法和基追踪算法具有更高的运算效率.     

一种选择特征的稀疏在线学习算法

为了有效处理海量、高维、稀疏的大数据,提高对数据的分类效率,提出一种基于L₁准则稀疏性原理的在线学习算法(a sparse online learning algorithm for selection feature, SFSOL)。运用在线机器学习算法框架,对高维流式数据的特征进行新颖的“取整”处理,加大数据特征稀疏性的同时增强了阀值范围内部分特征的值,极大地提高了对稀疏数据分类的效果。利用公开的数据集对SFSOL算法的性能进行分析,并将该算法与其它3种稀疏在线学习算法的性能进行比较,试验结果表明提出的SFSOL算法对高维稀疏数据分类的准确性更高。     

Robust Deep 3D Convolutional Autoencoder for Hyperspectral Unmixing with Hypergraph Learning

基于超图学习的鲁棒深度3D卷积自动编码器高光谱解混方法

贾培源,张淼,沈毅

（哈尔滨工业大学 控制科学与工程系,哈尔滨 150001）

创新点说明：

1） 提出一种深度解混网络模型R3dCAE。深度学习能够通过深层非线性映射,实现高阶特征提取与数据变换,在解混领域展现出了巨大的应用价值。为去除影像内高噪声对解混带来的不利影响,通过去噪自编码网络与非负自编码网络级联,实现数据恢复与高精度解混工作。

2） 针对高光谱三维体数据特殊结构,将去噪自编码网络和三维卷积网络相结合,通过构建三维卷积层/反卷积层与三维池化/反池化层,深层解混模型R3dCAE能够无监督学习鲁棒的空谱联合特征信息;采用一系列噪声抽样的影像数据对网络参数进行训练优化,该模型能够对含噪数据输入实现高精度数据重建。

3） R3dCAE模型采用结合超图约束的自编码网络同步提取端元与丰度信息。通过邻域光谱相似性度量,超图结构能够描述物质分布的低维流形关系,从而表示物质分布的空间一致性信息;同时引入l2,1范数稀疏约束,在网络的迭代优化中实现精确的端元提取与丰度反演任务。

研究目的：

针对现有高光谱解混算法处理光谱混合数据,端元提取受噪声影响大,鲁棒性差,并且获得的丰度无法提现物质空间分布相关性信息,解混精度受限,探索一种基于深度学习的高光谱解混网络架构,通过网络的深层学习与优化,实现端元与丰度信息的高精度求取任务。

研究方法：

所提出深度解混框架R3dCAE由三维去噪卷积自编码网络与结合超图学习的非负稀疏自编码网络级联构成。三维去噪卷积自编码网络通过在编码层搭建卷积层与池化层,在解码层搭建反卷积层与反池化层,从而实现无监督提取光谱维与空间维的联合特征信息,通过学习含噪数据获得去噪影像光谱信息;非负稀疏自编码网络以三层网络映射的方式实现端元与丰度信息的联合优化,引入超图约束和稀疏约束,以更好实现端元特征提取和丰度信息求取。

研究结果：

采用仿真数据集对所提出解混框架和目前先进解混算法,包括MVSA, RCo-NMF, MVC-NMF, SGSNMF, 与uDAs等进行比较,对比各算法端元提取与丰度反演结果与参考端元和丰度信息的误差,结果显示R3dCAE在不同信噪比下都具有优异的性能表现;针对实际高光谱遥感数据集,对比各算法获得的端元信号误差,从而展示了所提出解混网络的有效性与鲁棒性。

结论：

本文针对高光谱图像数据光谱混合问题,提出一种新型的结合空间信息的高光谱深层自编码解混网络框架。该深度解混框架由三维去噪卷积自编码网络与结合超图学习的非负稀疏自编码网络级联构成。通过三维卷积与池化操作,三维去噪卷积自编码网络能够以无监督的方式提取光谱维与空间维的联合特征信息,并通过解码层的构建获得去噪影像数据;在非负稀疏自编码网络中,为保证丰度解的稀疏性和丰度在空间分布相关性,在网络上构建中引入超图学习和l2,1范数稀疏约束,从而使得求取的端元与丰度不仅满足非负性与和为一约束,同时丰度具有空间分布相关性信息。在实验验证中采用仿真数据集和真实高光谱影像对所提出解混框架和其他先进解混算法进行比较,展示了所提出解混网络的有效性与鲁棒性。

关键词：深度学习;无监督解混;卷积自编码网络;超图;高光谱图像;

     

稀疏表示人脸识别的关键问题分析

稀疏表示是一种高效的图像表示方法,且稀疏系数具有很好的稀疏性和可扩展性。基于稀疏表示的人脸识别能够提高识别率,增强鲁棒性。针对人脸识别在实际应用中遇到的问题,对稀疏表示人脸识别的方法、识别中遇到的关键问题及其解决办法进行综述。结果表明:稀疏表示人脸识别中,光照变化,可以通过增加不同光照的人脸图像训练样本解决;遮挡腐蚀,可以通过用加入误差字典来扩展过完备字典解决;姿势变化或未对准,可以通过对输入图像进行线性结构迭代变换解决;利用稀疏集中指数可以实现图像是否有效的判断。指出采用稀疏表示同时处理对准和连续遮挡的人脸图像识别,及识别准确性与实时性的提高是需进一步研究的方向。