结合小波变换和稀疏主成分分析的复合材料缺陷信号增强算法

脉冲热成像技术被广泛应用于碳纤维复合材料内部缺陷检测。由于原始热成像数据包含不均匀背景及检测噪声,缺陷信号的可视化效果较差,无法直接进行缺陷检测及识别。针对上述问题,提出结合小波变换和稀疏主成分分析（wavelet transforming and sparse principal component analysis,WT-SPCA）的特征提取方法,以提高缺陷信号的可视化效果。首先利用小波变换进行噪声信号去除,进一步采用稀疏主成分分析提取缺陷信号特征。实验结果表明,WT-SPCA方法可有效去除不均匀背景及噪声干扰,准确提取缺陷特征。与主成分分析、稀疏主成分分析等特征提取方法相比,WT-SPCA能够有效提高缺陷信号的可视化效果及缺陷区域的信噪比水平。     

基于超声相控阵的聚乙烯管道缺陷信号重构方法研究

在对聚乙烯管道缺陷进行超声检测的过程中,由于聚乙烯材料中传播的声速小,散射噪声强,信噪比极低,并且仪器设备本身会受到电信号干扰,从而影响缺陷成像的结果。因此针对A扫信号进行数据处理以提高检测图像的质量尤为重要。另一方面,采用阵元数较多的超声相控阵探头进行不同类型的聚乙烯管道缺陷的数据采集时,将会得到大量的缺陷数据,对存储、传输和处理带来各种困难。而针对传统方法进行压缩感知时,如果信号的信噪比较低而重构均方误差较大,则很难保留信号中重要信息,在低码率下更容易产生细节丢失的问题。所以本文提出一种基于K-SVD超完备字典学习的稀疏表示缺陷信号压缩重构方法,借助该学习算法训练过完备字典,并选择高斯随机矩阵为观测矩阵和正交匹配追踪算法(OMP)为重构算法对聚乙烯管道缺陷回波信号进行压缩感知,同时分析字典元素个数与迭代次数等参数变化对重构信号与成像效果的影响。     

小波分析在管道缺陷超声检测中的应用

在管道缺陷超声无损检测中，作为检测基本数据的脉冲反射回波信号受到电子噪声(包括热噪声和量化噪声)和结构噪声的干扰，使材料的缺陷信号变得难以识别。小波变换借助于时．频局部分析特性，已成为现代信号处理中的一种重要方法。在阐述小波变换基本原理的基础上，研究了管道超声缺陷信号的小波分解与重构。利用此方法对超声信号进行分析，可方便地识别是否存在缺陷以及缺陷的位置。     

远场涡流检测中的数字相敏检波器的研究

数字相敏检波作为一种微弱信号的检测方法,适用于信号微弱及信噪比低的远场涡流检测,介绍了运用远场涡流技术检测管道缺陷的原理和方法,并对数字相敏检波器进行了研究和研制,实验结果表明效果良好.     

基于卷积非负矩阵部分联合分解的强噪声单声道语音分离

非负矩阵部分联合分解(Nonnegative matrix partial co-factorization, NMPCF)将指定源频谱作为边信息参与混合信号频谱的联合分解, 以帮助确定指定源的基向量进而提高信号分离性能.卷积非负矩阵分解(Convolutive nonnegative matrix factorization, CNMF)采用卷积基分解的方法进行矩阵分解, 在单声道语音分离方面取得较好的效果.为了实现强噪声条件下的语音分离, 本文结合以上两种算法的优势, 提出一种基于卷积非负矩阵部分联合分解(Convolutive nonnegative partial matrix co-factorization, CNMPCF)的单声道语音分离算法.本算法首先通过基音检测算法得到混合信号的语音起始点, 再据此确定混合信号中的纯噪声段, 最后将混合信号频谱和噪声频谱进行卷积非负矩阵部分联合分解, 得到语音基矩阵, 进而得到分离的语音频谱和时域信号.实验中, 混合语音信噪比(Signal noise ratio, SNR)选择以-3 dB为间隔从0 dB至-12 dB共5种SNR.实验结果表明, 在不同噪声类型和噪声强度条件下, 本文提出的CNMPCF方法相比于以上两种方法均有不同程度的提高.     

远场涡流检测传感器速度效应仿真分析

为了分析远场涡流检测中传感器运行速度对缺陷响应信号的影响,采用多场有限元方法对远场涡流(RFEC)管道检测技术进行仿真研究.首先使用COMSOL有限元软件建立远场涡流管道检测频域与瞬态仿真分析模型,而后利用该模型对远场涡流检测原理以及传感器运行速度与缺陷响应信号的关系进行研究.结果表明:在采用远场涡流传感器检测管道缺陷时,传感器运行速度和行进方向对检测结果的稳定性有较大影响.当传感器运行速度过大时,缺陷检测信号与激励信号的相位差会出现较大变化;当传感器运行速度在2 m/s以下,且沿着激励线圈指向检测线圈的方向运动,检测效果较理想.     

小波变换在脉冲涡流检测信号中的应用

脉冲涡流检测方法是涡流检测技术的一个新兴分支.通过实验装置采集了含有噪声的缺陷信号.介绍了小波去噪的基本原理,研究了脉冲涡流检测信号中的去噪问题,采用小波系数去噪对脉冲涡流检测信号进行了处理.实验结果表明:采用小波系数去噪的方法可使缺陷信号的信噪比得到显著的提高.     

基于盲源分离的单通道语音信号增强

在运用基于独立分量分析(ICA)的盲源分离法进行语音增强时,要求观测信号(含噪语音)的个数不少于源信号(纯净语音和噪声)的个数.由于含噪语音通常是单通道的,所以必须合理地生成另一路的虚拟观测信号,以实现纯净语音和噪声的分离是个关键.介绍了一种基于盲源分离和谱减法的单通道语音信号增强的方法.首先运用谱减法对语音进行部分去噪,产生了ICA其中的一路观测信号,并产生了对噪声的估计值.用语音和噪声估计值的帧平均能量构成了加权函数,将噪声的估计值与原始含噪语音进行加权组合,生成另一路的虚拟观测信号.由于虚拟观测信号很好地再现了实际的观测信号,所以运用ICA可以较好地实现了噪声和语音的分离.同时,盲源分离和谱减法相互结合,使语音增强的性能提高.实验证明了算法可以在信噪比很小的情况下实现对噪声的去除,其效果要优于传统的去噪算法.     

基于小波变换和随机共振的微弱信号检测方法

根据随机共振的噪声选择性和频率敏感特性,提出了基于小波变换和随机共振的微弱信号检测方法.对含噪输入信号经多尺度小波变换分解为不同尺度频率的信号成分后,通过引入尺度收缩因子来调节各尺度信号成分的大小,再将不同尺度的分解信号作为双稳系统的输入,研究了不同尺度频率信号经收缩因子作用后对系统输出信噪比的影响.数值仿真结果表明,选取合适的尺度收缩因子,能有效提高系统输出的信噪比.     

基于EMD的单通道信源数估计方法

为了获取单通道接收信号的信源数目,针对普通信源数估计方法不能直接用于单通道接收信号的问题,提出了基于经验模态分解(empirical mode decomposition, EMD)的信源数估计方法。将单通道信号通过EMD处理,得到多个固有模态函数(intrinsic-mode function, IMF),据此构造数据协方差矩阵。对所构造的协方差矩阵进行特征值分解,采用基于信息论的AIC和MDL准则估计信源数。为进一步提高算法估计性能,引入对角加载技术对矩阵特征值进行平滑处理。仿真实验结果表面,本文提出的方法能够适用于单通道信源数估计,对角加载技术能够显著提高算法检测性能。     

基于ICA的全局人脸表示

介绍了独立成分分析在全局人脸识别中的应用，重点研究了全局人脸的独立元表示，给出了基于权向量幅值、基于比例因子和基于PCA-ICA算法的3种IC获得途径。基了Umist人脸库的实验结果表明，IC表示识别率明显高于PC表示，其中基于比例因子的IC表示识别效果最好。     

From image vector to matrix: a straightforward image projection technique—IMPCA vs. PCA

The conventional principal component analysis (PCA) and Fisher linear discriminant analysis (FLD) are both based on vectors. Rather, in this paper, a novel PCA technique directly based on original image matrices is developed for image feature extraction. Experimental results on ORL face database show that the proposed IMPCA are more powerful and efficient than conventional PCA and FLD.     

基于PCA和ICA的虹膜识别方法

为了提高虹膜识别的正确率,提出了利用主成分分析(PCA)与独立成分分析(ICA)相结合的方法,来对虹膜进行识别的方法。用该方法进行虹膜识别时,首先对预处理后的虹膜图像,利用PCA算法进行去二阶相关和降维处理;然后再进行ICA训练。ICA训练采用了以下两种方法:方法1,将参与ICA训练的图像看作是随机变量,而将图像中的像素值看作是随机实验结果,ICA训练后即可得到相互独立的ICA虹膜基图像;方法2,将图像中的像素值看作是随机变量,而将图像看作是随机实验结果,ICA训练后即得到相互独立的ICA系数。采用CASIA虹膜数据库进行的试验结果表明,基于PCA和ICA的虹膜识别算法在两种训练方式下的正确识别率分别达到98.89%和98.33%。     

基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。     

基于分块核主元分析的人脸识别方法研究

传统的基于数据二阶统计矩的主元分析法（PCA）是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。而KPCA方法只考虑了人脸图像的整体信息,没有考虑到局部特征信息。文章提出了分块核主元分析（MKPCA）的方法进行人脸识别,取得了很好的效果。     

基于核独立成分分析的人脸识别研究

在人脸识别中提出一种基于非线性子空间的核独立成分分析(KICA)方法。在简单介绍了ICA方法的基础上,对KICA方法的基本原理和算法作了较为详细的描述。为了验证基于KICA和ICA的人脸识别方法的识别效果,进行了对比实验和分析。实验和分析结果表明,在人脸识别中,基于KICA的方法优于基于ICA的方法。     

基于独立分量分析的人耳识别方法

应用独立分量分析（ICA）方法从高阶统计相关性角度出发提取人耳图像的特征变量，并采用基于欧氏距离测度的最近距离分类器进行人耳图像的识别。与传统的主成分分析（PCA）方法相比具有更好的鉴别能力。通过与PCA的对比实验结果表明，该方法具有更高的识别率，对姿态和光照的变化也具有较好的鲁棒性。     

基于方差滤波和ICA算法的人眼定位

采用方差滤波器确定人眼候选区域, 结合独立成分分析(ICA)方法对人眼进行快速定位, 能够有效地提取训练图像的高阶统计特征, 很好地去除基向量的相关性. 与主成分分析(PCA)和传统ICA方法相比具有更好的鉴别能力. 实验表明, 该方法的识别率可达97.3%, 并对光照和姿态变化也具有很好的鲁棒性.     

基于分块PCA的人脸识别方法

本文提出了一种称为M2PCA＋FDA的新的人脸识别方法．新方法从模式的原始数字图像出发，先对样本图像进行分块，对分块得到的子图像矩阵采用PCA进行特征抽取，从而得到能代替原始模式的低维的新模式，然后，对新模式施行“Fisherfaces”方法，实现模式的分类．其特点是能有效地抽取图像的局部特征，正是这些特征使此类模式区别于彼类．在ORL和NUST603两个人脸数据库上对M2PCAA-FDA方法进行了测试，实验的结果表明，本文提出的方法在识别性能上优于“Fisherfaces”方法和PCA方法．     

ICA-based neighborhood preserving analysis for face recognition

We present a new dimensionality reduction method for face recognition, which is called independent component based neighborhood preserving analysis (IC-NPA). In this paper, NPA is firstly proposed which can keep the strong discriminating power of LDA while preserving the intrinsic geometry of the in-class data samples. As NPA depends on the second-order statistical structure between pixels in the face images, it cannot find the important information contained in the high-order relationships among the image pixels. Therefore, we propose IC-NPA method which combines ICA and NPA. In this method, NPA is performed on the reduced ICA subspace which is constructed by the statistically independent components of face images. IC-NPA can fully consider the statistical property of the input feature. Furthermore, it can find an embedding that preserves local information. In this way, IC-NPA shows more discriminating power than the traditional subspace methods when dealing with the variations resulting from changes in lighting, facial expression, and pose. The feasibility of the proposed method has been successfully tested on both frontal and pose-angled face recognition, using two data sets from the FERET database and the CAS-PEAL database, respectively. The experiment results indicate that the IC-NPA shows better performance than the popular method, such as the Eigenface method, the ICA method, the LDA-based method and the Laplacianface method.