基于MP稀疏分解原子参数的乐器分类

Mel频率倒谱系数(MFCC)等传统声学特征不能精确地体现出不同乐器信号间的差别。为此,提出一种基于匹配追踪(MP)稀疏分解原子参数的乐器分类方法。利用MP算法提取各类乐器信号的稀疏分解原子,将得到的原子参数作为特征,通过支持向量机进行分类。实验结果表明,该方法的分类正确率达到89.17%,相对于MFCC提高了17.37%。     

基于稀疏分解的SFM信号的时频分析方法

针对正弦调频(SFM)信号Wigner-Ville分布(WVD)存在严重的时频交叉项干扰问题,提出了一种基于稀疏分解的时频分析方法。该方法首先由信号的时频参数构建Gabor原子字典,然后利用匹配追踪(MP)算法实现信号分解,并结合改进遗传算法寻找最佳匹配原子,最后将每次分解得到的Gabor原子通过Wigner-Ville变换叠加得到无交叉项的信号WVD。仿真结果表明,该方法能提高对信号稀疏分解的计算效率,且Gabor原子的选取较为灵活,用少量原子可表示信号WVD。与传统的时频分析方法相比,该方法能有效抑制时频交叉项干扰,且保持高时频分辨率。     

基于萤火虫算法的匹配追踪用于生态声音辨识

针对生态环境中背景噪声对声音辨识产生干扰的问题,提出利用萤火虫算法优化匹配追踪的方法进行生态声音辨识。利用匹配追踪（MP）稀疏分解声音信号,在保留信号主体结构的前提下对其进行重构,减小噪声的影响。使用萤火虫（GSO）算法优化搜索最佳匹配原子,实现MP快速分解。对重构信号提取Mel频率倒谱系数（MFCCs）,MP时频特征及基音频率。结合支持向量机（SVM）对56种生态声音在不同环境和信噪比情况下进行分类识别。实验结果表明,与传统MFCC与SVM的方法相比,该方法对生态声音在不同信噪比下的识别性能得到不同程度的改善并且具有较好的抗噪性,尤其适合低信噪比（30 dB以下）噪声情境下使用。     

基于Gabor特征和支持向量引导字典学习的人脸识别

稀疏编码中的字典学习在稀疏表示的图像识别中扮演着重要的作用。由于Gabor特征对表情、光照和姿态等变化具有一定的鲁棒性,提出一种基于Gabor特征和支持向量引导字典学习（GSVGDL）的稀疏表示人脸识别算法。先提取图像的Gabor特征,然后用增广Gabor特征矩阵来构造初始字典。字典学习模型中综合了重构误差项、判别项和正则化项,判别项公式化定义为所有编码向量对平方距离的加权总和;通过字典学习同时得到字典原子与类别标签相对应的结构化字典和线性分类器。该字典学习方法能够自适应地为不同的编码向量对分配不同的权值,提高了字典的判别性能。实验结果表明该方法具有很好的识别精度和较高的识别效率。     

基于稀疏表示的系统辨识方法

基于信号的稀疏表示理论提出一种线性时不变系统辨识方法.该方法利用线性调频信号作为线性时不变系统激励输入信号,在利用传统方法进行系统辨识前利用稀疏分解算法对系统输出信号进行噪声处理.线性调频信号具有较好的时频聚集特性,线性时不变系统的输出也将具有很好的时频特征,利用基于Gabor字典的稀疏分解将能有效地提取输出信号中的有效分量,滤除其中的噪声成分,提高系统辨识的精度.仿真实验表明,本文提出的方法在低信噪比情况下,辨识效果好于传统方法.     

一阶实值多项式相位信号快速稀疏分解算法

针对稀疏分解运算量巨大的问题,提出了一种针对一阶实值多项式相位信号(PPS)运算量较小的稀疏分解算法,从而实现了稀疏分解的快速性。该算法采用如下策略：首先采用级联字典的方式,即字典D由Df和Dp级联而成,其中字典Df的原子主要考虑一阶实值多项式相位信号的频率成分,不考虑相位因素,而字典Dp的原子主要考虑一阶实值多项式相位信号的相位成分,不考虑频率因素;其次对字典Df的原子与信号进行匹配测试,测试采用群测试算法搜索匹配的原子,并采用二次测试的方法来达到测试的准确性;最后根据测得的匹配频率原子,构造字典Dp,并通过匹配追踪（MP）算法搜索到匹配的相位原子,从而完成了信号的稀疏分解。仿真结果表明该算法的效率约为匹配追踪算法的604倍和遗传算法的139倍,具有运算量小、稀疏分解快的特点,复杂度仅为O(N),而且不具有智能计算的随机性。     

基于对称Gabor特征和稀疏表示的人脸识别

受启发于人脸近似对称的先验知识,提出一种基于对称Gabor特征的稀疏表示算法并成功运用于人脸识别。首先把人脸图像进行镜像变换得到其镜像图像,进而将人脸分解为奇偶对称脸。在奇偶对称脸上分别提取Gabor特征,得到Gabor奇偶对称特征。通过一个加权因子,将奇偶特征融合生成新的特征。最后用这种新的特征构成超完备字典进行稀疏表示人脸分类。在人脸数据库AR和FERET上的实验结果表明所提算法在人脸有表情、姿势和光照变化情况下仍能获得较高的识别率。     

基于对称Gabor特征和稀疏表示的人脸识别

受启发于人脸近似对称的先验知识,提出一种基于对称Gabor特征的稀疏表示算法并成功运用于人脸识别。首先把人脸图像进行镜像变换得到其镜像图像,进而将人脸分解为奇偶对称脸。在奇偶对称脸上分别提取Gabor特征,得到Gabor奇偶对称特征。通过一个加权因子,将奇偶特征融合生成新的特征。最后用这种新的特征构成超完备字典进行稀疏表示人脸分类。在人脸数据库AR和FERET上的实验结果表明所提算法在人脸有表情、姿势和光照变化情况下仍能获得较高的识别率。     

图像的多成分混合字典压缩感知表示及重构

信号分解的稀疏程度决定了压缩感知重构信号的精度,针对标准正交基稀疏程度的不足,提出了基于混合字典的压缩感知图像分解和重构方法。构建匹配图像边缘和纹理的二维Gabor字典,将图像在离散余弦字典与建立的二维Gabor字典上进行混合稀疏分解,得到图像的光滑成分、边缘成分和纹理成分。对得到的稀疏成分进行CS观测,通过求解一个优化问题重构图像。实验结果表明,构造的混合字典能够对图像进行更加稀疏的表示,在相同的采样率下,图像的重构质量优于标准正交基分解。     

基于Gabor特征与加权协同表示的人脸识别算法

针对基于稀疏表示分类方法的训练样本于与类别标签信息提取不足,特别是在训练样本和待测样本都受到噪声污染的情况下将会明显下降及算法复杂度较高的问题,提出以Gabor特征以及加权协同为基础的人脸识别算法;最初需要对人脸图像内所包含的各个尺度以及方向的Gabor特征完成提取,在稀疏表示中引入Gabor特征,将降维后的Gabor特征矩阵作为超完备字典,再用稀疏表示增强加权协同表示得到该字典下的的稀疏表示系数,然后利用增强系数与训练样本的标签矩阵完成对测试样本进行分类识别,从而得到Gabor特征以及加权的协同表示分类方法,在Yale人脸数据库、Extended Yale B和AR人脸数据库上以及在FERET人脸数据库对人脸姿态变化的实验表明新算法具有更好的识别率和较短的计算时间.     

基于多尺度稀疏表示的场景分类

提出一种基于多尺度稀疏表示的场景分类框架。首先从图像中提取多个尺度的局部特征,然后利用稀疏编码为每个尺度的特征单独学习相应的过完备字典;在图像表示阶段,为图像各尺度上的局部特征依据与其对应尺度的字典进行编码,并按照空间金字塔表示方法和特征各维最大汇总(max pooling)对各尺度上的特征编码分别汇总;最后将不同尺度上汇总的特征串接,形成对图像最终描述的全局向量。在三个常用标准场景库上的分类结果表明,提出的算法由于利用了不同尺度特征间的互补关系,与采用单尺度特征的方法相比,性能有了显著提升。     

高光谱图像分类的融合分层深度网络联合稀疏表示算法

在高光谱图像分类领域中每个像素的局部邻域一旦包含来自不同类别的样本,联合稀疏表示将受邻域内字典原子与测试样本之间同谱异类的影响,严重降低分类性能.根据高光谱图像的特点,文中提出融合分层深度网络的联合稀疏表示算法.在光谱和空间特征学习之间交替提取判别性光谱信息和空间信息,构建兼具空谱特征的学习字典,用于联合稀疏表示.在分类过程中将学习字典与测试样本间的相关系数与分类误差融合并决策.在两个高光谱遥感数据集上的实验验证文中算法的有效性.     

基于稀疏编码的手指心电信号身份识别算法

研究了心电(ECG)信号在身份识别中的应用,提出了基于过完备字典下稀疏编码的手指心电身份识别认证算法.在预处理阶段,对ECG信号进行预处理消噪,去除心电信号里的噪声、基线漂移和心率变异的干扰.在特征提取阶段,提取单周期心电信号构成特征向量并构建字典模型,用核奇异值分解(KSVD)训练成冗余字典,然后对每一部分特征向量进行稀疏编码,实现在该字典上的稀疏表示.在分类识别阶段,利用得到的稀疏系数矩阵构建特征模板向量作为特征参数.通过欧氏距离匹配输出个体身份信息,实现个体身份识别认证.通过两个手指心电信号数据库对该算法进行了性能测试,获得了较高的识别率.     

Sound source localization using compressive sensing-based feature extraction and spatial sparsity

In this paper, we propose a source localization algorithm based on a sparse Fast Fourier Transform (FFT)-based feature extraction method and spatial sparsity. We represent the sound source positions as a sparse vector by discretely segmenting the space with a circular grid. The location vector is related to microphone measurements through a linear equation, which can be estimated at each microphone. For this linear dimensionality reduction, we have utilized a Compressive Sensing (CS) and two-level FFT-based feature extraction method which combines two sets of audio signal features and covers both short-time and long-time properties of the signal. The proposed feature extraction method leads to a sparse representation of audio signals. As a result, a significant reduction in the dimensionality of the signals is achieved. In comparison to the state-of-the-art methods, the proposed method improves the accuracy while the complexity is reduced in some cases.     

基于多视图集成的网络表示学习算法

现有的网络表示学习算法主要为基于浅层神经网络的网络表示学习和基于神经矩阵分解的网络表示学习。基于浅层神经网络的网络表示学习又被证实是分解网络结构的特征矩阵。另外,现有的大多数网络表示学习仅仅从网络的结构学习特征,即单视图的表示学习;然而,网络本身蕴含有多种视图。因此,文中提出了一种基于多视图集成的网络表示学习算法(MVENR)。该算法摈弃了神经网络的训练过程,将矩阵的信息融合和分解思想融入到网络表示学习中。另外,将网络的结构视图、连边权重视图和节点属性视图进行了有效的融合,弥补了现有网络表示学习中忽略了网络连边权重的不足,解决了基于单一视图训练时网络特征稀疏的问题。实验结果表明,所提MVENR算法的性能优于网络表示学习中部分常用的联合学习算法和基于结构的网络表示学习算法,是一种简单且高效的网络表示学习算法。     

改进耦合字典学习的脑部CT/MR图像融合方法

针对目前使用单字典表示脑部医学图像难以得到精确的稀疏表示进而导致图像融合效果欠佳,以及字典训练时间过长的问题,提出了一种改进耦合字典学习的脑部计算机断层成像（CT）/磁共振成像（MR）图像融合方法。该方法首先将CT和MR图像对作为训练集,使用改进的K奇异值分解（K-SVD）算法联合训练分别得到耦合的CT字典和MR字典,再将CT和MR字典中的原子作为训练图像的特征,并使用信息熵计算字典原子的特征指标;然后,将特征指标相差较小的原子看作公共特征,其余为各自特征,并分别使用"平均"和"选择最大"的规则融合CT和MR字典的公共特征和各自特征得到融合字典;其次,将配准的源图像编纂成列向量并去除均值,在融合字典的作用下由系数重用正交匹配追踪（CoefROMP）算法计算得到精确的稀疏表示系数,再分别使用"2范数最大"和"加权平均"的规则融合稀疏表示系数和均值向量;最后通过重建得到融合图像。实验结果表明,相对于3种基于多尺度变换的方法和3种基于稀疏表示的方法,所提方法融合后图像在亮度、清晰度和对比度上都更优,客观参数互信息、基于梯度、基于相位一致和基于通用图像质量指标在三组实验条件下的均值分别为：4.1133、0.7131、0.4636和0.7625,字典学习在10次实验条件下所消耗的平均时间为5.96 min。该方法可以应用于临床诊断和辅助治疗。     

基于稀疏字典的听觉显著性计算

听觉注意显著性计算模型是研究听觉注意模型的基本问题,显著性计算中选择合适的特征是关键,本文从特征选择的角度提出了一种基于稀疏字典学习的听觉显著性计算模型.该模型首先通过K-SVD字典学习算法学习各种声学信号的特征,然后对字典集进行归类整合,以选取的特征字典为基础,采用OMP算法对信号进行稀疏表示,并直接将稀疏系数按帧合并得到声学信号的听觉显著图.仿真结果表明该听觉显著性计算模型在特征选择上更符合声学信号的自然属性,基于基础特征字典的显著图可以突出噪声中具有结构特征的声信号,基于特定信号特征字典的显著图可以实现对特定声信号的选择性关注.     

基于GA和MP的信号稀疏分解算法的改进

信号的稀疏表示在信号处理的许多方面有着重要的应用,基于MP的稀疏分解是目前信号稀疏分解的最常用方法,也是几乎所有稀疏分解算法中速度最快的,但其存在的关键问题仍然是计算量十分巨大。基于利用MP（Matching Pursuit）方法实现的信号稀疏分解算法,采用遗传算法（GA）快速寻找MP 过程中每一步分解的最佳原子。并针对基本遗传算法存在的未成熟收敛和易陷入局部最优解的问题,提出了对基于GA和MP的信号稀疏分解的一种改进算法,实验结果证实了改进算法的有效性。     

基于Haar-like特征的实时L1-跟踪算法

稀疏表示技术已成功应用于视觉跟踪,但是仍然存在跟踪算法效率低的问题。提出一种基于Haar-like特征的视频跟踪算法,该算法是基于粒子滤波框架的L1-跟踪算法,其特点是运用Haar-like特征及特征块的思想对完备基进行重新构造。将正负小模板由单个像素改为像素块,降低稀疏表示中过完备基的维数,大幅减少稀疏矩阵的计算量;同时,在保证跟踪质量的前提下适当减少目标模板数量,减少稀疏计算的次数,并控制模板更新频率。实验结果表明,所提算法能大幅提高跟踪的实时性,同时很好地解决了跟踪问题中的短时间遮挡、目标物体的形变以及光照变化等问题。     

新的基于稀疏表示单张彩色超分辨率算法

传统的基于学习的超分辨率算法普遍采用样本库来训练字典对,训练时间长且对样本库依赖较大。针对传统算法的不足,提出一种新的单张彩色图像超分辨率算法。该方法基于稀疏编码超分辨率模型,利用图像自相似性和冗余特性,并结合图像金字塔结构,采用低分辨率图像本身来训练高、低分辨率图像块的字典对。同时,针对彩色图像,该算法采用一种基于稀疏表示的彩色图像存储技术,将彩色图像的三通道值组合成一个向量进行图像稀疏处理,以更好地维持原始图像细节信息。实验结果表明,与传统的超分辨率算法相比,该算法不但有更好的视觉效果和更高的峰值信噪比(PSNR),而且计算速度快。