利用字典学习的浅海被动声层析

针对被动海洋声层析,提出了一种利用字典学习从海洋环境噪声反演浅海声速剖面的方法。首先,通过海洋噪声互相关函数提取出两个水平阵列间的经验格林函数;其次,通过字典学习从数据生成字典矩阵来稀疏表征声速剖面;最后通过搜索稀疏的系数来实现对浅海声速剖面的反演。通过南海实验数据对本方法进行了验证,相对于传统被动海洋声层析方法实际反演结果的均方根误差降低为0.53 m·s^-1。而且搜索参数更少,同时具有较高的准确性。     

基于K-means聚类分析与单经验正交函数回归法的南海声速剖面估计方法研究

基于遥感参数和Argo历史数据对水体声速剖面（Sound Speed Profile,SSP）进行重构,对单经验正交函数回归（single Empirical Orthogonal Function-regression,sEOF-r）法在南海的适用性进行了研究。由于南海动力活动的复杂性,SSP扰动相对复杂,同时海域内SSP样本稀疏,相关的SSP统计学估计方法在南海区域还难以有效应用。文章基于K-means对样本进行聚类分析,讨论南海海域正交经验函数模态的一致性。通过扩大重构实验网格解决样本稀疏的问题。利用经典的sEOF-r对南海SSP进行反演,对重构SSP的误差分析说明了该方法在南海海域应用的有效性。SSP重构的均方根误差为2.341 1 m·s^-1,较大误差主要出现在深度40~200 m,其原因是海域内混合层深度发生变化。实验证明在南海区域内利用遥感参数可以有效地估计SSP。     

基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

多波束测深中声速剖面的分层EOF自适应重构

在海水性质变化剧烈地区利用重构声速剖面进行多波束测深时,传统的经验正交函数(Empirical Orthogonal Functions,EOF)方法在阶次选取时未顾及声速浅水的复杂性和深水的平稳性的特点。针对传统EOF方法存在计算量大、精度低等问题,给出了一种声速剖面EOF重构中分层阶次的确定方法。根据常梯度声线跟踪计算深度,在满足0.25%倍水深限差的要求下,统计有效波束比,采用自适应方法确定出合理的阶次。实验结果表明,该方法相较于传统EOF重构声速剖面测深的阶次选取方法,降低了运算量,提高了精度。     

扩展经验正交函数沿海声层析的声速反演

为了实现沿岸海域声速的实时连续监测,针对目前单收发换能器沿海声层析系统的剖面反演声线不足和接收信号不稳定的问题,提出了双收发换能器沿海声层析（Double-transcever Coast Acoustical Tomography,DCAT）系统。通过计算机进行仿真模拟,结果表明DCAT系统声速反演精度提高了一个数量级,验证了该系统对存在问题的改善及其有效性。在声速反演过程中,通过使用扩展经验正交函数（Extension Empirical Orthogonal Function,EEOF）表示声速剖面,实现了剖面全水深的声速反演。DCAT系统的提出和EEOF方法的应用,为海上实时连续观测系统的建立及数据处理,提供了理论基础和有效的实施方法。     

基于字典学习的主动声呐目标分类方法

主动声呐目标分类在军事和民用方面都有重要的应用和价值。文章基于稀疏表示理论,结合K-奇异值分解和正交匹配追踪算法,提出一种基于学习字典的稀疏表示分类方法（Dictionary Learning Sparse Representation Classification,DLSRC）。首先,利用K-奇异值分解算法训练各个类别目标回波信号,得到带有目标特征信息的类别字典,类别字典对信号具有良好表征能力并且带有目标类别信息;然后,利用正交匹配追踪算法和各个类别字典稀疏分解测试信号,得到各个类别字典下的稀疏系数后重构信号;最后,根据各个重构信号与测试信号的匹配度判定类别,得到分类准确率。结果显示,200个测试数据在信噪比分别为-5、-3、6 dB时,DLSRC法的分类准确率分别达到87%、89%、95.5%。不同信噪比下基于学习字典稀疏表示分类方法的准确率均高于已有的支持向量机（Support Vector Machine,SVM）、K-最近邻（K-Nearest Neighbor,KNN）和柔性最大值分类器（SoftMax）等分类方法,具有较好的分类性能。     

基于小波包字典优化的旋转机械振动信号压缩感知重构方法

采用工业无线传感器网络的机械状态监测系统需要进行复杂的数据压缩和高精度的重构,而传感器网络节点资源受限,针对这一问题提出基于小波包字典优化的旋转机械振动信号压缩感知重构方法。该方法结合小波包多分辨率分析及K-SVD字典训练方法,提出了小波包字典优化方法代替传统的正交基字典稀疏表示方法,提高稀疏度。根据旋转机械振动信号自身特征,提出用块稀疏贝叶斯学习最大期望值算法,代替传统仅依赖于稀疏假设的算法实现信号重构。实际轴承振动信号仿真结果表明,该方法相对于传统的压缩感知方法重构性能明显提高。     

利用残缺样本声速重构声速剖面

用经验正交函数(experiential orthogonal functions,EOF)表示声速剖面受限于样本声速的测量深度,应用该方法重构声速剖面只能计算到样本中最浅剖面的深度。要想进行全海深声速剖面的重构,必须对残缺的样本声速进行合理地外延。为此,首先对样本中温度和盐度进行了外延,然后根据声速经验公式计算得到了全海深的样本声速。在此基础上,通过解多元方程组的办法求解经验正交函数系数达到了声速剖面重构的目的。结果表明,提出的声速剖面外延方法是有效的。另外,只要知道声速剖面变化较剧烈深度上的3个点的声速值就能重构声速剖面,对于文中的数据来说,重构的均方根误差可达到0.872 m/s;增加经验正交函数的阶数能提高重构精度,但5阶以上,阶数的继续增加对精度的提高将不会有显著的影响。     

基于耦合过完备字典的红外云图超分辨率方法

针对红外云图分辨率低的问题,提出一种基于耦合过完备字典的超分辨率方法。在分析红外云图成像退化模型的基础上,建立了采用稀疏表示理论的超分辨率重构框架,首先随机抽取大量高、低分辨率云图的图像块,组成训练样本,经过字典学习获取针对高、低分辨率云图块的两个字典Dh和Dl,为保证对应的高、低分辨率云图块关于各自的字典具有相似的稀疏表示,提出一种耦合字典学习算法,该算法改变了字典对的更新策略,通过在每一步迭代中交替优化Dh和Dl,得到耦合的过完备字典对;最后对输入的低分辨率红外云图,采用最优正交匹配追踪算法(Optimized Orthogonal Matching Pursuit Algorithm,OOMP),得到满足重构约束的高分辨率云图。实验结果表明,本文方法与其他方法相比,红外云图重构质量有较为明显的改善,而且比同类方法具有更高的计算效率。     

基于频域信号的稀疏编码在机械故障诊断中的应用

提出了一种使用稀疏编码对机械频谱信号自学习并识别故障的方法。首先分别对每类频谱信号进行字典学习得到每类信号的字典,然后依次计算测试样本在各个类别的字典上的稀疏重构系数,利用稀疏重构系数与对应类别的字典重构测试样本。最后将重构残差作为识别依据,对机器状态进行判断。通过将振动信号从时域转化到频域,将复杂的移不变稀疏编码问题转化为普通的稀疏编码,并且得益于高效的K-SVD字典学习算法,计算效率得到了大幅提高。所提方案直接使用原始频谱信号作为训练集,不仅省去了特征提取过程,而且保留了更丰富的信息。经实验验证,该方案较基于时域的移不变稀疏编码具有更高的计算效率、准确率和稳定性。相对于常规诊断算法,除了有准确率的优势外,不易受负载变化的影响,所需人工干预较少。     

一种非分层海洋中的声线计算方法

在浅海环境中,声速剖面和海底深度在水平方向上的变化都会对声传播产生较大的影响。将声速剖面用前几阶经验正交函数来表示,在一定范围的海域各阶经验正交函数系数可以近似为随水平距离线性变化,提出了一种非分层海洋中的声线计算方法,可以计算到达接收水听器的本征声线和传播时间。该方法计算速度快,计算精度较高,可以用于海洋中的声速剖面快速反演。     

基于改进判别字典学习的故障诊断方法

近年来,基于稀疏表示的分类技术在模式识别中取得一定的成功。该框架中,字典的学习和分类器的训练通常是两个独立的模块,降低了方法的识别精度。针对以上问题,提出了一种特征提取和模式识别相融合的改进判别字典学习模型,将重构误差项、稀疏编码判别项及分类误差项进行了整合,并用K奇异值分解算法对目标函数进行优化,实现了字典和分类器的同步学习。该方法先对原始信号进行经验模态分解,并从分解的本征模态函数中提取时、频特征,形成故障样本;然后将训练样本输入改进模型用K奇异值分解优化;最后用习得字典及分类器权重对测试样本进行识别。实验结果表明：该算法不但适用于小样本故障问题,而且鲁棒性和分类性能都明显高于其它算法。         

改进的K-奇异值分解图像去噪算法

针对传统的K-奇异值分解信号利用率不足,采用了稀疏贝叶斯学习预处理图像信号;将正交匹配追踪与改进之后的最速下降理论相结合;因噪声原子存在于字典更新之后得到的字典中,所以结合Bartlett检验法将噪声原子裁剪掉。实验结果表明,此方法相对于小波阈值去噪法、基于离散余弦变换字典稀疏表示等去噪方法能够更好地滤除噪声,保留图像边缘信息,获得更高的峰值信噪比,得到图像视觉效果更佳。     

基于自适应Morlet小波参数字典设计的微弱故障检测方法研究

针对强背景噪声干扰下微弱故障冲击特征难以准确检测的问题,提出了一种基于自适应Morlet小波参数字典设计的齿轮故障诊断法。该方法基于信号局部分割和全局分析的思想,采用相关系数(CF)与峭度指标综合评价小波函数与目标信号的局部匹配度与全局匹配度,利用鲸鱼优化算法(WOA)自适应确定小波字典参数,逐点时移构建原子参数字典后,结合正交匹配追踪(OMP)检测故障特征信息。对仿真故障信号和齿轮实际故障信号分析的结果表明,该方法可以有效提取齿轮微弱故障特征,诊断效果优于传统的相关滤波算法(CFA)、小波降噪法和K-SVD学习字典方法。     

少量声速剖面时浅海声传播不确定性研究

当只有少量的浅海实测声速剖面时,不能直接利用Monte Carlo法研究声传播的不确定性。基于经验正交函数法,提出扩展向量法对少量实测声速剖面进行扩展,产生与实测声速剖面统计量基本一致的扩展声速剖面,基于MonteCarlo法,利用扩展后的声速剖面计算了声传播损失概率密度分布。结果表明,扩展向量元素服从标准正态分布,扩展后的数据捕捉到了未能测量到、但可能存在的声速剖面,该方法为浅海环境下实测声速剖面数据较少时,研究声传播不确定性提供了一种新的途径。