强噪声下工程装备轴承信号的稀疏重构研究

工程装备轴承故障工况特征常被外在信息淹没,为了对故障数据有效提取,提出了粒子群寻优与稀疏重构相结合的降噪滤波方法,选取Laplace小波基进行参数寻优与字典预构,进而对轴承的振动信号进行稀疏重构.通过对实验数据施加2 dB的高斯白噪声模拟工程环境下的轴承信号,将优化的稀疏重构算法与巴特沃斯滤波器、小波阈值去噪算法进行对比.结果显示:在峰值信噪比与波形相似性等参数上,所提方法的效果更优,所得的重构信号内外圈故障特征频率与理论特征频率相接近,在充分过滤噪声后,可保留原始特征信息,为后期的故障诊断提供良好的数据基础.     

数据保真项与稀疏约束项相融合的稀疏重建

本文针对低光子计数成像过程中产生的泊松高斯混合噪声,提出了一种数据保真项与稀疏约束项相融合的稀疏重建方法。首先,基于泊松高斯噪声相互独立的混合噪声模型,建立了数据保真项与稀疏约束项相融合的稀疏重建目标函数;在图像块聚类的基础上,应用改进贪婪算法实现类内稀疏分解和字典更新;最后,稀疏分解和字典更新交替迭代求解干净图像。针对强烈泊松高斯噪声污染图像的重建实验显示,本文方法与对比方法相比,重建结果的PSNR值平均提升了5.5%,MSSIM值也有明显提升。这些结果表明:本文方法对具有强烈泊松高斯混合噪声的图像有较好的图像复原和噪声去除效果。     

基于Res2-Unet多阶段监督的图像降噪

为了提高基于深度学习的图像降噪效率,提出了一种基于Res2-Unet-SE的多阶段监督深度残差（Multi-stage Supervised Deep Residual,MSDR）降噪神经网络。首先基于该神经网络,将图像降噪分为多阶段处理过程;然后在各处理阶段,将不同分辨率图像块输入到Res2-Unet子网络中获取不同尺度特征信息,并通过通道注意力机制将自适应学习的特征融合信息传递到下阶段;最后将不同尺度特征信息叠加,完成高质量的图像降噪。实验选择BSD400数据集用于训练,通过Set12数据集进行高斯噪声的降噪测试;通过SIDD数据集完成真实噪声的降噪测试。通过与常见的降噪神经网络对比表明,对图像添加σ=15,25,50的高斯噪声时,经本文算法降噪后的图像PSNR比对高斯噪声消除性能较好的DNCNN分别提高0.03 dB,0.05 dB,0.14 dB;在σ=25,50时,相较于MPRNET分别提高了0.02 dB, 0.06 dB。对含真实噪声的图像,经本文算法降噪后的图像PSNR比CBDNET算法提高0.48 dB。实验分析表明,本文算法在图像降噪上具有较高的鲁棒性,不仅能从噪声...     

改进的稀疏表示遥感图像超分辨重建

为了进一步提高遥感图像超分辨效果,提高超分辨重建速度。针对以往稀疏超分辨算法中更容易丢失边缘信息和引入噪声的问题,本文改进了特征提取算子,以对称近邻滤波(SNN)代替高斯滤波,重点解决特征空间中的字典学习问题。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率遥感图像进行7×7分块,生成字典训练样本。然后,建立连接高、低分辨率图像空间的双参数联合稀疏字典,将字典学习过程中的稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:与当前最先进的稀疏表示超分辨算法相比,本文算法得到的超分辨重建遥感图像的主观效果更好,恢复出更多的地物细节信息;客观评价参数峰值信噪比(PSNR)提高约1.7dB,结构相似性(SSIM)提高约0.016。改进的稀疏表示超分辨算法可以有效地提高遥感图像超分辨效果,同时降低重建时间。     

时空稀疏贝叶斯的多通道降噪方法及在机械故障诊断中的应用

压缩感知利用与稀疏基相独立的观测矩阵将具有稀疏结构的高维度信号投影到低维子空间,对于信号的压缩和降噪有很好的效果,但是稀疏基以及稀疏系数矩阵的获得对于分析的结果有决定性的影响。稀疏贝叶斯学习(sparse bayesian learning,SBL)算法能极大地提高信号稀疏分解的精度,提出了一种改进的基于时空稀疏贝叶斯(SpatioTemporal Sparse Bayesian Learning,STSBL)的多通道信号降噪算法。首先给出了多通道压缩感知理论模型,然后通过自适应过完备字典求取信号的稀疏基矩阵,最后提出基于STSBL的多通道理论模型获取多通道稀疏系数矩阵,从而实现多通道机械故障信号的有效降噪以及特征成分的精确重构。分别通过数值仿真实验和实测风力发电机轴承内圈故障信号进行分析,结果表明提出的方法有很好的降噪效果,同时能成功地提取信号的故障特征信息。     

运动模糊退化图像的双字典稀疏复原

为了消除图像中的运动模糊,提出了一种稀疏理论框架下的双字典稀疏复原方法,并分析了冗余字典的选取和迭代算法的实现.首先,建立了稀疏变换下的退化和复原模型,用Haar系数冗余字典将图像稀疏化,并用PCD阈值迭代算法对模糊图像进行收敛,得到复原图像.由于在有效去除复原图像的模糊的同时噪声在迭代过程中被放大并叠加在图像上,故从...     

基于波原子理论的超声检测信号降噪方法

如何在消除噪声的同时更好保留信号中的有效信息一直是无损检测信号处理研究中的热点。尝试通过构建虚拟观测信号将单通道超声检测信号扩展为信号阵列,利用波原子方法进行降噪处理,并引入非局部均值算法进行平滑以压制波原子硬阈值滤波方式可能产生的伪吉布斯现象。用该算法对仿真信号与某碳酸钙污垢层超声检测信号进行降噪,并与小波阈值降噪进行对比。结果显示该方法对信号信噪比的提高、信号有效特征及微弱信号的保持均有较好效果。     

基于自适应超完备稀疏表示的图像去噪方法

基于超完备字典的图像稀疏表示是一种新的图像表示理论,利用超完备字典的冗余性可以有效地捕捉图像的各种结构特征,从而实现图像的有效表示.当前稀疏表示的理论研究主要集中在稀疏分解算法和字典构造算法两方面.本文提出一种新的超完备字典构造算法:K-LMS算法,该算法由K均值聚类算法泛化获得,可用于超完备字典的自适应更新,以实现图像的有效表示.针对图像去噪问题,本文给出一种基于超完备稀疏表示的去噪方法,该方法利用图像在超完备字典上的自适应稀疏分解,通过阈值处理的方法实现了图像去噪,实验结果证实了本文所提方法的有效性.     

基于低秩稀疏分解算法的铣床齿轮箱故障诊断

铣床齿轮箱的安全运行对保证机械设备的效率具有重要的作用,其故障诊断复杂难控。传统形式算法只是从原始振动信号中进行字典原子学习,并未从本质层面分析特征信息物理结构特性。采用低秩稀疏分解算法,并进行BCD求解对齿轮箱故障诊断开展分析。研究结果表明：特征信号已淹没到了噪声中,能够对等间隔冲击特征进行准确识别,并使特征信号信噪比由-9.152增大为4.716。表明采用稀疏低秩算法能够滤除噪声干扰,从而高效识别瞬态冲击成分。经过3次迭代后特征信号发生了奇异值快速衰减现象,具有明显稀疏特性。低秩稀疏分解信号形成的包络谱,已经实现了所有干扰频率成分以及噪声成分的滤除效果,采用低秩稀疏分解算法能够实现齿轮箱局部故障的准确诊断。     

基于稀疏分解和包络解调的齿轮故障诊断

齿轮发生局部损伤,其振动信号中存在瞬态冲击成分,而冲击成分往往被谐波和强噪声所掩盖。为提取瞬态冲击信号,构造了冗余的级联字典,建立了将谐波和瞬态冲击在级联字典上进行稀疏分解的数学模型,然后将块坐标松弛法应用于齿轮振动信号的稀疏分解模型上,将谐波和瞬态冲击成分进行分离,并且有效提高了振动信号的信噪比。最后应用Hilbert包络解调从瞬态冲击成分中提取出齿轮的故障特征频率,表明此方法在齿轮故障诊断中的有效性。     

Image denoising via overlapping group sparsity using orthogonal moments as similarity measure

Recently, sparse representation has attracted a great deal of interest in many of the image processing applications. However, the idea of self-similarity, which is inherently present in an image, has not been considered in standard sparse representation. Moreover, if the dictionary atoms are not constrained to be correlated, the redundancy present in the dictionary may not improve the performance of sparse coding. This paper addresses these issues by using orthogonal moments to extract the correlations among the atoms and group them together by extracting the characteristics of the noisy image patches. Most of the existing sparsity-based image denoising methods utilize an over-complete dictionary, for example, the K-SVD method that requires solving a minimization problem which is computationally challenging. In order to improve the computational efficiency and the correlation between the sparse coefficients, this paper employs the concept of overlapping group sparsity formulated for both convex and non-convex denoising frameworks. The optimization method used for solving the denoising framework is the well known majorization–minimization method, which has been applied successfully in sparse approximation and statistical estimations. Experimental results demonstrate that the proposed method offers, in general, a performance that is better than that of the existing state-of-the-art methods irrespective of the noise level and the image type.     

近似稀疏正则化的红外图像超分辨率重建

针对红外图像分辨率低、受噪声影响严重等问题,引入近似稀疏正则化和K-奇异值分解（K-SVD）法,提出了基于近似稀疏表示模型的红外图像超分辨率重建方法。考虑到红外图像受到噪声污染,首先建立了稳健近似稀疏表示模型。针对已有字典训练方法时间消耗巨大问题,在假定低分辨率图像空间和高分辨率图像空间具有相似流形的前提下,联合近似稀疏表示模型和K-SVD方法,提出近似稀疏约束的基于K-SVD的高低分辨率字典对学习算法。最后,通过高分辨字典和对应的红外图像群稀疏表示系数重建得到高分辨率的红外图像。为了验证算法的性能,对提出的算法与稀疏性正则化的图像超分辨模型（SRSR）和Zeyde算法进行了实验比较。结果表明,本文方法能够较好地减少红外图像中的噪声,同时获得更好的超分辨率重建效果。     

基于改进 ICA-OMP 优化原子分解的谐波和 间谐波检测方法

针对原子分解中匹配追踪类算法存在的问题,提出一种结合帝国竞争算法(ICA)和正交匹配追踪算法(OMP)优化原子 分解的电网谐波和间谐波信号检测方法。 首先根据谐波和间谐波信号的特征,将 Gabor 原子库简化为正弦原子库。 然后采用 OMP 算法对谐波和间谐波信号进行原子分解,通过设置合理的相关性阈值确定终止迭代次数。 最后,根据搜寻出的最佳匹配 原子的索引参数实现谐波和间谐波信号参数估计。 在 OMP 算法迭代过程中引入 ICA,可实现在连续参数空间中搜索最佳匹配 原子,避免索引参数步长对检测精度的限制。 算例仿真与实测表明本文提出的算法能够在噪声干扰情况下准确检测出各次谐 波和间谐波分量,频率、幅值和相位的最大检测误差分别为 0. 015 4% 、0. 722 4% 和 1. 512 6°,可有效分辨出频率相近的间谐波 分量,实现时变谐波和间谐波分量的精确定位。 与正交匹配追踪算法相比,计算复杂度缩减率在 99% 以上。     

基于K-奇异值分解和层次化分块正交匹配算法的滚动轴承故障诊断

利用层次化分块正交匹配算法（HBW-OOMP）的高稀疏性和运算速度快等优点,提出了一种基于K-奇异值分解（K-SVD）字典和HBW-OOMP算法的故障轴承诊断方法。首先利用K-SVD自学习训练方法得到包含冲击成分的冗余字典,克服了固定结构字典适应性不强的缺点。然后采用基于分块思想的HBW-OOMP算法进行原子的选取和稀疏系数的求解,以重构信号包络谱峭度最大为终止条件,自适应确定分解次数。最后应用所提方法对仿真信号和故障轴承实验信号进行故障特征提取,结果表明该方法能够有效提取强背景噪声下故障特征成分,具有一定的应用前景。     

基于ADMM字典学习的滚动轴承振动信号稀疏分解

在稀疏分解过程中,字典模型构建的结果会直接影响稀疏分解的效果。为获得结构更好的字典,提出了一种基于交替方向乘子法(ADMM)的字典学习方法,在字典学习过程中采用交替方向乘子法逐个更新字典中原子,得到的字典具有良好的结构。将该字典学习方法应用到滚动轴承振动信号稀疏分解中,能获得更快的字典学习速度和更好的稀疏分解效果。与K-SVD字典学习方法相比较,证明了所提方法在轴承信号稀疏分解中的优越性。     

基于训练局部字典的倒装芯片高频超声检测信号稀疏去噪方法

针对高频超声检测倒装芯片缺陷的精度易受噪声影响以及高频超声信号维度高的问题,提出一种基于K-奇异值分解(K-Singular value decomposition, K-SVD)训练局部字典的高频超声信号稀疏去噪方法。采用K-SVD训练字典来减小信号与字典中原子之间的误差,并针对K-SVD不能训练高维度字典的问题,将高频超声信号分段,在低维度字典上对局部信号进行稀疏分解,从而降低训练字典和稀疏分解的计算复杂度;利用信号的全局最大后验概率(Maximum a posteriori probability, MAP)估计重构信号,消除因局部处理带来的信号跳变,实现高频超声信号的去噪。仿真和试验结果证明,提出的方法能够有效的去除高频超声信号中的噪声,与在全局字典上进行高频超声信号的稀疏分解相比,采用局部训练字典对信号进行稀疏分解在保证去噪性能的同时降低了计算复杂度。     

手指肌电信号稀疏分解重构与活动段特征提取研究

针对传统信号处理方法在非平稳信号处理中的局限性问题,对稀疏分解思想和自适应过完备原子库进行了研究,提出了将稀疏分解思想应用到表面肌电信号处理中的方法。采用数据分割的方式,对原始信号进行了预处理。在正交匹配追踪算法的基础上,利用K均值-奇异值分解(K-SVD)算法构造了自适应过完备原子库,对分割后的各个样本块分别进行了稀疏分解,将其多维特征重构为一维稀疏系数。同时,以便于实际应用与连续控制为原则,对每个样本块的稀疏系数进行了重组,用单个特征值表征了样本块的多维特征。数据分析结果表明,重构后的一维稀疏系数可以保留四维原始信号的绝大部分能量,而重组后的特征值可以准确反映原始信号活动段的变化。     

基于稀疏处理的多能X射线分离成像

利用独立成分分析(Independent Component Analysis,ICA)并结合多能X射线图像的丰富信息可以将二维X射线图像中重叠目标分离成像,但是海量的图像数量,以及高像素数的要求均会使内存占有量和计算速度面临挑战,因此本研究将压缩感知(Compressed Sensing,CS)与ICA相结合进行分离成像,以提高计算速度和分离成像性能。研究过程中,首先根据被拍摄物体的物质组成确定拍摄多能X射线图像数量,并选取CS技术中K均值奇异值分解(K-means SingularValue Decomposition,K-SVD)稀疏基将多能X射线图像进行稀疏表示,然后利用ICA将此稀疏表示进行盲源分离得到独立源,最后采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)将独立源进行重构实现分离成像。研究结果表明:采用ICACS技术比仅采用ICA进行目标分离成像的运行时间减少了46.14s(23.3%)、内存占有率降低了21%、重构图像峰值信噪比(Peak Signal to Noise Ratio,PSNR)提高了2.665dB、边缘梯度提高了0.001、信息熵提高了0.09。     

稀疏重构SAM芯片焊点检测方法研究

提出了基于稀疏表示的声扫描显微镜(Scanningacousticmicroscope,SAM)图像超分辨率重构方法,以解决其空间检测分辨率受超声波频率和穿透深度的限制,原始SAM图像分辨率较低,不利于封装缺陷辨识等问题。通过字典设计训练和稀疏系数α求解获得了重构的高分辨率SAM图像,利用Levenberg-Marquardt算法改进BP神经网络(LM-BP),并用于倒装芯片焊点缺陷识别。与原始图像及双三次插值图像相比,稀疏重构图像的峰值信噪比明显增大,提高了SAM图像质量,减小了芯片焊点的错误识别数目,错误率降至2.76%。试验结果表明稀疏表示的SAM重构算法和LM-BP神经网络训练速度快、识别精度高,可用于高密度半导体封装缺陷的检测及可靠性评估。