基于形态成分分析的轴承复合故障诊断

独立分量分析(ICA)已被广泛运用于线性混合模型的盲源分离问题,但却有2个重要的限制:信源统计独立和信源非高斯分布。形态成分分析是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法。介绍了形态成分分析的基本原理,进行了仿真说明,并应用该方法对设置了3种故障的轴承进行故障诊断,最终发现了故障特征,成功判别出了轴承的3种故障,验证了该方法在轴承故障诊断中的有效性。     

结合流形正则和变量分离近似稀疏重构的荧光分子断层成像

为改善荧光分子断层成像的重建结果,本文采用联合稀疏-流形正则模型进行光源重建,该联合稀疏-流形正则模型能同时利用重建光源聚集性和稀疏性的先验信息。为有效求解该联合稀疏-流形正则模型,本文通过重新推导变量分离近似稀疏重构算法对其进行求解。为加快变量分离近似稀疏重构算法求解联合稀疏-流形正则模型的速度,本文在光源重建过程中采用了热启动策略。实验结果表明,相比变量分离近似稀疏重构算法求解范数模型,变量分离近似稀疏重构算法求解联合稀疏-流形正则模型将重建结果的对比噪声比从6.45提升至9.18。另外,相比没有采用热启动策略,采用热启动策略的变量分离近似稀疏重构算法求解联合稀疏-流形正则模型的时间从101.84 s减至50.10 s。本文方法显著提高了光源目标重建的精度和速度,取得了更优的重建结果。     

星图的稀疏表示性能

分析了星图在不同表示方法下的稀疏性能,以便将更好的稀疏表示应用于星敏感器压缩成像过程中。采用两种方式对星图的稀疏性进行了分析:第一种方法利用离散余弦变换(DCT)、离散傅里叶变换(DFT)和离散小波变换(DWT)构造完备正交基,考察星图在不同完备基下的稀疏性;第二种方法则是通过选择DCT完备基构造超完备字典及训练学习字典来分析星图在不同表示方法下的稀疏性。仿真结果表明,在完备基表示下,星图相比一般场景图像的平均峰值信噪比(PSNR)值高出15~20dB,超完备字典和学习字典稀疏表示能够在各稀疏度下进一步提升峰值信噪比(PSNR值)2~20dB;对于星点的重构质量,各表示方法在10%以上稀疏度时基本能够保证星点重构成功率高于95%。得到的结果证明星图的稀疏性满足压缩成像的要求,其稀疏重构能够在很大程度上保持适用于姿态确定的星点质心位置,从而验证了压缩感知在星敏感器应用中的稀疏前提及可行性。     

基于小波稀疏的全息显微成像研究

数字全息显微镜要想满足高的分辨率通常需要获得许多张全息图,以达到较好的图像恢复效果。如果全息图的数量较少,则会导致重建的图像质量下降。由此提出一种基于小波稀疏重建的图像恢复方法,并对重建的图像用结构相似度指数来量化成像质量。通过获取人体血液红细胞的图像,得到3幅不同高度的全息图后进行稀疏重建,对这些图像进行结构相似性(SSIM)计算,其值为0.840 7;再用4幅不同高度的全息图进行小波稀疏恢复,其SSIM值为0.870 3。这种算法能够利用不同高度的少量全息图来重构生物样本的图像,比基于迭代多高度重建方法中使用的全息图的数量至少减少了两倍,并尽可能少地影响成像质量。同时,实现了无透镜超分辨的要求,且视野达到了20 mm~2。基于小波稀疏的图像重构方法还可以应用于其他的成像方案中,例如用多个照明角度或波长来重构以增强相干成像的速度等方面。     

基于小波变换的盲信号分离的神经网络方法

提出一种新的盲信号分离的神经网络方法,该方法将小波变换和独立分量分析(ICA,Independent Component Analysis)相结合。利用小波变换的滤噪作用,将混合在原始信号中的部分高频噪声滤除后,再重构原始信号作为ICA的输入信号,有效地克服了现有ICA算法不能将噪声从源信号中分离的缺陷。实验结果表明,将该方法用于多通道脑电信号的盲分离是很有效的。     

基于神经网络算法的故障检测技术

针对复杂的机电产品内部构件状态检测这一工程难题,本文介绍了一种自动在线检测系统.该系统采用X射线对产品成像,运用数字图像处理技术对射线图像进行预处理,由神经网络算法进行故障诊断.故障识别模型采用了改进的BP神经网络算法,以正常装配状态时的多幅图像经预处理后作为学习样本训练BP神经网络.检测时一般只需拍摄两幅不同方位的图像,经预处理后输入神经网络与样本图像进行比较判断,即可识别出关键元器件的状态.该系统将数字射线成像技术和图像处理技术相结合,并在故障识别算法中采用了神经网络算法,提高了产品故障的检测速度和可靠性,在工业无损检测领域具有一定的实用性.     

基于群稀疏系数估计的图像重构算法

基于稀疏表示的图像先验信息模型被广泛用于实现图像的重构中。针对稀疏表示中字典选择与系数估计的关键问题,提出了基于稀疏表示与非局部自相似性相结合的图像重构方法。首先通过欧氏距离的块匹配寻找相似图像块,并利用左右字典分别对相似图像块集合进行局部稀疏与非局部稀疏表示,以获得更稀疏准确的稀疏表示系数。进一步针对传统阈值收缩法对稀疏系数估计精度不足的问题,利用伯格曼迭代算法快速有效地求解重构模型,并采用线性最小均方误差估计准则(LMMSE)实现稀疏系数的估计,以保证对包含图像纹理细节信息的小系数的精确估计。实验结果表明,本文方法不仅在PSNR等客观指标上达到了目前先进水平,而且重构后图像拥有更为丰富的细节信息,整体视觉效果更加清晰。     

稀疏采样傅里叶望远镜成像

为了实现傅里叶望远镜快速成像,提出了一种稀疏采样图像重构方法,并对利用稀疏傅里叶样本精确重构目标图像的问题进行了研究。首先,基于压缩感知理论,并考虑目标图像在变换域的稀疏性或可压缩性,建立稀疏采样图像重构问题的优化模型。然后,构造适当的随机稀疏采样模板,对目标图像的傅里叶分量进行采样测量。最后,利用随机稀疏测量样本,通过非线性优化精确重构目标图像。实验结果显示,对实际的卫星图像,利用20%～30%随机测量样本非线性重构图像与利用全部测量样本直接重构图像的均方误差仅为4%～6%,表明利用随机稀疏傅里叶样本能够实现精确的图像重构,而且大大减少了测量样本的数量,从而有效降低了实现快速成像对傅里叶望远镜系统的成本和复杂性要求。     

一种基于SST-MOM的改进形态成分分析算法及其应用

形态成分分析(MCA)是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法,其扩展算法GMCA(Generalized MCA)可用于超定和欠定情形的盲源分离。为了降低GMCA算法中重构信号的均方差,提高分离信号的精度,将半软阈值函数和MOM阈值更新机制相结合,提出了SST-MOM(Semi-soft Thresholding MOM)阈值更新策略,仿真结果表明,新算法较原GMCA算法提高了分离信号的信噪比,将其应用于齿轮箱复合故障诊断中,有效地识别出了两路观测信号中的3种故障,表明了该算法的有效性。     

基于Anscombe变换的X射线图像序列盲源分离降噪

为降低泊松噪声对X射线图像质量的影响,本研究提出一种采用非线性主分量分析(NLPCA)对X射线图像序列进行盲源分离的降噪方法。该降噪方法首先采样一序列X射线图像,并通过Anscombe变换将图像中泊松噪声转化为高斯噪声;然后将每张含噪声图像视为噪声分量和信号分量的组合,进而采用NLPCA将信号分量和噪声分量分离达到降噪目的;最后通过Anscombe逆变换获取最终降噪图像。研究结果表明:当序列中含噪声图像张数从2增加到50时,提出的降噪方法可以将Shepp-Logan头模型含噪声图像的PSNR值由28.289 4 dB提高到37.267 8 dB、SSIM值由0.700 7提高到0.963 8。相比较常用的降噪算法,提出的降噪方法在有效消除X射线图像中泊松噪声的同时,使图像中细节轮廓保留更完整。     

温变工况下螺栓松动检测的独立成分分析方法

导波损伤检测技术的关键在于检测出结构损伤引起的导波信号变化,但环境温度变化也会影响导波传播过程,引起信号改变,导致损伤检测的失败。为了消除温度变化的影响,笔者采用独立成分分析(independent component analysis,简称ICA)方法处理导波响应信号。作为一种盲源分离的算法,ICA能够从混合信号中提取得到独立的未知源信号分量。因此利用ICA方法能将导波的响应源信号从被温度变化干扰的混合信号中分离出来,实现消除温度变化干扰的目的。为验证该方法的可行性,以螺栓连接铝板为对象进行实验,采集不同温度下螺栓全紧及松动状态的导波响应信号,将其经过ICA方法处理后应用到损伤定位算法中。结果表明,应用ICA处理后的导波信号能够成功定位松动螺栓,证实了ICA方法排除温度变化对导波传播影响的有效性。     

基于压缩感知的非均匀脉冲SAR欺骗性干扰抑制方法

针对SAR欺骗式干扰的特点和传统干扰抑制后SAR成像质量恶化以及传统干扰抑制方法存在着冗余度高、有效信息提取率低等问题,本文提出了将两种新的稀疏采样方式-互质采样与嵌套式稀疏采样同压缩感知算法相结合,用来抑制欺骗式干扰并实现目标高分辨重建的方法。通过仿真实验,对比了本文提出的新重构算法与传统非均匀采样重构算法,证明了在采样率远低于Nyquist速率的条件下,基于压缩感知的稀疏非均匀SAR采样与成像方法不但可以抑制欺骗式干扰,而且能够在避免信号冗余的情况下实现目标的高分辨成像。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

纹理引导的稀疏张量表示及在肺CT图像中的应用

基于张量理论在高维图像处理中的应用,提出一种张量模式的稀疏表示方法,以便有效地去除肺部CT序列图像的噪声,增强图像的有用信息。首先,设计了张量模式的正交匹配追踪法(TOMP)来表达稀疏系数;构建了高维K-奇异值分解法(HOK-SVD)用于字典更新。然后,对张量乘法的参数进行优化,即通过构造三维灰度共生矩阵,建立三维纹理特征与张量乘法模式之间的数学模型。最后,将这种方法应用于LIDC数据库的150组CT序列图像的预处理,对各算法的稀疏表示效果进行评价。与当前应用的其他方法相比,本文提出的高维K-SVD算法的的峰值信噪比提高了1.5%,平均误差降低了1.2%;在此预处理基础上进行的图像分割结果表明:图像的边缘偏移误差下降了3.0%,体积重叠率提高了1.2%。上述结果显示基于张量的方法可以更精确地完成对三维CT图像序列的稀疏表示。     

A NEW,NON-LINEAR,ADAPTIVE, BLIND SOURCE SEPARATION APPROACH TO GEAR TOOTH FAILURE DETECTION AND ANALYSIS

Past condition monitoring techniques of gearboxes have utilised many different approaches such as time-series averaging, amplitude and phase demodulation, time–frequency distribution and wavelet analysis. Only recently have statistical approaches taken a hold in gear tooth failure detection. Non-linear adaptive algorithms for independent component analysis (ICA) have been shown to separate unknown, statistically independent sources that have been mixed in dynamic systems. This paper proposes the application of an information maximisation based blind source separation algorithm (a type of ICA) to gear vibration measurements. It is shown that the individual gear and pinion vibrations cannot be separated using the blind separation algorithm, but the learning curve of the updated parameter can be used to detect impulsive and random changes in the data. It is shown that the algorithm is capable of tracking the higher-order statistics of the meshing signature using a single measure. This results in a detection scheme that is shown to find localised damage in a single tooth failure, two adjacent teeth failures, two non-adjacent teeth failures and multiple adjacent teeth failures. This method does not need a priori information about the loading, speed or type of gear measured.     

非局部均值噪声预测的独立成分分析降噪研究

为解决采用独立成分分析算法进行图像降噪需要多个观测信号的问题,提出一种对单张图像冗余信息进行稀疏以生成多个观测信号的方法。该方法首先采用字典压缩算法对原噪声图像稀疏;再采用非局部均值算法对压缩图像的冗余信息进行处理,将处理后的冗余信息生成初次降噪图像;将初次降噪图像和原噪声图像共同作为独立成分分析的多个观测信号。结合非局部均值算法可以避免仅使用字典压缩算法造成的过量稀疏,研究表明当高斯白噪声标准差σ在20~45范围时,本文提出的方法比字典稀疏压缩算法和非局部均值算法降噪效果更好,图像降噪后的峰值信噪比是降噪前的1.4倍。本文提出的方法在高斯白噪声标准差σ在20~45范围时,具有很好的降噪效果。     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

基于多通道联合稀疏重建的全极化SAR成像

全极化合成孔径雷达(SAR)可对不同极化通道分别独立进行压缩感知(CS)稀疏重建来增强成像性能,但分别独立处理没有利用极化信息的冗余性与互补性,有可能破坏极化信息的完整性。依据雷达目标在全极化下的散射特性构建联合稀疏度量函数,将全极化SAR高分辨成像转化为多通道联合稀疏约束的最优化重建问题,并用改进的正交匹配追踪算法进行求解。由于有效利用全极化信息,多通道联合CS成像相比于单通道CS成像能够获得更好的成像质量,还能全面准确反映目标全极化散射特性。通过对Backhoe挖掘机电磁仿真数据的处理,验证了算法的有效性,并且在微波暗室搭建了全极化SAR半实物仿真系统,利用其获取的全极化实测数据进一步验证了该方法的工程可行性。