基于多小波的煤矿井下动力电缆故障定位研究

针对基于传统小波变换的煤矿井下动力电缆故障定位方法由于小波函数不具有对称性而存在定位精度差的问题,提出了一种基于GHM多小波的煤矿井下动力电缆故障定位方法。分析了多小波理论的原理,详细介绍了GHM多小波在煤矿井下动力电缆故障定位中的应用。仿真结果表明,动力电缆故障电流信号经GHM多小波变换后各尺度的奇异点不会发生偏移,提高了故障定位精度。     

小波域视觉密码零水印算法

目的传统零水印算法需要构造包含图像特征的水印数据,这样构造的水印往往是无意义的。在已有视觉密码鲁棒水印算法基础上,结合零水印思想,提出小波域视觉密码零水印算法。方法零水印不仅仅是由载体图像生成的,而是其与水印信息共同制造的视觉秘密图份。算法产生2幅图份:主图份(图像特征信息)和所有权图份(零水印)。首先,将载体图像通过合理置乱,去除像素相关性;其次,对置乱后的图像做小波变换,再将小波低频子带分块并对各块做奇异值分解,通过比较块特征值与块特征值均值生成过渡矩阵;然后,将生成的过渡矩阵结合2×2视觉秘密图份算法生成主图份;最后,结合主图份和秘密水印信息产生所有权图份,同时将其保存到认证中心。结果针对零水印信息不够直观,在不对载体进行任何改动的情况下,将有意义二值图像作为零水印嵌入到载体图像中去。即使在很强的鲁棒干扰环境中,本文方法仍然比传统的零水印算法表现出色。结论提出了一种可靠的图像版权认证零水印算法。实验结果表明,算法具有良好的安全性,同时对多种图像处理具有很好的鲁棒性。     

基于DWT-SVD的图像双零水印算法

算法采用双零水印方式,解决不同的数字水印算法问题。首先,利用SVD空间向量表征图像的结构特性的性质解决了以往算法虚警率高的问题。其次,针对嵌入式数字水印算法的鲁棒性低以及嵌入容量有限等问题,提出了一种基于小波变换域的零水印算法,该算法利用小波变换系数构造出能够代表水印信息的特征值,同时算法对原始水印数据进行了双重加密,不仅达到隐藏水印信息、保护版权的目的,而且大大提高了水印信息的安全性。由于算法采用的是零水印的方式,所以能够保证原始载体图像无失真,即良好的不可见性。实验结果表明,该算法具有鲁棒性高、简单易行、虚警率低的优点。     

基于K-SVD的低信噪比WMSN视频图像稀疏去噪

无线多媒体传感器网络WMSN因感知视频等信息的优势而被广泛应用,但受天气、光照等外因干扰,所采集视频图像常含有较为严重的噪声。因此,在低信噪比条件下进行视频图像去噪是保证WMSN视频监测有效性和可靠性的关键。在分析WMSN视频图像特征的基础上,首先对其进行周期性采集、分帧及帧差等预处理;然后对关键帧运用K SVD训练DCT冗余字典以充分稀疏表示图像特征,并采用基于残差比的改进型Batch OMP实现关键帧去噪及重构,而对残差帧则基于DCT冗余字典进行稀疏去噪处理;最后,叠加去噪后的关键帧和残差帧,从而整体上实现低信噪比WMSN视频图像的去噪及重构。实验表明,本算法能更加有效地、较为快速地滤除视频图像噪声,适用于低信噪比WMSN视频图像去噪。     

基于多分辨率奇异值分解的图像融合

提出一种新的基于多分辨率奇异值分解（ MSVD）图像融合算法。算法对源图像进行MSVD处理,使其分解为互不相关的平滑和细节分量,并对平滑分量进行多层次的分解与处理。类似于小波变换,多分辨率奇异值分解的基本思想是在平滑分量的每一层上用奇异值分解（ SVD）来取代滤波,最终利用融合规则对图像进行MSVD融合。利用5种评价算子来评价算法,得到的融合效果很好。与基于小波分解的算法相比,算法计算简单、实时性突出,对复杂、高像素图像处理更简单方便。     

一种奇异积分方程的解法

研究了一种非线性奇异积分方程的解法,其基本方法是通过某种变换把它转化为带平方根的Riemann边值问题,从而给出了积分方程的可解条件及解的表达式.     

基于奇异值分解及波数滤波的三维地质雷达噪声抑制技术研究

针对城市地下管线探测中三维地质雷达数据出现强噪声干扰问题,提出基于奇异值分解（SVD）和波数滤波（Wavenumber filtering）相结合的处理方法,并给出了选取奇异值数目阈值的定量判据。研究表明：通过选择合适的奇异值,SVD 方法能准确划分地质雷达数据中的目标信号和噪声信号;基于高斯低通的波数域滤波可有效压制杂波及噪声;将上述SVD 方法与波数滤波方法结合应用,发现可有效提高三维雷达深度切片信号的信噪比,使有效反射信号更加清晰并保证地下目标信息完整性。该方法可提升三维地质雷达对目标反射信号识别的效率与精度,使其更适用于城市地下管线探测。     

多尺度超像素分割和奇异谱分析的高光谱影像分类

目的 高光谱影像（hyperspectral image,HSI）中“同物异谱,异物同谱”的现象普遍存在,使分类结果存在严重的椒盐噪声问题。HSI中的空间地物结构复杂多样,单一尺度的空间特征提取方法无法有效地表达地物类间差异和区分地物边界。有效解决光谱混淆和空间尺度问题是提高分类精度的关键。方法 结合多尺度超像素和奇异谱分析,提出一种新的高光谱影像分类方法,从而充分挖掘地物的局部空间特征和光谱特征,解决空间尺度和光谱混淆的问题,提高分类精度。利用多尺度超像素对影像进行分割,获取不同尺度的分割影像,同时在分割区域内进行均值滤波,减少类内的光谱差异,增强类间的光谱差异;对每个区域计算平均光谱向量,并利用奇异谱分析方法获取光谱的主要鉴别特征,同时消除噪声的影响;利用支持向量机对不同尺度超像素分割影像进行分类,并进行决策融合,得到最终的分类结果。结果 实验选取了两个标准高光谱数据集和一个真实数据集,结果表明,利用本文算法提取的光谱—空间特征进行分类,比直接在原始数据上进行分类分别提高约26.8%、9.2%和13%的精度;与先进的深度学习SSRN （spectral-spatial residual network）算法相比,本文算法在精度上分别提升约5.2%、0.7%和4%,并且运行时间仅为前者的18.3%、45.4%和62.1%,处理效率更高。此外,在训练样本有限的情况下,两个标准数据集的样本分别为1%和0.2%时,本文算法均能取得87%以上的分类精度。结论 针对高光谱影像分类中的难题,提出一种新的融合光谱和多尺度空间特征的HSI分类方法。实验结果表明,本文方法优于对比方法,可以产生更精细的分类结果。     

Q-learning算法优化的SVDPP推荐算法

为进一步改善个性化推荐系统的推荐效果,通过使用强化学习方法对SVDPP算法进行优化,提出一种新的协同过滤推荐算法。考虑用户评分的时间效应,将推荐问题转化为马尔科夫决策过程。在此基础上,利用Q-learning算法构建融合时间戳信息的用户评分优化模型,同时通过预测评分取整填充和优化边界补全方法预测缺失值,以解决数据稀疏性问题。实验结果显示,该算法的均方根误差较SVDPP算法降低了0.005 6,表明融合时间戳并采用强化学习方法进行推荐性能优化是可行的。     

基于MB-LBP和张量HOSVD的人脸识别算法

融合多尺度分块局部二值模式和张量高阶奇异值分解提出一种人脸识别算法.优选不同尺度的MB-LBP算子组合提取图像纹理特征,构造人脸图像的3阶张量模型;利用HOOI算法进行张量高阶奇异值分解;基于HOSVD分解结果采用最邻近算法设计识别分类器.运用Yale数据库和自制数据库进行算法对比实验,验证算法的有效性,实验结果表明,基于Yale数据库,提出算法与LBP深度置信网络算法的识别精度一样高,均为98.667％;基于自制人脸数据库,该算法识别精度为100％.综上提出算法是一种有效的、可行的识别算法.