A novel region-based multimodal image fusion technique using improved dictionary learning

Recently, the sparse representation (SR) based algorithms have gained much attention from the researchers in the area of image fusion (IF). The building of a compact discriminative dictionary plays a vital role in the sparse-based IF techniques. In this context, an efficient multimodal IF method based on improved dictionary learning is investigated. The key contributions of this paper are: (a) An improved KSVD algorithm is suggested for the dictionary learning process, (b) to reduce the computational time, only the informative patches are selected using energy feature, and (c) a novel region-based fusion scheme is suggested for the first time for the problem on hand. The suggested technique is tested with a number of multimodal images from Harvard Medical School brain database. The results are compared with state-of-the-art multiscale transform-based methods and modified SR-based methods. Unlike earlier methods, our proposed technique generates an adaptive dictionary through selection of informative patches only. This results in a compact dictionary with improved computational efficiency. The experimental results reveal that our approach outperforms other methods. The potential application of the suggested method could be in pathological images for follow-up study and better treatment planning.     

Fault handling in large water networks with online dictionary learning

Fault detection and isolation in water distribution networks is an active topic due to the nonlinearities of flow propagation and recent increases in data availability due to sensor deployment. Here, we propose an efficient two-step data driven alternative: first, we perform sensor placement taking the network topology into account; second, we use incoming sensor data to build a network model through online dictionary learning. Online learning is fast and allows tackling large networks as it processes small batches of signals at a time. This brings the benefit of continuous integration of new data into the existing network model, either in the beginning for training or in production when new data samples are gathered. The proposed algorithms show good performance in our simulations on both small and large-scale networks.     

基于ObjectARX的通风设计参数组织方法研究

基于通风设计内容的分析，提出了采用ObjectARX开发通风辅助设计软件的必要性。论述了其中的关键技术，包括：使用ObjectARX中的扩展字典和扩展记录实现井巷特征参数与巷道线的关联；采用自定义实体的方法实现矿井需风量的计算．通过编写程序验证了方法的正确性。并提供了必要的代码．     

一种信号稀疏表示及其在气象传真图增强中的应用

舰艇在进行鱼雷试验和作战使用过程中,需要以气象传真图作为鱼雷航行和作战的水文气象保障,如何使气象传真图更加清晰可读成为急需解决的现实问题。提出了一种基于信号稀疏表示的针对海上气象传真图增强的新方法。该方法以气象传真图底图和固定的气象符号作为字典函数,充分利用气象传真图的稀疏特性,采用匹配追踪算法进行气象传真图稀疏表示,并利用气象传真图的稀疏系数有效分离噪声。试验结果表明,在气象传真图增强中,该方法明显优于目前的图像增强方法。     

压缩感知合成孔径雷达射频干扰抑制方法

压缩感知合成孔径雷达成像技术能够利用少量采样数据恢复目标图像,大大减少数据存储系统的负担,但受到射频干扰时成像品质会严重下降;在目标场景稀疏条件下,分别构建目标回波信号原子库和射频干扰原子库,设计了压缩域合成孔径雷达成像射频干扰抑制算法,并对该算法进行理论分析,最终通过仿真实验验证了算法的有效性;仿真结果表明：该算法在较大干信比条件下,能有效抑制合成孔径雷达射频干扰,达到较好的成像效果。     

结合全局和局部稀疏表示的SAR图像目标识别方法

提出结合全局和局部稀疏表示的合成孔径雷达(SAR)目标识别方法。基于全局字典的稀疏表示可以比较各个训练类别对于测试样本的相对表征能力。而基于局部字典的稀疏表示则体现各个类别对于测试样本的绝对描述能力。因此,两者的结果具有良好的互补性,可以为正确决策提供更充分的信息。采用D-S (Dempster-Shafer)证据理论对两者的决策矢量(即重构误差)进行决策融合从而得到更为稳健的识别结果。基于MSTAR数据集进行了目标识别实验并与其他SAR目标识别方法进行了充分对比,实验结果证明了提出方法的有效性。     

基于字典学习的煤岩图像特征提取与识别方法

现今的煤岩图像识别方法取得了一些阶段性的成果,但还无法满足实际需求。为了挖掘新的煤岩图像识别方法,研究了基于字典学习的煤岩图像特征提取与识别技术,提出用字典学习算法提取煤岩图像特征。字典学习算法采用随机选择的方法对字典进行初始化和更新。结合分类算法对煤岩图像进行分类识别,结果表明:通过字典学习,能简单有效表达煤岩图像的特征信息,获得了较高的识别率,且该特征提取方式具有较好的发展前景。研究结果可为煤岩界面的自动识别提供新的思路和方法。     

基于情感词典与LDA模型的股市文本情感分析

建立了一种基于股票情感词典与LDA分析股票文本情感倾向的模型。针对股票文本情感分析中情感词典不全面与句子分析片面的问题,构建较为全面的股票情感词典,同时以句子的倾向性、程度性与相关性三方面分析股票文本情感。引入针对股票的词语、程度性词语与转折性词语构建较为全面的情感词典;抽取预处理之后的股票文本句子的情感词;利用句子算法计算句子倾向、程度向量,并对句子向量利用支持向量机(SVM)和K均值算法分类;利用LDA(latent dirichlet allocation)对情感词计算文档 主题、文档 词语概率分布,以此概率分布获取句子的相关性;综合句子的倾向性、程度性、相关性计算句子情感;最后,通过句子情感获取股票文本的情感倾向比例。通过对百度新闻经济板块收集的股票文本进行实验并与其他算法比较,该模型对句子与文本分类准确率提高到82.78%与84.14%。     

带标签信息子字典级联学习的复合电能质量扰动识别方法

针对传统字典学习方法的训练样本信号单一、重构效果差等缺点,提出一种带标签信息子字典级联的学习方法,对电能质量扰动信号进行扰动识别。该方法首先对不同类别电能质量扰动测试和训练样本采用主成分分析方法进行降维特征提取,对训练样本添加标签信息,其次对不同类别的电能质量样本训练成冗余子字典并级联成结构化字典,最后将级联的字典优化学习并由冗余误差最小值来判断目标的归属类别。仿真实验结果表明,该方法下的识别效果优于支持向量机(SVM)和稀疏表达分类(SRC),抗噪声鲁棒性更强,在信噪比20 dB以上的环境中电能质量复合扰动识别率达到91.40%以上。