基于小波和奇异值分解的图像边缘检测

针对传统图像边缘检测抑制噪声能力弱的问题,给出了一种小波变换和局部梯度场内奇异值分解相结合的边缘检测方法.首先在图像预处理阶段,为了提取准确的边缘特征,文中利用小波变换的时频局部化特性,对图像进行小波变换.该文对用小波求取的梯度场使用局部梯度奇异值分解的方法;利用奇异值的特性和良好的稳定性,使提取的边缘特征更加突出并且能够达到抑制噪声的目的.实验证明该文方法既能在无噪声影响的图像中提取出清晰完整的单边缘,又能在有噪声干扰的情况下提取出理想的边缘.     

用奇异值分解技术提取单缸柴油机的排气噪声

奇异值是矩阵的一个主要特征,通过对矩阵奇异值分解的理论分析,描绘了利用奇异值分离周期性信号的具体方法。针对单缸柴油机排气噪声主要由以点火频率为基频的一种周期噪声的特点,作为矩阵奇异值分解技术的一个应用,对用声传感器采集的排气噪声信号进行分解和重构,提取周期信号,并利用短时傅里叶变换,从频域提取信号特征,为排气消声器结构参数的选取提供理论依据。     

探测信号中周期性冲击分量的奇异值分解技术

机械设备振动信号中是否存在周期性的冲击分量是其有无故障的重要标志。通常检测的机械振动加速度信号 ,由于信噪比太低 ,即使存在周期性的冲击分量也往往被淹没在强的背景噪声之中。通过时域波形和频谱等基本分析手段来探测振动加速度信号中的周期性冲击分量往往是困难的。本文在总结基于奇异值分解的信号周期分量探测原理的基础上 ,针对现有信号奇异值分解技术存在的问题 ,对信号奇异值分解矩阵的构造方法作了重大改进。通过应用实例显示 ,用改进后的信号奇异值分解技术探测振动加速度信号中的周期性冲击分量是可行的     

动力系统实测数据的奇异值分解技术

奇异值分解技术对从噪声背景下提取振动或其它信号的本质特征是一非常有效的工具,时序信号在噪声情况下的嵌入（相空间中）会产生错误的结果,本文应用本征值分解技术对动力系统实测数据嵌入空间矩阵的本征值进行了计算,提出了具体计算嵌入空间矩阵的本征值及其本征向量的计算方法,以及嵌入空间矩阵基的具体选取方法,从而完成了对动力系统实测混沌数据的相空间重构的最基础的工作     

基于奇异值分解及特征正交分解的结构损伤检测方法

为直接通过结构振动响应提取损伤特征参数,将奇异值分解和特征正交分解运用到结构响应分析中。该方法首先通过对结构响应功率谱矩阵的奇异值分解,获得模态频率,然后在模态频率处计算互相关矩阵,利用特征正交分解获得收敛于结构模态向量的特征正交模态,进而构建了损伤定位向量,最后通过结构单元应力的不同分布准确定位了损伤位置。实验数据分析结果表明,该方法能有效的进行损伤检测和定位。     

基于奇异值分解的红外弱小目标检测

鉴于传统的基于单幅图像奇异值分解红外弱小目标检测算法的不足,提出了一种新的基于图像序列奇异值分解的红外弱小目标检测算法.首先,利用图像序列构造图像矩阵并进行奇异值分解,得到对应的特征值与特征向量;其次,利用处理后的特征值和特征向量重构图像序列,得到新的特征图像序列;再次,在特征图像序列中选取合适的特征图像进行处理从而增强目标并抑制背景;然后,对新特征图像进行阈值分割,得到要检测的弱小目标;最后,对序列中的每幅图像分别进行帧间位置修正与帧内位置修正,以达到检测红外弱小目标的目的.实验结果表明该算法具有很好的鲁棒性与实时性.     

奇异值分解在光学仿真中的应用

本文通过奇异值分解，利用Matlab，实现了对三维固体折射率场的压缩，仿真结果表明奇异值分解可较好地实现折射率场矩阵数据的压缩．同时也提高了读取，保存数据的效率，一定程度上节省了程序的运行时间。     

基于改进奇异值分解技术的齿轮调制故障特征提取

在介绍现有奇异值分离技术基本原理及其在故障诊断中的应用的基础上,研究了信号时间序列重构的吸引子轨迹矩阵奇异值分布与信号特征的关系,引入了自相关分析及信号叠加技术,改进了现有算法,使得吸引子轨迹矩阵的重构科学合理。研究表明：该方法能在强噪声背景下提取出所需的调制信号,并成功用于实测齿轮调制故障信号的提取,为齿轮箱故障诊断提供了一个新的思路。     

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。     

基于四元数矩阵奇异值分解的彩色图像分解

讨论了四元数矩阵的奇异值分解（QSVD）,四元数矩阵的奇异值仍是正实数,但两个酉矩阵是含有四元数的四元数矩阵。给出通过四元数矩阵的等价实矩阵求解QSVD的有效算法。最后应用QSVD进行彩色图像分解,并给出了在Fruits、Baboon等图像上的实验结果。QSVD使许多基于SVD的图像处理方法可以推广到彩色图像处理上而不用再将彩色图像分解成三个通道图像进行处理。     

一种基于奇异值分解的自适应降噪方法

根据信号处理基本理论和方法．针对奇异值分解方法中有关的Hankel矩阵有效秩难以确定的难题,提出了一种奇异值分解方法,即主分量分解方法．并通过试验数据进行了验证。仿真信号和海上实录信号的降噪实验研究表明．提出的方法比基本的LMS滤波和奇异值分解降噪效果更加优越,能有效提高信噪比并去除噪声。     

基于小波包变换和奇异值分解的柴油机振动信号特征提取研究

为通过振动信号识别柴油机的工作状态,提出利用小波包变换和奇异值分解提取振动信号特征的新方法。给出了小波包变换算法及奇异值分解算法,依据矩阵奇异值特征向量,定义了振动信号特征参数,并探讨了特征参数与柴油机运行状态之间的内在联系。结果表明：特征参数能够敏感地反映柴油机工作性能的变化。随着柴油机工作性能的恶化,振动强度的增加,特征参数变大。特征参数可作为柴油机状态监测和故障诊断的特征量。     

基于结构风险最小化原则的奇异值分解降噪研究

针对奇异值分解降噪中矩阵有效秩的阶次难以确定的问题,提出了利用结构风险最小化原则来确定矩阵的有效秩阶次的新方法。该方法依据统计学习理论,把有效秩阶次的选择看作是一个学习过程,利用结构风险最小化原则来代替传统的经验风险最小化,从而自动得到奇异值分解降噪中矩阵的有效秩。仿真表明,该方法不但具有较好的降噪精度和算法稳定性,而且降低了消噪模型算法的复杂度。     

基于MCSSD的转子碰摩故障早期检测

提出了基于多尺度线调频基信号稀疏分解(Multi-scale Chirplet Sparse Signal Decomposition,简称MCSSD)的转子碰摩故障早期检测方法,该方法用MCSSD方法对转子碰摩故障振动信号进行单次分解,从原信号中分离出具有最大幅值的工频(或倍频)信号分量。由于MCSSD方法是采用线性直线逐段自适应逼近分析信号的各分量频率,分解得到的信号分量与真实信号分量具有很好的频率匹配特性,不会产生频率混叠现象,因此,与小波分解与EMD分解相比,MCSSD能更有效地从转子早期碰摩故障振动信号分离出最具最大幅值的工频(或倍频)信号分量。将该信号分量从原信号中去除,对残余信号分量做频谱分析,即可有效诊断转子早期碰摩故障。应用实例证明了该方法的有效性和优越性。     

Optical information encoding and image watermarking scheme based on phase-shifting interferometry and singular value decomposition

A robust image watermarking scheme based on phase-shifting interferometry (PSI) and singular value decomposition (SVD) is proposed, in which, a grayscale image watermark is encrypted into multiple interferograms using the techniques of double random-phase encoding (DRPE) and PSI. By choosing the appropriate weighting factor, the interferograms are embedded in the singular values of the R, G, and B components of the host image. The scheme achieves a high level of security due to DRPE and at the same time preserves high imperceptibility and robustness due to SVD properties. Simulated results of the proposed scheme are provided to demonstrate the high robustness, not only against the geometric distortion attacks but also against general image processing attacks.     

基于VMD与共振稀疏分解的舰船辐射噪声窄带特征提取

为了获取实测舰船辐射噪声信号中有效的目标信息、提高低信噪比条件下目标信号的可分性,文章提出了结合变分模态分解(Variational Mode Decomposition,VMD)和共振稀疏分解(Resonance-based Sparsity Signal Decomposition,RSSD)的舰船辐射噪声信号特征提取方法。基于舰船辐射噪声信号具有一定的周期性而外界干扰具有随机性的特点,首先利用VMD自相关分析的方法重构信号,主要剔除带外噪声分量;然后采用RSSD算法基于信号共振属性的不同,进一步滤除带内噪声和瞬态干扰,实现对信号中周期性振荡成分的提取;最后提取信号的波形结构特征用于目标的分类识别。仿真信号与实测信号分析表明,该方法可以较好地滤除带内外噪声,增强舰船辐射噪声信号固有的窄带特征。多类舰船目标的分类实验结果表明,该方法可以有效提高低信噪比信号的可分性,有利于提高目标识别的性能。     

水中目标辐射噪声调制信息提取方法研究

讨论了应用小波分析从辐射噪声中提取调制信息的方法。首先利用多尺度分析方法将噪声信号在不同层次的空间上进行分解，实现调制信号与辐射噪声的分离；然后，利用小波变换提取其包络，求取功率谱得到调制信息．在此基础上，对实测辐射噪声数据进行仿真研究．结果表明，该方法用于噪声中调制信息检测是一种有效的手段．     

基于改进堆栈自编码的诊断错误标签修正

在基于数据驱动的故障诊断领域,正确的标签样本是诊断准确度的保障,但由于人工标记等原因,训练样本常受到错误标签的干扰.针对错误标签的问题,提出基于改进堆栈自编码的错误标签修正方法.该方法通过堆栈自编码和孤立森林给样本赋予伪标签,调整编码器对样本的注意程度,从而使编码器更注重于正确样本.基于数据分布偏差的考虑,利用基于随机...