独立分量分析的图像融合算法

独立分量分析可实现图像的稀疏编码并具有能很好地捕捉图像重要边缘信息的特性.本文提出一种基于独立分量分析的图像融合算法,结合支持向量机对多聚焦图像的清晰域、模糊域进行判断以及在ICA域中进行图像分割以提取图像的主要边缘特征信息来实现特征级的多聚焦图像的融合.实验结果表明,本文提出的融合算法是有效的.     

改进的基于独立成分分析的图像特征提取算法

利用基函数稀疏性的极大值特点,本文提出一种改进的基于独立分量分析的图像特征提取算法.通过分析图像的拉普拉斯先验条件,独立成分分析的问题简化为L1范数求最小的问题,但是采用其对偶空间L∞范数求极大值的方法解决问题更加容易.相对其它独立成分分析方法,本文方法不需要对高阶非线性对比函数估值进行复杂的优化.实验结果表明,本文算法相比其它独立成分分析算法,具有更好的稀疏性和更快的收敛速度.     

应用一种多核稀疏表示模型实现掌纹分类

与稀疏表示(SR)模型相比,基于单个核函数的SR(KSR)模型可以有效减少数据维数、降低学习模型的计算复杂度并提高特征分类精度;但这种模型对核函数及其参数的选择通常不能包含恰当的、完整的分类信息。为了满足更高的特征分类精度需求,提出了一种基于多个核函数的SR(M-KSR)模型及其快速稀疏优化方法,并将其应用于掌纹图像的分类。测试结果证明了基于M-KSR模型的掌纹分类方法的有效性和实用性。     

融合2D-PCA及稀疏表示的掌纹识别方法

提出一种基于稀疏表示的掌纹识别方法,该方法借鉴二维主成分分析(PCA)良好的数据压缩属性和较快的特征提取速度,生成掌纹特征图像.二维PCA不仅克服了一维PCA数据维数过大不易计算的缺点,而且保留了原始图像的数据结构,提取的特征能更好的代表原始图像.为了便于稀疏表达,对提取的掌纹特征图像利用一维主成分分析进行二次特征提取,得到训练样本.虽然此处使用了一维PCA,但是由于这是二次特征提取,提取的特征还是保留了原始图像的数据结构,相比单纯的一维PCA,提高了识别率.利用训练样本构造出冗余字典,并采用稀疏表示理论将测试样本表示为字典原子的线性组合,然后根据表示系数的稀疏性与稀疏集中度实现分类识别.由于该方法利用了表达系数的稀疏性,因此减小了算法的时间和空间复杂度.实验表明,针对香港理工大学的MSpalmprints Database,本文方法的识别率较传统方法有明显提高.     

基于卷积神经网络图像分类的轴承故障模式识别

针对传统的基于数据驱动的机械故障模式识别方法中需要人工构造算法提取特征以及人工构造特征提取算法繁琐的问题,结合卷积神经网络(CNN)在图像特征自动提取与图像分类识别中的广泛应用,提出了一种基于CNN图像分类的轴承故障模式识别方法。首先,利用集合经验模态分解(EEMD)方法对轴承振动信号进行自适应分解并用相关系数对得到的本征模函数分量进行筛选。其次,对筛选得到的本征模函数分量进行伪魏格纳-威利时频分析(PWVD)计算得到信号的时频分布图,并对时频图进行预处理。最后,将轴承15种不同工况预处理后的时频图利用CNN进行特征提取与分类识别。将该方法与同类方法进行了对比,分类正确率提高了4.26%。     

基于小波基稀疏信号特征提取的轴承故障诊断

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用MM(Majorization Minimization)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

基于EEMD和堆叠稀疏自编码的滚动轴承故障诊断方法

针对现有的智能诊断方法训练时间长、识别率不高的问题,提出一种基于总体平均经验模态分解(EEMD)和堆叠稀疏自编码(SSAE)的滚动轴承故障诊断方法。首先,采用EEMD对滚动轴承振动信号进行分解,得到若干个固有模态函数和一个趋势项之和;其次,计算每个固有模态函数分量的峭度,选取峭度值较大的分量作为敏感故障特征分量;第三,提取敏感故障特征分量的时域及频域特征,构建新的数据集,作为诊断网络的输入。最后,将构建的新数据集作为堆叠稀疏自编码网络的输入,进行训练和测试。与现有方法的对比结果表明,所提方法在准确性、计算耗时方面更具优势。     

基于稀疏编码的振动信号特征提取算法与实验研究

针对海量冗余数据中设备状态信息特征提取问题,借鉴生物感知系统"冗余度压缩"的信息处理原则,基于神经科学研究中的稀疏编码算法,提出了连续长时间采样时振动信号有效特征提取方法。介绍了稀疏编码算法及其模型,详细研究了稀疏编码的系数求解和字典学习两大问题。基于人工轴承故障数据集进行了实验研究,实验表明:基于稀疏编码的振动信号特征提取算法不仅能有效提取设备状态特征,而且稀疏特征具有良好的可分性。该方法可用于设备故障诊断,为基于状态的设备智能维护提供有效工具。     

基于核形态成分分析的齿轮箱复合故障诊断研究

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,该方法的主要思想是利用信号组成成分的形态差异性（可以由不同的字典稀疏表示）进行分离。结合核函数把基于MCA的线性盲分离方法拓展到非线性混叠情况,给出了一种非线性混叠信号盲分离算法。该算法通过非线性映射将混叠信号投影到高维特征空间,将样本空间的非线性混叠问题转化成高维特征空间的线性混叠问题,然后应用MCA算法对高维特征空间中的混叠信号进行分离。通过对齿轮齿根裂纹、轴承内圈、外圈复合故障的实验信号的分析,表明该方法能有效地分离出齿轮箱的复合故障。     

基于曲波域与核主成分分析的人脸识别

针对小波变换不能充分描述人脸曲线特征的缺点,本文提出一种基于曲波域与核主成分分析(KPCA)的人脸识别算法.采用多尺度、多方向的曲波(Curvelet)变换提取图像特征,不仅具有更高的逼近精度和更好的稀疏表达能力,而且其变换系数能有效表示沿曲线的奇异性.进一步使用核主成分分析(KPCA)将曲波特征系数投影到更具表达力的...     

基于广义形态分量分析的降噪技术研究

针对强噪声环境中有用信号提取的难题,提出了基于广义形态分量分析的降噪方法。通过引入虚拟观测信号,将一维观测信号扩展为多维虚拟观测信号,再通过广义形态分量分析,实现观测信号的盲源分离,从而达到降噪的目的。通过仿真信号和齿轮磨损故障振动实验信号的研究结果表明：广义形态分量分析技术能有效分离强背景噪声中的微弱信号,有效提取故障特征,其降噪性能优于传统的独立分量分析。     

增强稀疏编码的超分辨率重建

本文提出一种基于稀疏字典编码的超分辫率方法.该方法有效地建立高、低分辫率图像高频块间的稀疏关联,并将这种关联作为先验知识来指导基于稀疏字典的超分辫率重建.较超完备字典,稀疏字典对先验知识的表达更紧凑、更高效.字典训练过程中,本文选用高频信息作为高分辫率图像的特征,更有效地建立高、低分辫率图像决间的稀疏关联,所需的训练样...     

Traffic Sign Recognition Method Integrating Multi-Layer Features and Kernel Extreme Learning Machine Classifier

Traffic sign recognition (TSR), as a critical task to automated driving and driver assistance systems, is challenging due to the color fading, motion blur, and occlusion. Traditional methods based on convolutional neural network (CNN) only use an end-layer feature as the input to TSR that requires massive data for network training. The computation-intensive network training process results in an inaccurate or delayed classification. Thereby, the current state-of-the-art methods have limited applications. This paper proposes a new TSR method integrating multi-layer feature and kernel extreme learning machine (ELM) classifier. The proposed method applies CNN to extract the multi-layer features of traffic signs, which can present sufficient details and semantically abstract information of multi-layer feature maps. The extraction of multi-scale features of traffic signs is effective against object scale variation by applying a new multi-scale pooling operation. Further, the extracted features are combined into a multi-scale multi-attribute vector, which can enhance the feature presentation ability for TSR. To efficiently handle nonlinear sampling problems in TSR, the kernel ELM classifier is adopted for efficient TSR. The kernel ELM has a more powerful function approximation capability, which can achieve an optimal and generalized solution for multiclass TSR. Experimental results demonstrate that the proposed method can improve the recognition accuracy, efficiency, and adaptivity to complex travel environments in TSR.     

基于多特征和多核学习的行人检测方法的研究

行人检测系统涉及交通安全问题,需要很高的鲁棒性,基于单特征结合单核支持向量机的方法效果有限,为解决这一问题,提出采用多特征和多核学习的方法来提升系统的鲁棒性,通过将积分信道特征、多层次导向边缘能量特征和CENTRIST特征分别与直方图交叉核、高斯核和多项式核进行线性组合,采用简单多核学习（Simple MKL）来分别计算核函数的权重系数,将多核学习方法与经典的梯度直方图特征/支持向量机、多尺度梯度直方图特征/直方图交叉核支持向量机和特征融合/直方图交叉核支持向量机的行人检测方法进行比较,实验表明所提出的行人检测算法的鲁棒性有明显提升。     

基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

基于改进MP的稀疏表示快速算法及其滚动轴承故障特征提取应用

在恒定转速情况下,旋转机械中滚动轴承的局部故障往往导致周期性冲击,从而产生周期性瞬态振动信号。对局部故障的瞬态特征提取一直是故障检测的关键问题。基于匹配追踪(Matching Pursuit,MP)算法的稀疏分解是一种信号自适应分解算法,是强噪声背景下微弱特征提取的有效方法之一。针对滚动轴承故障振动信号稀疏表示过完备字典的选择与构造问题,基于相关滤波法优选与冲击波形匹配的Laplace小波原子构造稀疏表示中的过完备字典;针对基本匹配追踪算法计算量大、效率低的问题,结合FFT快速运算特性,通过互相关运算替换基本匹配追踪算法中的内积运算,研究基于改进MP的稀疏表示快速算法,进而提高计算效率。仿真与滚动轴承故障实验分析结果表明该算法能准确的提取滚动轴承故障特征且计算效率高。     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析(KPCA)在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

基于改进形态分量分析的齿轮箱轴承多故障诊断研究

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号和图像处理方法,其主要目标是根据信号组成成分的形态差异性,选择合适的字典来分离信号。针对传统形态分量分析的字典选择和阈值选择的缺陷,提出了基于自适应字典选择和TH-MOM (Hard Threshold-MOM)的阈值更新策略,通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明：该方法不仅能将形态各异的多分量信号进行有效分离,提高了信噪比,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效地识别轴承的故障类型和部位。