机械振动信号分块自适应压缩感知算法

为提高振动信号分块压缩感知过程中的信号重构效果,提出了机械振动信号的自适应分块压缩感知算法。首先将信号分割,构造信号矩阵,并利用K-SVD构造与信号矩阵相适应的冗余字典;然后根据不同信号块在冗余字典下匹配追踪系数的衰减速度,定义不同信号块的复杂度权值;最后以复杂度权值为依据,制定自适应的压缩感知采样策略,在保证振动信号的整体采样率不变的同时,自适应分配不同信号块的观测数目。将该算法应用于机械振动信号压缩感知,与传统压缩感知算法以及其他自适应压缩感知算法相比,信号重构的精度得到提高。     

基于改进高斯随机测量矩阵的切削力信号压缩感知方法

高速加工过程中，依据传统Nyquist-Shannon采样定理进行信号采集通常会面临海量数据的存储、传输和处理难题。基于压缩感知理论提出了一种切削力信号采集新方法，实现信号压缩式采集。选择高斯随机矩阵作为基础测量矩阵，并结合近似正交三角分解和最小相关系数法对高斯随机矩阵进行重新设计，提高其压缩测量性能，再借助高效的压缩采样匹配追踪算法从测量值中恢复得到原始切削力信号。实验结果表明，改进的高斯随机测量矩阵具有更高的重构精度和稳定性，所提出的压缩感知方法在保证切削力数据重构效率和精度的同时，显著减少了数据量。     

基于VMD和K-SVD字典学习的供水管道泄漏振动信号压缩感知方法

针对供水管道泄漏振动信号在分析型字典下进行压缩感知时,信号的重构均方误差较大和不能保留信号中重要泄漏信息的问题,提出了基于变分模态分解(VMD)和K-奇异值分解算法(K-SVD)的供水管道泄漏振动信号压缩感知方法。首先,利用VMD算法将管道泄漏振动信号分解若干个本征模态函数(IMF),并对IMF分量进行互相关性分析;然后,选取最优模态分量,构成最优模态集,再借助K-SVD学习算法训练过完备字典;最后,选择高斯随机矩阵为观测矩阵和重构算法为正交匹配追踪算法(OMP)对管道泄漏振动信号进行压缩感知。实验结果表明,基于VMD-K-SVD稀疏表示构造的过完备字典的压缩感知方法与基于FFT正交基、DCT正交基、K-SVD的压缩感知方法相比,在压缩率为50%～89.5%下重构均方误差更小和互相关系数更高,且在相同压缩率下得到的重构信号的互相关延时估计定位误差的平均值分别降低80.12%、64.2%、61.38%。因此,所提的压缩感知方法具有较好的重构性能和稀疏性。     

基于过完备线性预测字典的压缩感知语音重构

基于语音信号帧内样值间的相关性和冗余域的稀疏性,针对采用离散余弦转换矩阵及基追踪方法对压缩感知采样语音进行重构时,语音稀疏性不够好导致大压缩比采样后重构效果差的缺点,提出采用过完备线性预测字典做转换矩阵,用基追踪重构算法对压缩感知采样语音进行高质量重构。该方法预先由训练语音的预测系数聚类构造过完备字典,不需要测试语音的预测系数;基于过完备线性预测字典重构信号性能良好。对利用基追踪重构的语音进行了主客观评价,得出结论:同样的观测数目下,基于过完备线性预测字典比基于离散余弦变换矩阵压缩感知采样语音重构信噪比高出3～8 dB。     

基于双稀疏字典模型机械振动信号压缩感知方法

针对机械装备在状态监测与故障诊断过程中,依据传统香农-内奎斯特采样定理进行数据采集时,面临的大量机械振动信号存储、传输和处理等困难问题,提出基于双稀疏字典模型机械振动信号压缩感知方法。分析机械振动信号在基于双稀疏字典模型训练得到的过完备字典上的近似稀疏性;然后利用高斯随机矩阵作为测量矩阵对机械振动信号进行压缩测量;最后通过双稀疏字典模型训练得到的过完备字典,结合正交匹配追踪算法完成对原始机械振动信号的重构。仿真测试结果表明,在相同压缩率下,相比经典K-奇异值分解(K-Singular value decomposition,K-SVD)字典训练方法,所提的方法有更高的重构精度,同时重构时间缩短将近50%。该方法既可以得到较高的信号压缩比又有着精确的信号重构性能。     

自适应分块前向后向分段正交匹配追踪在重构滚动轴承故障信号中应用

针对滚动轴承故障信号分块压缩感知过程中,因分块之间的稀疏度差异较大以及重构支撑集构造不合理,致使信号重构精度较低,影响信号整体重构效果的问题,提出基于自适应分块前向后向分段正交匹配追踪算法(Adaptive block forward and backward stagewise orthogonal matching pursuit,Adaptive Block-FBStOMP)。首先,依据短时自相关算法确定滚动轴承故障信号自适应分块长度,并根据此长度对信号进行自适应分块;其次,利用K奇异值分解(K-singular value decomposition, K-SVD算法训练稀疏字典;最后,提出FBSt OMP算法,在重构过程中增加原子回溯和二次筛选过程,提高有效支撑集原子被全部选入支撑集中的可能性,改善重构效果。通过仿真信号和故障信号试验分析可知,与传统压缩感知重构算法相比,该算法能够有效提升滚动轴承故障信号的重构精度。     

图像压缩感知理论研究综述

随着人们对图像数据需求的增大,传统的Nyquist采样理论会产生大量的采样数据,为图像数据的传输和存储带来莫大的困难,压缩感知理论为此难题的解决找到了有效途径,对于可压缩或可稀疏的信号,它能以远远低于Nyquist的采样频率,通过观测矩阵进行非自适应采样,利用重构算法准确重构原始信号。着重介绍了图像压缩感知的理论框架和一些前沿研究算法,并对其进行比较,总结了压缩感知在图像领域的研究近况与应用前景。     

基于K-SVD字典学习算法的稀疏表示振动信号压缩测量重构方法

针对目前机械振动信号频带越来越宽,依据传统香农-内奎斯特采样定理进行数据采集时,将会得到巨量振动数据,对存储、传输和处理带来困难的问题,提出了基于K-SVD字典学习算法的稀疏表示振动信号压缩测量重构方法。首先分析了振动信号在基于K-奇异值分解(K-Singular value decomposition,K-SVD)字典学习算法得到的过完备字典上的近似稀疏性,即可压缩性;然后利用高斯随机矩阵对振动信号进行压缩测量;最后基于压缩测量值采用正交匹配追踪算法对原始振动信号进行重构。仿真测试结果表明,当振动信号压缩率在60%~90%时,基于K-SVD字典学习算法构造的过完备字典比基于离散余弦过完备字典压缩感知重构相对误差小。该方法既可以得到较高的信号压缩比又有着精确的信号重构性能,在不丢失振动信息的情况下,大大减少了原始振动数据量。     

基于广义S变换奇异值分解的料位回波检测与校正

非平稳及多奇异点的调频料位测量雷达回波中包含虚假回波及噪声,影响料位回波信号检测,导致料位测量精度不高.本文提出了一种基于广义S变换和奇异值分解的料位回波检测与校正方法.首先,将料位变化视作低速运动目标,将料位回波信号与雷达发射信号进行混频解调,并根据回波信号的频率分布特点对广义S变换窗口的变化趋势进行调节.之后对其变换所得到的二维时频系数矩阵利用奇异值分解方法重构系数矩阵,并对其进行广义S逆变换,得到校正后的回波信号.实验结果表明:该方法能够准确检测料位回波信号,在抑制噪声的同时能最大限度保留信号的细节特征,减少虚假回波干扰.料位测量误差不超过4.01％,测量精度可达到0.40％F.S.     

稀疏度拟合的自适应机械振动信号压缩感知

针对利用机械振动信号进行设备故障诊断和状态监测过程中,存在采样数据量多、存储容量大、传输带宽高和信号重构精度低等问题,提出一种稀疏度拟合的自适应机械振动信号压缩感知方法。首先,对机械振动信号进行多尺度小波包变换,再将小波包系数按一定阈值进行置零处理并求取其稀疏度;然后,采用迭代方法求取各稀疏度下满足重构信号精度条件的最低采样率,并对信号的稀疏度和采样率采用最小二乘法进行拟合,消除信号测量误差,求取最佳信号采样率;最后,采用K-奇异值分解算法构造与各信号块相适应的过完备字典,并利用正交匹配追踪算法实现信号重构。实验证明,与传统压缩算法相比较,该算法的信号压缩率和重构精度均得到较大提高。