基于单向表示字典学习的电能质量扰动识别方法

电能质量扰动识别是电能质量数据分析问题中极其重要的一个部分。目前已经实现的电能质量扰动识别方法普遍存在识别速度较慢,识别准确率仍有较大提升空间等问题。本文提出一种计算简单但能有效识别分类的方法,即基于单向表示字典学习的电能质量扰动识别方法。首先对电能质量数据的训练样本进行训练得到与各个类别对应的子字典,提出单向约束以使样本在字典中的表示系数方向可以区分,然后通过计算测试样本的表示系数方向以及大小来区分所属类别。实验结果表明,本文所提方法不但识别准确度高于已有的识别方法,而且计算效率也有较大提升。     

基于 SAR 图像分块匹配的目标识别方法

提出基于分块匹配的合成孔径雷达(SAR)目标识别方法。 对待识别 SAR 图像进行 4 分块处理,分别进行分析和匹配。 对于每个 SAR 图像分块,采用单演信号描述其时频分布以及局部细节信息,进而构造特征矢量。 采用稀疏表示分类( SRC)分 别对 4 个分块的单演特征矢量进行分类,获得相应的重构误差矢量。 对于 4 个重构误差矢量,利用多组随机权值矢量对它们进 行加权并对所有的结果进行统计分析。 最后,基于统计特征构造决策变量用于测试样本的类别确认。 利用 MSTAR 数据集进行 实验,结果表明了方法的有效性。     

单演信号随机加权融合的 SAR 图像目标识别方法

提出基于单演信号决策层随机加权融合的合成孔径雷达(SAR)图像目标识别方法。 采用稀疏表示分类( SRC)分别对 SAR 图像分解得到的多层次、多成分单演信号表示实施决策。 对于误差矢量,通过随机权值矩阵的方式进行融合。 该矩阵中包 含大量随机权值,根据融合后的结果可以获得不同类别误差统计结果,定义决策变量反映不同类别相关性。 最后,按照最小误 差进行类别决策。 在 MSTAR 数据集上进行广泛实验并与多类现有方法进行对比,结果表明提出方法可有效提升 SAR 目标识 别整体性能。     

DKSVD和SVM在钢轨裂纹漏磁识别上的对比研究

针对漏磁检测中漏磁信号识别的问题,引入DKSVD字典学习方法来识别缺陷的种类.将实验采集到的数据制作成有标签的数据集,通过OMP算法和SVD算法迭代的优化字典和稀疏系数,构造出最优字典,再用构造出的字典原子重新组合来表示测试集的数据,判别出测试集样本类别.实验证明字典学习方法能够基于训练集的特征重构漏磁信号,对漏磁信号有良好的识别能力.在不同数据维度下,通过和支持向量机(SVM)算法识别效果进行对比,DKSVD算法取得了更好的效果.     

不相干约束项的判别字典表示电能质量扰动分类研究

针对稀疏表示电能质量扰动识别中判别字典学习的冗余性,提出一种具备精简性和不相干约束项的判别字典学习电能质量扰动分类方法。首先,将不同电能质量扰动样本训练获得子字典,公共字典和判别字典。接着,利用判别字典优化方法求解出降维测试信号的稀疏表示。最后,利用稀疏表示重构方法求解测试样本,由冗余残差最小值确定电能质量扰动信号的类型。不相干约束项的判别字典学习方法是在训练字典的过程中直接驱使字典具有判别性,获得更加精简且具有判别性的稀疏字典来提升最终的识别性能。实验结果表明8类电能质量扰动信号在40、30、20 d B信噪比递减时,平均扰动识别率有所降低但平均识别精度仍高达96%以上。仿真实验结果表明该方法能有效的对不同电能质量扰动进行识别并提高识别结果的精确度,并且不相干约束项的判别字典算法更优化于判别字典学习算法的分类识别性能。     

结合稀疏表示和协同表示的 SAR 图像目标方位角估计

提出结合稀疏表示和协同表示的合成孔径雷达( synthetic aperture radar,SAR)图像目标方位角估计方法。 稀疏表示和 协同表示分别在稀疏约束和最小误差的约束下对测试样本进行重构,具有良好的互补性。 分别在稀疏表示和协同表示下选取 与测试样本具有较强相关性的训练样本。 通过交集操作获得两者中最稳定的部分样本。 根据这些样本的方位角真值以及求解 的系数合理加权,获得测试样本的方位角估计值。 基于 MSTAR 数据集中 3 类目标的 SAR 图像进行方位角估计实验并与现有 方法进行对比。 实验结果表明方法的估计精度、稳定性以及噪声稳健性均优于现有的几类 SAR 目标方位角估计方法。     

基于字典原子优化的滑动轴承摩擦状态识别

为了解决滑动轴承摩擦故障诊断困难的问题,结合近年来兴起的稀疏表示理论,提出了一种基于字典原子优化的滑动轴承摩擦状态识别方法。针对监督字典训练算法复杂、运行时间长的缺陷,从字典更新的角度出发,在快速字典SRC的基础上,筛选出不适合分类的交叉字典原子,然后,利用类别本征字典和稀疏系数重构测试样本,由重构残差最小值确定目标归属类别,实现对滑动轴承摩擦状态的识别。柴油机曲轴端滑动轴承实例表明,方法有效简化了判别字典的训练步骤,降低了复杂度,提高了分类效率,识别效率平均为96.69%。     

SAR 图像超分辨重构及在目标识别中的应用

针对合成孔径雷达(SAR)目标识别问题,设计了图像超分辨重构算法并进行应用。 基于属性散射中心模型对 SAR 图 像进行参数估计以及高分辨率构造,获得原始图像的多分辨率描述。 采用联合稀疏表示对原始图像及其高分辨率表示进行表 征,考察它们的内在关联。 最终,根据整体重构误差判定测试样本的目标类别。 在 MSTAR 数据集上的实验结果表明了提出方 法的有效性。     

SAR图像多层次正则化增强及在目标识别中的应用

正则化方法可以有效提取合成孔径雷达(SAR)图像中的目标特性,增强原始SAR图像质量。通过调整正则化系数构造多层次的正则化增强结果,并将其应用于SAR目标识别。多层次的正则化增强结果可以全面细致地反映目标散射中心的分布规律并通过互补的方式为目标识别提供更多的信息。为了充分发掘各个层次的鉴别力以及它们之间的内在联系,采用联合稀疏表示作为分类器完成目标识别。为了验证提出方法的有效性,在MSTAR数据集上进行了目标识别实验并与几类经典的SAR目标识别方法进行了对比。     

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。     

基于特征提取矩阵的稀疏系数求解算法

在压缩感知算法的基础上,提出了在字典学习算法过程中同时训练得到一个投影矩阵,通过该矩阵可以直接运算求取稀疏系数的方法.字典训练过程采用的是KSVD字典学习算法,并与传统的L1范数求解算法进行比较,通过实验可知,该方法比传统利用贪婪法等L1算法具有更加快速、识别率更高的特点,提出的算法通过矩阵运算可以直接求解出系数项,而后者则是一个NP问题,需要利用迭代算法来求解,这样对于大样本的测试来说提出的算法具有更好的应用空间,节约的时间将非常显著.     

基于级联原子库的谐波分析方法

提出一种基于级联原子库的谐波分析算法,该方法首先构造包含余弦原子和冲击原子的级联原子库,然后用该级联原子库对谐波信号进行稀疏分解,从而得到各个谐波信号分量的稀疏表示。该方法用余弦原子来表示谐波信号,用冲击原子来表示脉冲噪声,因此该方法能将噪声和谐波信号分离看,对脉冲噪声具有一定的鲁棒性。仿真实验结果显示,在信号受到脉冲噪声受严重干扰时,仍能较好地分析出谐波信号的各个参数。     

一种基于压缩感知的宽带SAR信号侦察方法

针对SAR信号侦察中大带宽带来的高采样率和大数据量问题,将压缩感知理论应用到SAR最常用的线性调频信号频率估计中。根据LFM信号参数可稀疏特性构建了过完备冗余字典,在压缩域利用正交匹配追踪算法进行频率估计。在获得信号频率参数高精度估计的同时,大大减少了采样率以及数据量。仿真实验证明了该方法用于宽带SAR信号侦察的可行性和有效性,特别在多信源、低采样数以及低信噪比情况下仍具有较高的估计精度。     

Gabor特征和字典学习算法在打印文件鉴别中的应用

为了改善计算机打印文件的自动鉴别性能,提出了一种基于Gabor特征和Fisher判别准则核字典学习的激光打印文件鉴别算法。首先提取字符图像的Gabor幅值特征,同时将Gabor数据特征映射到高维核空间进行主成分分析;再将降维的特征作为初始字典,进行基于Fisher判别准则的字典学习;最后利用稀疏表示分类方法进行鉴别。在自建数据库上的实验结果表明Gabor特征在打印文件机源认证中是一种有效的鉴别特征,实验结果还验证了Gabor特征和Fisher判别准则核字典学习算法的有效性,打印文件源打印机正确鉴别率可达95.79%。