基于GMM/ANN混合网络的碰摩声发射源识别

研究提出了一种基于GMM/ANN混合网络模型的风电机组碰摩声发射源识别检测方法。以人工神经网络理论与高斯混合识别模型为基础,充分利用高斯混合模型在识别中良好的数据分布能力和人工神经网络具有的较强的学习能力,在人工神经网络中嵌入高斯混合模型来进行声发射识别,提高了识别性能和效率。通过实验观察上位机输出结果,验证了识别结果数据的实时性和准确性,达到了对风电机组运行的状态信息监测和故障诊断的要求。     

基于字典学习的碰摩声发射信号降噪算法

针对现场实测声发射信号经常淹没在噪声中的问题，提出了一种基于字典学习的碰摩声发射信号降噪算法。首先在训练阶段采用干净碰摩声发射信号利用K-SVD算法训练自适应字典，然后对含噪碰摩声发射信号的噪声方差进行估计，最后利用正交匹配追踪算法对含噪碰摩声发射信号在训练后的字典上进行稀疏分解，从而达到对碰摩声发射信号进行降噪的目的。实验结果表明:基于字典学习的算法对碰摩声发射信号能取得较好的降噪效果，相比与基于固定字典的传统算法能够获得更高的信噪比。     

风电机组碰摩声发射源识别和监测系统的设计

研究提出了一种基于声发射源特征识别的风电机组碰摩故障检测方法。同时为了对风电机组实时远程监控并实现分布式网络化管理,设计了一种基于ARM嵌入式系统的风电机组振动监测系统。系统有24通道的模拟信号采集电路,并借助于FPGA对周围电路进行逻辑控制和数据的实时采样;FPGA与ARM通信应用EDMA技术,提高了数据传输速率,可满足高速率采样的数据传输要求;此外,上位机与目标板之间的数据通信采用TCP/IP协议。通过实验观察上位机输出结果,验证了数据的实时性和准确性,达到了对风电机运行的状态信息监测和故障诊断的要求。     

基于ARM的说话人识别系统的研究与实现

提出了一种基于压缩感知(CS)的说话人识别算法以及在ARM系统中的实现,首先,介绍压缩感知理论框架,提出说话人识别可以与压缩感知理论相结合的依据;其次,提出基于压缩感知的说话人识别算法的基本方法,即建立说话人语音特征数据库和基追踪匹配得到最大均值系数,其中,语音特征向量由GMM均值超向量核算法得到,大量实验数据表明,该方法一定程度上提高了识别率,并且在说话人集合较大的情况下识别效果较好。     

矿井旋转机组碰摩声发射源监测系统的设计

研究提出了一种基于声发射源特征识别的矿井旋转机组碰摩故障检测方法。为了能对矿井旋转机组实时远程监控并实现分布式网络化管理,设计了一种基于ARM嵌入式系统的矿井旋转机组振动监测系统。针对高斯混合模型在建模时需要较多的训练数据的缺陷,提出了一种基于模糊矢量量化混合模型的声发射识别方法,该方法综合考虑了模糊集理论、矢量量化和高斯混合模型的优点,通过用模糊矢量量化误差尺度取代传统高斯混合模型的输出概率函数,减少了建模时对训练数据量的要求,提高了模型精度和识别速度。通过实验观察上位机输出结果,验证了监测数据的实时性和准确性,达到了对旋转机组运行的状态信息实时监测和故障诊断的要求。     

一种基于小波分解和压缩感知的冲击声学无损检测方法

压缩感知理论对稀疏信号的采样与重构十分有效,该文将对携带信息量少的冲击声信号利用压缩感知理论进行采样,提出一种基于小波分解和压缩感知的冲击声学无损检测方法。首先,对冲击声信号进行小波分解构建观测矩阵,求解l1最优化问题,完成类别的稀疏表示,然后对表示误差进行分类,得到检测结果。仿真及实验结果表明,该方法实用有效,其检测系统性能稳定,在信噪比3 dB时可达到90%以上的正确率。     

基于贝叶斯压缩感知理论的超宽带通信信道估计

超宽带是一种新颖的高速无线通信技术。其过高的带宽给采样带来了困难,压缩感知理论提供了一种可行的低速采样方法。针对目前的压缩感知超宽带信道估计方法必须假设信道稀疏度已知,论文提出了基于贝叶斯压缩感知理论的超宽带信道估计方法。将超宽带信道估计转化为压缩感知理论中的重构问题,并使用贝叶斯压缩感知方法进行重构,得到信道估计值及其误差范围,最终实现信息解调。贝叶斯压缩感知理论将稀疏贝叶斯学习理论引入到压缩感知中,给需要重构向量中的每个值设置受超参数控制的后验概率密度函数,在超参数的更新过程中,零值所对应的超参数将趋向于无穷大,与之对应的后验概率将趋向于零,通过这种方法剔除非重要多径,自适应地找出信道向量中的重要多径,并使用回归算法进行重构。实验结果表明在信道稀疏度未知的情况下,该方法能够对原信道进行有效的重构。     

面向内容的语音信号压缩感知研究

压缩感知理论依据信号的稀疏性质进行压缩测量,将信号的获取方式从对信号的采样上升为对信息的感知,是信号处理领域的一场革命。本文提出一种基于非确定基字典（Uncertainty Basis Dictionary, UBD）对语音信号进行稀疏表示的方法,将压缩感知理论应用于对语音信号稀疏表示的压缩,并提出了基于求解线性规划问题的方法重构语音信号的算法。通过语音识别、话者识别和情感识别实验,从面向内容分析的角度,研究这种基于压缩感知理论的信息感知方法是否保留了语音信号的主要内容。实验结果表明,语音识别、话者识别和情感识别的准确率,与目前这些领域研究方法得到的结果基本一致,说明基于压缩感知理论的信息感知方法能够很好地获取语音信号的语义、话者和情感方面的信息。      

基于压缩感知的欠定图像盲源分离研究

系统阐述了利用稀疏成分分析(Sparse Component Analysis,SCA)算法进行欠定图像盲源分离。首先在估计出源图像个数的基础上,利用线性聚类估计混合矩阵;其次将压缩感知(Compressed Sensing,CS)应用到恢复源图像中。为了得到自适应的过完备稀疏字典来提高分离效果,提出了利用K均值奇异值分解(K-means Singular Value Decomposition,K-SVD)算法对过完备DCT字典循环迭代训练的思想,并对图像分块处理来减少计算复杂度;最后进行了仿真测试并对分离出的图像进行了分析和进一步处理。     

基于图稀疏正则化多测量向量模型的高光谱压缩感知重建

压缩感知重建是解决高光谱现有成像模式数据量大冗余度高问题的一个有效机制。针对高光谱图像的多通道特性,该文建立了高光谱压缩感知的多测量向量模型,编码端使用随机卷积算子对各通道进行快速采样,生成测量向量矩阵。解码端构建图稀疏正则化的联合重建模型,在稀疏变换域将高光谱图像分解为谱间的关联成分和差异成分,通过图结构化稀疏度量表征关联成分的空谱相关性,并约束谱间差异成分的稀疏性。进一步提出模型求解的交替方向乘子迭代算法,通过引入辅助变量与线性化技巧,使得每一子问题均存在解析解,降低了模型求解的复杂度。对多个实测数据集进行了对比实验,实验结果验证了该文模型与算法的有效性。     

基于自适应多尺度压缩感知的语音压缩与重构

本文针对语音信号的压缩感知问题,在系数总长度不超过原信号长度的前提下,推导了Sym小波分解合成的矩阵形式,提出了语音信号多尺度压缩感知(MCS)框架.进一步分析语音信号在小波基下不同级的稀疏性,提出了自适应多尺度压缩感知(AMCS)方法,把该方法运用到语音压缩与重构中,对重构语音进行了主客观评价,并进行了说话人识别验证...     

压缩感知中稀疏分解和重构精度改进的一种方法

稀疏分解、非相关观测和重构算法是压缩感知的三大要素,任何一个环节的设计优劣都对压缩感知的性能产生重大影响,稀疏分解是实现压缩感知的前提,现今使用的稀疏分解对大多数自然信号都不能做到理想的绝对稀疏,而是近似稀疏,这大大影响了压缩感知的重构性能。本文设计了一种可逆的阈值,并用其构造门限矩阵,从而门限矩阵可逆,将门限矩阵作用于信号经正交变换后的近似稀疏系数,可使系数更接近理想的绝对稀疏,而且门限矩阵对系数的处理过程是可逆的,即可由处理后的系数无损恢复原来的近似稀疏系数。重构算法采用贪婪算法中的OMP和CoSaMP,从理论上分析了在保证与CoSaMP同样的前提条件下,门限矩阵改进后的CoSaMP重构误差明显减小,仿真实验用门限矩阵对OMP和CoSaMP的改进前后进行对比,验证了门限矩阵对重构精度有进一步的提高。      

压缩感知的多重测量向量模型与算法分析

压缩感知（Compressed Sensing:CS）现有算法大都从单重测量信号中恢复稀疏信号源,即为单测量向量（SMV）模型。而在实际应用中,存在大量的多重测量向量情形,从多重测量向量中恢复未知的具有相同稀疏结构的联合稀疏信号源的模型称为CS的多重测量向量（MMV）模型。本文首先对CS-SMV和CS-MMV模型的基本数学原理进行了详细介绍,讨论了两种情况下稀疏源信号恢复的存在性与唯一性,然后在此基础上重点对近年来出现的各种联合稀疏信号的恢复算法进行综述,分析了各种算法的性能,较全面的讨论了MMV模型的应用前景。最后对CS的MMV模型的发展趋势进行了总结和展望。      

基于空间分布稀疏特性的多辐射源直接定位方案

针对多个时频域混叠的辐射源位置识别问题，提出了一种基于空间分布稀疏特性的无源直接定位方案。分别在接收站采用单天线和天线阵列2种场景下，建立了压缩感知模型和对应的定位优化问题；采用正交匹配追踪和二阶锥规划算法进行稀疏重构，根据稀疏向量映射得到多个辐射源位置。仿真结果表明，所提方案的在线计算复杂度均低于基于网格搜索的直接定位方法，且分布式单天线场景下可获得远优于两步间接定位方案的精度。     

基于DM6437的压缩感知1/f噪声估计

基于压缩感知及稀疏分解的数据估计,将采集到的含高斯白噪声的1/f噪声数据信号传输至数字信号处理器TMS320DM6437系统,利用其自带小波函数进行小波分解稀疏化,通过压缩感知重构估计1/f分型信号,并尝试改变迭代次数优化估计效果,计算参数γ值并输出。仿真表明,DM6437系统可以很好地利用压缩感知及稀疏分解技术估计出1/f分型信号,大大优化了硬件检测1/f噪声的方法。     

基于多任务贝叶斯压缩感知的稀疏可重构天线阵的优化设计

建立方向图可重构天线的联合稀疏模型,基于多任务贝叶斯压缩感知理论提出一种稀疏可重构天线阵的优化设计方法.该方法在实现方向图精确重构的同时可以大幅减少天线数量,节省平台空间,降低设计成本.首先基于多任务贝叶斯压缩感知理论建立多目标方向图的稀疏优化模型,根据权值向量的先验概率分布,利用快速相关向量机估计超参数的最大后验概率来得到多组阵元位置及其激励,实时改变激励以获得不同方向图的稀疏逼近.仿真验证了该方法能够以较少的阵元个数和较高的方向图拟合精度快速实现方向图重构.     

基于贝叶斯压缩感知的说话人识别方法

说话人识别技术广泛地被应用于互联网和通信领域,近几年,压缩感知理论受到国内外的广泛关注,该理论突破了奈奎斯特采样速率的限制,对可压缩信号在采样的同时也进行压缩,将压缩感知这一新理论与说话人识别这一亟需突破的领域相结合,为说话人识别系统性能的提升带来希望。本文针对与文本无关的说话人识别技术,深入研究了贝叶斯框架下的压缩感知算法,率先提出了基于贝叶斯压缩感知的说话人识别算法;然后针对基于压缩感知的说话人识别算法中的稀疏系数的特点,引入半高斯先验,详细分析基于该先验的贝叶斯压缩感知后,提出基于近似贝叶斯压缩感知的说话人识别算法。     

基于压缩感知的水声通信网络流量预测

水声通信中过多的流量数据给采样和网络传输带来了困难,而压缩感知是一种可行的低速采样理论.提出基于贝叶斯压缩感知理论的水声通信网络流量预测方法.将网络流量预测转化为贝叶斯压缩感知重构问题,为了将需要重构的向量稀疏化,将其设置为受超参数控制的后验概率密度函数.通过该方法可以自适应地找出含有重要信息的网络流量,并用回归算法来进行重构.实验结果显示该方法具有较高的预测精度.     

基于变分模态分解和压缩感知的弱观测条件下雷达信号重构方法

针对弱观测条件下雷达信号存在数据残损的问题,该文提出一种基于变分模态分解和压缩感知(VMD-CS)的雷达信号重构方法。首先通过变分模态分解对采样数据进行降解去噪处理,其次在压缩感知框架下构造观测矩阵、稀疏表示字典矩阵,然后基于正交追踪匹配(OMP)算法重构出稀疏表示向量。在此基础上利用离散余弦稀疏矩阵重构信号,实现对残损雷达信号的数据重构。在连续丢失数据和随机丢失数据两种情况下,对实际采集的线性调频(LFM)雷达信号进行仿真实验。实验结果表明:在数据连续丢失率不高于30%或随机丢失率不高于60%的情况下,该文方法能有效重构雷达信号,在时域、频域和瞬时频率上能够准确逼近原始信号。     

基于贝叶斯压缩感知的子空间拟合DOA估计方法

经典加权子空间拟合算法需进行多维非线性优化,初始参数的难以设置和较大的计算量限制了其应用。结合压缩感知理论,本文提出了一种基于改进贝叶斯压缩感知的子空间拟合DOA估计新方法。该方法首先通过低复杂度的子空间分解算法PASTd估计信号加权子空间,进而基于入射信号的空域稀疏性,将信号子空间拟合建模为多测量值稀疏重构问题,并应用贝叶斯压缩感知算法进行求解。算法在贝叶斯压缩感知的迭代求解中引入了基于相对阈值判决的基消除机制,加快收敛速度的同时避免了矩阵奇异问题。仿真结果表明本文算法在低信噪比、小快拍情况下空间分辨率优于MUSIC和l1-SVD算法,可直接用于相干源的估计,并对信源数目的估计误差具有较强鲁棒性。