基于深度小波去噪自动编码器的轴承智能故障诊断方法

针对原始振动数据无监督特征学习问题,提出一种深度小波去噪自动编码器与鲁棒极限学习机相结合的滚动轴承的智能故障诊断方法。利用小波函数作为非线性激活函数设计小波去噪自动编码器,从而有效地捕获信号特征;利用多个小波去噪自动编码器构造一个深度小波去噪自动编码器来增强无监督特征学习能力;采用鲁棒极限学习机作为分类器,对不同的轴承故障进行分类识别。对实验所得的轴承振动信号进行对比分析,结果验证了该方法在原始振动数据无监督特征学习的条件下优于传统方法和标准深度学习方法。     

矿用干式变压器局部放电模式识别方法

为提高矿用干式变压器局部放电模式识别准确率,提出了一种矿用干式变压器局部放电模式识别方法。首先,采用正交匹配追踪算法对原始局部放电信号进行去噪,最大程度保留原始局部放电信号的有用信息;然后,通过自回归模型提取去噪后局部放电信号的自回归系数特征;最后,将自回归系数特征输入随机森林集成分类器对局部放电模式进行识别。实验结果表明,该方法平均识别准确率达98%。     

基于光纤传感检测的局部放电信号去噪方法

针对局部放电超声信号检测过程中存在噪声干扰的问题,提出一种基于变分模态分解和改进小波去噪的噪声抑制方法。首先对局部放电信号进行变分模态分解,得到若干频带分布不同的本征模态分量,结合模态的峭度剔除窄带干扰主导的分量;然后利用改进的小波去噪法,将其余有效模态分量中残留的白噪声进一步滤除;最后将剩余分量进行信号重构实现噪声抑制。对仿真局部放电信号去噪的结果表明,所提方法可提升信噪比约12.1 dB,且能够更加完整地保留原始信号波形。此外,在实验室环境下搭建了10 kV电压等级的局部放电模拟系统,采用Sagnac光纤传感检测局部放电超声信号。实验结果表明,所提方法具有良好的去噪性能,对实测信号的噪声抑制比达到了7.504。     

改进小波阈值函数在局放去噪分析中的应用

为解决局部放电信号检测中白噪声的抑制问题,在D. L. Donoho 和I. M. Johnstone 提出的多分辨分析小波阈值去噪方法的基础上,构造了一个双变量阈值函数.该阈值函数通过改变k值来调节阈值化小波系数与原始小波系数之间的恒定偏差;并通过改变参数m来调节平滑过渡区内曲线的阶次,用于局部微调,弥补了硬阈值法不连续性和软阈值法具有偏差的不足.仿真结果表明,改进后的小波阈值函数的信号去噪效果明显,具有较高的实用价值.     

总变差去噪方法中结合局部结构信息的自适应保真项

提出一种自适应保真项用于总变差去噪方法．在讨论了局部结构描述子应满足2个必要条件的基础上,分析了线性结构张量在提取局部结构信息中的不足;将非线性结构张量用于构造自适应保真项,使得总变差去噪方法具有更好的去噪能力．实验结果表明：该方法能够很好地保持目标的边缘、尖角等几何结构．     

基于局部特征匹配的网格去噪算法

由于三维扫描设备精度不足以及各类人为因素的影响,扫描获取的三维模型不可避免地包含了噪声信息。如何有效地去除扫描模型中的噪声一直是一个经典热门问题。文中提出了一个数据驱动的算法,通过分析已有的噪声模型和对应原始模型数据,建立噪声模型局部几何特征与原始模型法向量之间的数据映射关系,再利用此信息局部特征匹配得到去噪后网格。实验结果表明,该方法可以有效地对网格进行去噪,在去除噪声的同时,可以很好地保持网格的特征结构。     

基于变分模态分解的直肠压力信号预处理研究

针对依托于人工肛门括约肌系统的直肠功能诊断模型中采集信号存在大量干扰噪声的问题,提出了一种基于变分模态分解(VMD)算法与小波加权平均阈值去噪结合的预处理方法。利用VMD算法对原始直肠压力信号进行分解,对各模态分量进行小波阈值去噪,提取出有用信号进行重构。通过仿真比较分析该方法与EMD、小波阈值去噪等方法的去噪效果。实验结果表明,该方法在不同噪声水平下均显著提高输出信号的信噪比,同时避免原始信号中有用信息的丢失,具有良好的去噪效果,对直肠功能诊断的准确性具有重要意义。     

桶基平台贯沉深度测量中的小波去噪方法

与传统去噪方法相比，利用小波变换去除被测信号中的噪声具有一些不可比拟的优点。结合桶型基础平台贯沉深度测量中的去噪问题对小波变换去噪的原理和优势进行了详细论述，并用MATLAB对一原始信号做了去噪处理。     

混合鲁棒权重和改进方法噪声的两级非局部均值去噪

传统非局部均值去噪算法采用指数型函数计算相似性权重,不能准确反映图像块之间的相似性;现有两级非局部均值去噪算法对方法噪声的获取以及方法噪声中所含信息的利用不够充分。针对上述问题,提出一种混合鲁棒权重和改进方法噪声的两级非局部均值去噪算法。首先采用一种改进的混合鲁棒权重函数来计算图像块的相似性权重;再利用预去噪后的图像构造新的方法噪声,并与两级去噪框架相结合;最后将提出的混合鲁棒权重函数和改进的方法噪声应用到两级非局部均值去噪方法中。实验结果表明,该算法既能准确地反映图像块之间的相似性,也能充分利用方法噪声的信息,且在去噪性能与结构细节保持能力方面均优于传统算法。     

一种改进的双项自适应总体变差去噪模型

研究经典总体变差去噪模型及其改进的自适应去噪模型,提出一种基于预处理图像局部信息的双项自适应模型。利用空间自适应保真项缓解二阶非线性滤波对细节的过度平滑,通过自适应正则化项减少阶梯效应,使数值更稳定和收敛。实验结果表明,与原方法相比,改进方法具有更好的鲁棒性,在噪声较高的情况下仍能取得较好的去噪效果。     

基于Lucy-Richardson算法的图像复原

针对Lucy-Richardson(LR)复原算法存在的噪声放大问题,提出一种新的LR图像复原算法,通过正则化处理分离原LR算法迭代过程中的噪声残差,并采用非下采样轮廓波变换域局部邻域相关性方法对噪声进行处理,从而弥补原LR算法噪声存在的缺陷。对比实验结果表明,该算法复原视觉效果良好。     

保持泊松噪声图像细节的快速变分去噪算法

去除医学、天文图像中的泊松噪声一直是人们关注的热点问题之一。在充分分析泊松去噪[α]-Le模型的基础上结合交替方向乘子（ADMM）算法,给出该模型一基于框式约束的快速求解算法,并证明了该算法的收敛性。数值实验结果表明,该算法在去噪的同时,不仅能很好地保留图像中的边缘及小细节特征,还能大幅提高运算效率。     

采用SVD-NMF的管道泄漏信号去噪算法

在管道泄漏检测中,压力信号中的噪声干扰会降低传统互相关法的定位精度。传统的去噪算法对环境的适应性差,去噪效果不理想。为此,提出了一种奇异值分解SVD( Singular Value Decomposition)与非负矩阵分解NMF( Nonnegative Matrix Factorization)相结合的管道泄漏信号去噪算法。该方法首先通过奇异值分解确定非负矩阵分解的阶数并对其初始化;然后,采用改进的非负矩阵分解算法对原信号进行迭代分解,获得去噪信号;最后,对去噪信号进行处理后通过互相关计算时延,并结合泄漏信号的传播速度实现泄漏定位。大量实验结果表明,SVD￣NMF算法能够显著降低迭代次数,提高去噪速度;同时在泄漏检测中,能够达到去除噪声干扰,提高定位精度的目的。     

自适应全变分图像去噪模型及其快速求解*

在联合冲击滤波器和非线性各向异性扩散滤波器对含噪图像做预处理的基础上,利用边缘检测算子选取自适应参数,构建能同时兼顾图像平滑去噪与边缘保留的自适应全变分模型,并基于Bregman迭代正则化方法设计了其快速迭代求解算法.实验结果表明,自适应去噪模型及其求解算法在快速去除噪声的同时保留了图像的边缘轮廓和纹理等细节信息,得到的复原图像在客观评价标准和主观视觉效果方面均有所提高.     

渐近非局部平均图像去噪算法

非局部平均去噪算法(Non-local means denoising algorithm, NLM)是图像处理领域具有里程碑意义的算法, NLM的提出开启了影响深远的非局部方法. 本文从以下两个方面来重新探讨非局部平均算法: 1) 针对NLM算法运算复杂度高的问题, 基于互相关(Cross-correlation, CC)和快速傅里叶变换(Fast Fourier transformation, FFT)构造了一种快速算法; 2) NLM在滤除噪声的同时会模糊图像结构信息, 在强噪声条件下更是如此. 针对这一问题, 提出了一种渐近非局部平均图像去噪算法, 该算法利用方差的性质来控制滤波参数. 数值实验表明, 快速算法较之经典算法, 在标准参数配置下运行速度可提高27倍左右; 渐近非局部平均图像去噪算法较之经典非局部平均图像去噪算法, 去噪效果显著改善.     

基于小波-EEMD-Adaline网络的容栅传感器信号去噪方法

针对容栅传感器检测的转动轴扭振信号掺杂的环境噪声干扰和自身的电磁噪声干扰使得信噪比低、微弱信号难提取的问题,提出了一种基于小波-EEMD-Adaline自适应线性神经网络去噪方法.该方法对信号进行小波、EEMD、Adaline网络消噪处理,采用三级去噪、噪声过滤、对消来逼近原始信号.用典型加噪超声信号、Doppler信号、Block信号对该方法进行有效性验证,与EEMD、基于小波分解的EEMD去噪效果相比较.实验结果表明,后两种方法信号去噪的SNR提升小(均不到20),而本文方法SNR(RMSE)提升(减小)明显,对于9 dB的Doppler信号SNR提升达90,RMSE从1.038 5降至0.009 5.对容栅电路实测大噪声微弱信号去噪,结果表明,该方法去噪性能更优,去噪后信号光滑性好,波动稳定性强.     

基于改进小波阈值的GIS局放监测抗干扰研究

在气体绝缘组合电气设备(GIS)运行的过程中,需要对GIS的各个物理量进行智能监测,从而来保证GIS的安全运行。其中局部放电积累到一定程度会对设备绝缘造成损害,同时,局放信号易受噪声干扰,会使监测的局放信号产生畸变,对监测设备的准确性带来不良影响。该文针对GIS局部放电脉冲信号易受白噪声干扰的问题,在已有的小波阈值去噪基础上,改进了传统硬阈值去噪的不连续性,克服了软阈值去噪的平滑问题。通过仿真来验证该方法去除现场环境的噪声干扰的有效性,为GIS内部局放信号的去噪方法提供参考。     

LoG边缘算子改进的加权引导滤波算法

针对原始全局的引导滤波算法对整幅图像各个区域使用统一的线性模型与相同的规整化因子,从而未能适应图像本身不同区域的纹理特性,提出了基于LoG边缘检测算子改进的加权自适应规整因子。通过在局部窗口内计算LoG幅值响应,对原有的规整化因子进行惩罚来取得对图像平滑区域与边缘区域的自适应,使得在保证降噪效果的前提下进一步突出边缘像素和平坦区域像素之间的差异。对开源医学图像库BrainWeb中不同断层的T1、T2与PD加权图像,共18张图像,添加9%的莱斯噪声作为测试库,并采用结构相似性因子(SSIM)与无参考图像锐化因子(CPBD)作为算法的定量评估指标。实验结果表明,与原始的引导滤波算法相比,所提方法的SSIM指标获得了最高5%左右的提升,CPBD指标获得了最高6%左右的提升。在引导滤波不同规整化因子的条件下,所提算法均优于原始的引导滤波算法和现有的基于方差图像加权改进的引导滤波算法,并保留了原始引导滤波O(N)的复杂度。与现存的主流滤波算法比较,所提算法能够兼顾SSIM与CPBD指标,具有最高的综合性能,且具有最低的算法复杂度,能够用于医学图像和彩色图像的快速滤波降噪。     

Correlation analysis method based SISO neuro-fuzzy Wiener model

A novel identification algorithm for neuro-fuzzy based single-input-single-output (SISO) Wiener model with colored noises is presented in this paper. The separable signal is adopted to identify the Wiener model, leading to the identification problem of the linear part separated from nonlinear counterpart. Then, the correlation analysis method can be employed for identification of linear part. Moreover, in the presence of random signal, the least square method based parameters estimation algorithm of static nonlinear part are proposed to avoid the impact of colored noise. As a result, proposed method can circumvent the problem of initialization and convergence of the model parameters encountered by the existing iterative algorithms used for identification of Wiener model. Examples are used to verify the effectiveness of the proposed method.     

基于非局部算法的序列图像超分辨率重构

提出了一种基于非局部算法的多帧图像超分辨率重构算法,该方法无需进行图像校正。为克服传统图像复原算法基于图像局部点领域的影响,指出可以使用非局部去噪模型的优越边缘保持性和去噪性来重构高分辨率图像。实验证明,该算法在低信噪比情况下,可以取得较好结果,有效解决了低信噪比条件下图像复原的一个难点。