基于形态分量分析的图像去噪算法研究

由于信号采集,信号传输等原因,随机噪声对信号有着很大的影响,甚至降低信号质量。传统的去噪方法无法自动的在去除随机噪声,和保存有用信息之间做出最佳选择。在本文中,我们展示了一种以相对无损的方法从有用信息中去除所有明显的随机噪声。该文设计的模型是建立在一种如下的理论假设之上:原始图像信号是由有用信号和随机噪声信号组成的,而这两者在形态学上是具有不同表示的。基于他们形态学上的不同性,这两种分量可以分别以不同的字典来稀疏的表示,接下来就是把各自分量给分离出来,去噪完成之后再以分量重建信号。     

Sparse kernel logistic regression based on L 1/2 regularization

The sparsity driven classification technologies have attracted much attention in recent years, due to their capability of providing more compressive representations and clear interpretation. Two most popular classification approaches are support vector machines (SVMs) and kernel logistic regression (KLR), each having its own advantages. The sparsification of SVM has been well studied, and many sparse versions of 2-norm SVM, such as 1-norm SVM (1-SVM), have been developed. But, the sparsification of KLR has been less studied. The existing sparsification of KLR is mainly based on L ₁ norm and L ₂ norm penalties, which leads to the sparse versions that yield solutions not so sparse as it should be. A very recent study on L _1/2 regularization theory in compressive sensing shows that L _1/2 sparse modeling can yield solutions more sparse than those of 1 norm and 2 norm, and, furthermore, the model can be efficiently solved by a simple iterative thresholding procedure. The objective function dealt with in L _1/2 regularization theory is, however, of square form, the gradient of which is linear in its variables (such an objective function is the so-called linear gradient function). In this paper, through extending the linear gradient function of L _1/2 regularization framework to the logistic function, we propose a novel sparse version of KLR, the 1/2 quasi-norm kernel logistic regression (1/2-KLR). The version integrates advantages of KLR and L _1/2 regularization, and defines an efficient implementation scheme of sparse KLR. We suggest a fast iterative thresholding algorithm for 1/2-KLR and prove its convergence. We provide a series of simulations to demonstrate that 1/2-KLR can often obtain more sparse solutions than the existing sparsity driven versions of KLR, at the same or better accuracy level. The conclusion is also true even in comparison with sparse SVMs (1-SVM and 2-SVM). We show an exclusive advantage of 1/2-KLR that the regularization parameter in the algorithm can be adaptively set whenever the sparsity (correspondingly, the number of support vectors) is given, which suggests a methodology of comparing sparsity promotion capability of different sparsity driven classifiers. As an illustration of benefits of 1/2-KLR, we give two applications of 1/2-KLR in semi-supervised learning, showing that 1/2-KLR can be successfully applied to the classification tasks in which only a few data are labeled.     

增强的两阶段测试样本稀疏表示方法

TPTSSR方法是一种基于L2范数的稀疏表示方法,在人脸识别中获得了成功的应用。然而,当训练样本较少时,TPTSSR方法就不能够正确有效地给出测试样本的稀疏表示,致使识别性能急剧下降,并且该算法对最近邻数M的取值也比较敏感。为了提高算法的识别性能和鲁棒性,本文通过增加噪声样本来解决训练本集不充分的问题。基于ORL、Yale、AR和FERET人脸库上的实验结果表明,所建议的策略提高了算法的识别性能和增强了其鲁棒性。     

基于信道缩短的TH-PPM UWB稀疏信道盲估计算法

针对TH-PPM UWB系统,提出一种基于信道缩短的UWB稀疏信道盲估计算法.该算法通过对接收信号进行信道缩短,有效地克服了信道过长给估计精度带来的影响.同时利用UWB信道的稀疏簇特性,避免了无谓的零值抽头估计,改善了该算法的性能.仿真结果表明:当信道长度大于符号长度时,该算法可以获得较好的估计性能.     

基于Gabor过完备库的图像稀疏分解

图像稀疏分解将数字图像分解为很简洁的近似表达形式.在图像稀疏分解的基础上,可进行多个方面的图像处理,如图像压缩、去噪和识别等.本文研究在Gabor过完备库上,利用Matching Pursuit(MP)算法实现图像的稀疏分解,实验结果表明基于Gabor过完备库的图像稀疏分解具有较好的重建精度和较高的稀疏度.     

一个用于卷积混合模型的时频分析盲分离算法

提出一种基于时频分析的卷积混合盲分离算法.由于信号源与各传感器的距离不同,在传播的过程中会产生不同的幅度衰减和时间延迟.该算法用短时傅里叶变换对语音信号进行时频分析,将其中一个传感器信号作为参考信号,构造了源信号的幅度衰减向量和时间延迟向量.根据语音信号的时频域稀疏性,以这两个向量为特征,在时频域上对传感器信号进行聚类,再通过估计参考信号混合系数来获得源信号时频域表示,进一步得到源信号.该方法可以用于源信号数目大于传感器信号数目的情况.仿真实验证明,算法可以完成欠定情况下卷积混合信号的盲分离,分离结果令人满意.     

一种新的最小二乘支持向量机稀疏化算法

普通的最小二乘支持向量机(LS-SVM)稀疏化算法在处理有些常见的模式识别问题时,随着训练样本的删减,识别率下滑很快,往往达不到稀疏化的目的。针对这种情况,提出了一种新的LS-SVM稀疏化算法来弥补这种不足,从而使得LS-SVM稀疏化算法体系更加完善。将新算法应用到雷达一维距离像的识别中,实验结果证明了新算法的有效性。     

基于扩充的GIX/M/1/N排队系统的主动队列管理算法性能评价模型

为了评价主动队列管理(AQM Active Queue Management)算法的性能,通过在标准的排队系统GIX/M/1/N中嵌入主动队列管理(AQM)算法的方法,建立了一个扩充的GIX/M/1/N排队系统。利用该扩充的GIX/M/1/N排队系统和Internet业务流量自相似性的特征,提出了一种评价AQM算法在非响应业务流量下的性能的分析方法,并据此评价了TD,RED,GRED和Adaptive RED等4个经典的AQM算法。为了验证该分析方法的合理性,利用NS2进行了一系列的仿真实验。结果表明,该分析方法所得结果与仿真实验所得结果一致,因此该分析方法能用于评价AQM算法的性能。     

利用粒子群算法实现信号OMP稀疏分解

稀疏表示在信号处理的许多方面都有着重要的作用,但是其计算量巨大难以应用在实时信号处理上.本文使用粒子群优化算法实现基于正交匹配追踪算法(OMP)的信号稀疏分解,粒子群算法能有效寻找OMP分解每一步中的最优原子,OMP是对匹配追踪算法(MP)的改进,收敛效果更好.实验结果验证了此算法的有效性.     

一种SSAE+BPNN的变工况飞灰含碳量软测量方法

火电机组变工况运行使数据呈现多模态特征,导致基于浅层网络结构的回归软测量模型的预测精度下降。研究一种改进的BP神经网络(back propagation neural network,BPNN)软测量方法：首先利用堆叠稀疏自编码器(stacked sparse autoencoder,SSAE)强大的深度学习能力提取原始数据特征,然后再利用BPNN对提取特征进行回归分析。经实验验证,SSAE+BPNN软测量方法的均方误差为0.135 8×10^–3,平方相关系数为0.983 2,其预测精度和泛化能力显著优于BPNN。将其应用于某台灵活调峰的超超临界660 MW发电机组飞灰含碳量软测量中,预测结果的平均相对误差为0.91%,总体相对误差控制在±5%以内,具有良好的工程应用价值。