基于多尺度稀疏字典的SAR图像目标识别方法

针对合成孔径雷达目标识别问题,提出一种基于多尺度稀疏字典的SAR图像目标识别方法。稀疏字典选择是稀疏表示中的关键问题之一,该方法利用小波多尺度分析构造过完备稀疏字典,将训练样本图像在小波解析域中进行小波多层分解,充分利用小波多尺度分析突出图像局部特征的特点,并和过完备稀疏表示有效结合组成级联字典。通过求解测试样本相应的稀疏系数矢量并根据系数矢量中对应训练样本类别的重构误差判定目标类型。实验结果表明,该方法在识别前无需对SAR图像进行预处理,具有良好的识别效果。     

基于粒子群优化的稀疏分解最优匹配原子搜索算法

信号的稀疏分解能得到信号的稀疏表示形式,便于进一步处理,但其计算非常复杂,是一个NP问题.粒子群优化是群体智能优化算法,算法简单,易于实现,且搜索效果好.把粒子群优化算法用于稀疏分解的最优匹配原子的搜索,能降低稀疏分解复杂度,同时减少稀疏分解的超完备字典对存储空间的占用,以提高用稀疏分解理论进行信号处理的计算效率,满足或接近实时性的要求.实验证明,此方法切实可行.     

压缩感知新技术专题讲座(二) 第3讲 压缩感知技术中的信号稀疏表示方法

信号的稀疏表示是信号分析领域的基本问题,也是近几年兴起的压缩感知理论的基础。文章首先分析了信号稀疏表示的基本原理,然后介绍了当前信号稀疏表示的主要方法,并重点阐述了基于过完备字典的稀疏表示方法及其在压缩感知中的应用,最后总结了稀疏表示所面临的问题和未来发展方向。     

基于小字典训练的语音增强算法

文章提出一种基于小字典训练和过完备稀疏表示的语音增强算法。该算法通过构造过完备的小字典并使用带噪语音的幅度谱对其进行训练来实现。训练过程中通过不断地使用K-SVD算法更新字典矩阵和相应的稀疏系数矩阵来实现对纯净语音的提取,达到语音增强的效果。该方法不同于传统增强算法需要对噪声进行估计与抑制,而是通过稀疏表示将纯净语音从带噪语音中分离出来。主客观测试结果表明,本文方法较好地消除了随机噪声,低信噪比情况下增强效果明显优于传统算法,且能够避免产生音乐噪声。     

基于四阶累积量阵列扩展的稀疏分解方法

提出了一种基于四阶累积量稀疏表示的估计方法,解决信号数多于阵元数时的DOA估计问题。该方法首先构造了包含所有DOA信息的最小冗余矢量,利用扩展阵列的最小冗余导向矢量构造完备字典减小完备字典的复杂度;然后利用L1范数作为稀疏约束条件建立稀疏模型进行DOA估计。理论分析和仿真实验,验证了该方法能够估计出的信号个数大于阵元数目,可直接应用于相干信号,比MUSIC-like算法具有更好的性能。     

基于小波域字典学习方法的图像双重稀疏表示

提出了一种有效地结构化字典生成算法以及图像双重稀疏表示方法.在Rubinstein等提出的图像双重稀疏表示模型的基础上,引入小波零树结构,将同一空间位置对应的同方向跨尺度小波基函数的线性组合作为新的基函数,并通过K-SVD学习算法得到线性组合系数,由此得到了一种更加切合图像方向特征的结构化字典学习算法.在此基础上提出了相应的图像分解与重构算法.遥感图像M项逼近实验以及压缩仿真实验表明,本文提出的结构化字典比已有的字典具有更好的图像稀疏表示效果.     

小波分析和神经网络结合的变速箱状态识别

针对变速箱故障信号的非平稳和时变特性，提出了小波分析和神经网络结合的变速箱状态识别方法。为了验证该方法的有效性，试验模拟了某型车辆变速箱正常、7216轴承滚动体点蚀及3挡被动齿轮严重磨损3种状态，以箱体振动信号作为分析信号，首先对信号应用小波阈值法降噪减少干扰，接着将小波分解系数单子带重构得到不同频带的信号分量，提取各频带能量作为特征向量输人神经网络进行状态识别，结果表明该方法能有效识别变速箱的3种状态。     

L1-analysis稀疏重构在阵列信号恢复及波达角估计中的应用

通过适当的空域稀疏化构造了可对阵列接收信号进行冗余稀疏表示的阵列流形矩阵,建立了相应的L1-analysis稀疏重构模型用于恢复阵列接收信号,重点证明了该流形矩阵是满足L1-analysis 稀疏重构条件的紧框架,从理论上保证了将L1-analysis 稀疏重构用于阵列接收信号恢复及波达角估计问题的合理性,并推导出信号恢复误差的理论上界。利用在微波暗室环境中采集的实测数据,结合MUSIC算法进行实验验证,结果表明基于L1-analysis 稀疏重构的信号恢复对提高低信噪比环境下的波达角估计性能是有效的。     

基于稀疏贝叶斯学习的DOA估计

针对基于l1范数约束的稀疏表示DOA(Direction Of Arrival)估计算法对初始参数较为敏感的问题,提出了一种基于稀疏贝叶斯学习的DOA估计算法。首先通过信号来波方向的空间采样构造冗余字典,将阵列信号处理中的DOA估计信号模型转化为压缩感知中的稀疏重构信号模型。然后基于经验贝叶斯推理的方法,将待估计的稀疏系数值用方差未知的联合高斯分布描述,而未知的方差值决定了待估计系数的稀疏性。通过观测数据估计得到未知的方差,进而得到信号的DOA估计值。仿真结果表明,提出的算法有较高估计精度,并且对非相干信源和相干信源都具有较好的估计性能。     

基于优化小波阈值的轴承振动信号降噪算法北大核心

滚动轴承振动信号能够及时准确地提供机电设备状态特征信息,且可实现在线或离线监测,广泛用于滚动轴承故障诊断。由于滚动轴承工作环境复杂多变,往往掺杂较多噪声,噪声会淹没机电设备状态的有用特征信息。针对传统小波阈值函数对轴承信号降噪不明显的问题,提出了一种用于轴承振动信号降噪的差分进化优化小波软阈值算法,对含噪信号进行小波分解,利用广义交叉验证GCV函数作为新的阈值函数对分解后的小波系数进行处理,结合差分进化算法进行寻优获取最优阈值。实验采用美国凯斯西储大学的轴承数据进行仿真分析,通过与常用降噪方法相比,该方法在较好地保留特征信号的前提下,较大程度地去除了噪声,有效地提高了降噪效果。     

有向无环图决策支持向量机和经验模式分解在轴承故障诊断中的应用

当旋转机械发生故障时,其振动信号常常表现出较为复杂的调制形式,经验模式分解能根据信号的真实物理意义完成自适应分解。支持向量机由于其出色的学习性能和良好的推广能力,使其在包括故障诊断在内的众多领域得到较为广泛的应用。利用经验模式分解结果提取频带能量特征向量,采用有向无环图决策支持向量机实现对轴承状态的判别,并基于留一法优化支持向量机的模型参数。最终的应用结果表明,基于EMD和有向无环图决策支持向量机方法可以有效实现对轴承的状态判别。     

结合振动特征优选和GWOA-XGBoost的电机轴承故障诊断

为解决电机轴承故障状态难以识别,从而造成诊断精度不高的情况,提出了一种基于信号特征提取与极限梯度提升算法(extreme gradient boosting, XGBoost)结合的电机轴承故障诊断模型。使用优化的变分模态分解获得振动信号的固有模态函数(intrinsic mode function, IMF)分量,再基于多尺度熵理论计算各IMF分量的多尺度熵值进行特征重构。在鲸鱼优化算法(whale optimization algorithm, WOA)中引入遗传算法的选择、交叉、变异操作对WOA进行改进。用改进的WOA算法对XGBoost的超参数进行寻优,获得了帮助XGBoost取得最优分类效果的超参数组合,将7种不同故障类型的振动信号进行重构后输入优化的XGBoost模型进行故障诊断。实验结果表明,所提GWOA-XGBoost模型的电机轴承故障诊断精度能够达到97.14%,相较于传统诊断方法,性能提升效果显著。     

采用区分性幅相联合字典学习的低截获概率信号分离方法

为解决采用字典学习的信号分离方法存在的相位信息缺失和子字典交叉表示问题，提出一种区分性幅相联合字典学习方法。该方法针对相位信息缺失问题，构建了幅相联合字典模型；针对混合信号在联合字典上投影时存在的交叉表示问题，基于区分性字典学习思想提出在字典学习过程目标函数中加入交叉表示抑制项。仿真结果表明：幅相联合字典能够充分表示典型低截获概率信号的幅相信息，交叉表示抑制项能有效抑制信号间的交叉表示，算法具有良好的分离性能。     

内燃机电站联轴器配合松动故障的诊断方法

通过对联轴器在正常与故障情况下振动信号数据的分析处理,找出联轴器的配合状态特征——振动信号在频域中的能量分布关系,提出了故障判断方法。     

基于最优Morlet小波的全信息能量熵提取及其在滚动轴承状态监测中的应用

为利用振动信号中隐含的冲击特征成分来反映轴承性能退化趋势,综合利用小波变换技术和全信息技术,提出一种基于最优Morlet小波变换的全信息能量熵提取方法．以最小Shannon熵优化Morlet小波形状参数,通过多源振动数据的小波变换系数,利用信息熵综合反映冲击特征能量在不同频带分布差异．滚动轴承全寿命数据的应用结果表明,全信息能量熵的变化趋势能够监测轴承状态的劣化过程,而伴随的早期故障检测可以提高轴承使用的安全性．     

小波相关特征尺度熵在滚动轴承故障诊断中的应用

将小波相关滤波方法与Shannon信息熵相结合,提出了一种故障检测与诊断的方法——小波相关特征尺度熵故障法。首先利用小波相关滤波方法提取滚动轴承故障振动信号的微弱故障信息特征,以求得信噪比较高的尺度域小波系数;然后结合Shannon信息熵理论给出了沿尺度分布的小波相关特征尺度熵定义及其计算方法。小波相关特征尺度熵能够定量表征不同尺度的能量分布,各尺度能量分布的均匀性可以反映滚动轴承的运行状态的差别,选取最能反映故障特征的小波相关特征尺度熵作为特征参数,通过所选取的小波相关特征尺度熵大小判断滚动轴承的工作状态和故障类型。实验证明该方法能有效地判断滚动轴承故障特征,为滚动轴承故障诊断提供了新的思路。     

基于空间采样法的齿轮调相振动信号解调

在对机械设备的齿轮部件进行振动监测时,由于载荷以及转速波动等因素的影响,会引起振动信号的相位调制,使得频谱严重失真.通过对调相现象的理论分析和数值仿真计算,提出了基于空间采样的齿轮振动调相信号的解调方法,结果表明,该方法可以获得有价值的振动信号,从而进行有效的齿轮故障诊断.     

基于状态空间模型的线性模拟电路BIST方法

本文针对线性模拟电路,提出了一种基于系统状态变量的ＢＩＳＴ方法。该方法将系统的状态、状态变化率及输入信号进行加权求和,以此加权和作为系统的故障检测输出。将其值的大小作为判别依据,可以区分系统的正常与异常状态。此方法具有简单可靠,故障覆盖率高的特点。     

基于高阶谱分析的机械故障特征识别

在分析高阶累积量与高阶谱的理论基础上，利用高阶谱可以抑制加性高斯噪声的性质，研究了基于高阶谱分析的机械故障特征提取方法，提出了基于双谱估计的齿轮故障诊断的方法。通过对齿轮信号的双谱特征图谱进行分析比较，成功地对齿轮的正常稳态振动信号、正常瞬态振动信号以及磨损瞬态信号进行了识别，效果十分显著。