基于EMD和相关分析的管道泄漏定位检测研究

针对长输管道泄漏检测与定位中噪声干扰问题,提出了一种基于EMD分解和相关分析的管道泄漏检测与定位方法.该方法利用EMD分解特性和相关分析技术,提取了包含故障信息的主要固有模态函数(IMF)分量,增强了泄漏信号的本质特征.通过对所提取的IMF主分量进行重构,消除了不相关分量的干扰,提高了泄漏信号的相关程度,从而提高了定位精度.实验验证了该方法的有效性.     

压缩传感在电能质量扰动信号分析中的应用

针对电能质量扰动信号分析中, 传统信号处理方法存在采样数据量极大、 采样时间长、 压缩时浪费采样资源等问题, 将压缩传感（CS: Compressed Sensing）应用于电能质量扰动信号分析中。实现了采样与压缩同时完成, 极大地降低了采集的数据量和采样速率。通过对压缩传感的过完备字典设计, 实现了压缩传感同时检测多个电能质量扰动信号, 以及压缩传感对信号在一维、 二维上的重构, 并对重构的电能质量扰动信号进行分析。实验结果表明, 与传统的电能质量扰动信号处理方法相比, 该算法在采样数据量、 重构效果方面都有很大提升, 得到的重构信号误差更小, 对信号的分析更准确。     

基于ATmega128的连续信号压缩感知实现方法

为了解决硬件对高频模拟信号采集困难的问题，根据连续信号可以在特定的频域有稀疏的特性，在采样节点，根据伯努利观测矩阵分布特点设计采样间隔，利用压缩采样方法采集数据，降低收发芯片CC1000所需发送的数据量，从而降低传感器节点在通信传输时所损耗的能量，延长节点的使用时间；在汇聚节点使用压缩采样匹配追踪算法(Compressive Sampling Matching Pursuit, CoSaMP)对接收到的稀疏数据进行重构，将重构的数据通过串口助手导出到终端，使用Matlab软件绘图分析，验证压缩感知实现方法的可行性。实验结果表明：该方法能够很好的在ATmega128芯片上实现压缩观测。在压缩率达到68%时，通过分析计算原始信号波形和重构信号波形，二者具有99.30%的相似度，显然将压缩感知理论可应用到局域网中，能减少网络传输的数据量，降低网络传输的能耗。     

基于MATLAB的压缩感知重构漏水信息改进算法研究

地下供水管道漏水监测时,采集到的漏水信号在传输过程中因节点自身限制,导致丢失部分有用信息,从而影响漏水监测的准确性.通过对该问题提出的改进压缩感知的重构方法,用传感器节点采集地下供水管道漏水声信号,在压缩采样匹配追踪(CoSaMP)算法的基础上,使用自适应方法得到最佳输出信号并改变重构算法中残差的初值,参与计算的残差初...     

基于多任务贝叶斯压缩感知的宽带频谱检测

针对认知无线网络中主用户信号在空频域的稀疏性,基于贝叶斯压缩感知(BCS)的信号重构通过层次化贝叶斯分析分级先验模型获得稀疏信号估计.将贝叶斯压缩感知应用于认知无线电宽带压缩频谱检测,利用多认知用户感知信号的时空相关性实现在多用户多任务传输条件下的稀疏信号重构与宽带压缩频谱检测.研究了基于期望最大化算法和相关向量机模型的多任务BCS参数估计.仿真结果表明:相比于传统单任务BCS重构方法,多任务BCS在节点能耗与网络带宽受限的条件下,通过对估计参数的合理优化,在较低压缩比区域可实现重构均方误差的快速收敛,且检测性能随着任务数的增加而提高.当感知数据相关性从25%增加到75%,且任务数一定时,所提方法的重构观测数明显下降,宽带频谱检测性能显著提高.     

管道泄漏源定位中最优小波基变换研究

针对压力管道通孔型泄漏源互相关定位的声发射（AE）信号降噪问题,进行了小波变换系数重构泄漏信号的最优小波基的选取工作。首先分析了管道通孔型泄漏信号的声学特性;然后使用短时傅立叶变换分析了泄漏声发射事件的发生时间,用于获得其在该时间段内的基本时域波形,同时对比基本时域波形与标准小波基的相似性删选出合适的小波基;进一步,通过分析小波变换定位泄漏声发射事件的频率分布确定最优小波基。同时考虑到声速对定位管道泄漏的影响,对管道声速进行现场测量标定。最后以最佳小波基的小波变换系数作为重构信号开展基于互相关的定位实验。实验结果表明,选择横波的波速作为管道检测的声速时,最佳小波基为“morlet”的小波变换系数作为重构信号能够很好地剔除噪声提高管道定位精度。     

基于SPIHT编码的管道泄漏检测数据压缩方法

针对油气管道泄漏检测数据的压缩问题,首次提出基于小波变换的多级树集合分裂编码(SPIHT)的泄漏检测数据压缩方法。该方法主要是利用原始信号在各尺度下小波变换系数的自相似性,优先传送绝对值较大的小波系数,再传送绝对值相对较小的作为非重要系数以得到更高的压缩倍数和更小的重构误差。应用该方法对实际泄漏检测数据进行压缩,实验结果表明:在不大于1%的均方根误差下,压缩前和压缩后数据的压缩倍数相差达到28,比用EZW算法和算术编码相结合的方法提高了12倍,更多地节省了泄漏检测数据的存储空间。     

基于时差估计的管道漏点定位方法

时差估计精度是影响管道漏点定位准确与否的重要因素。针对复杂噪声环境下管道泄漏点定位不准确问题,提出一种基于经验模态分解重构的互相关时差估计管道漏点定位方法。首先对含噪信号进行经验模态分解,得到一系列按频率从高到低排列的本征模态函数,利用Pearson相关系数法在本征模态函数中判定出噪声分量与信号分量的分界,把信号分量重构,实现信号降噪;最后基于广义互相关法对降噪后的求取两路信号的时差后,再使用线性定位法对管道泄漏位置定位。实验表明,该方法能有效滤除漏点定位监测过程中的非平稳随机噪声,获得了较高的时差估计精度,提高了管道漏点定位的准确性。     

基于局部性质的改进正交匹配追踪算法

正交匹配追踪算法是一种重要的压缩感知重构算法,针对正交匹配追踪算法中当前信号的最优估计,每一个采样点都有它的局部性质,且相邻采样点之间必然相互影响.本文基于局部性质,对正交匹配追踪算法进行改进,提高了对稀疏参数的估计精度,实现了信号的重构,实验证明了该方法的有效性.     

稀疏线性预测字典在语音压缩感知中的应用

压缩感知理论框架可以同时实现信号的采样和压缩,将压缩感知应用于语音信号处理是近年来的研究热点之一.本文根据语音信号的特点,采用K-SVD算法获得稀疏线性预测字典,作为语音信号的稀疏变换矩阵.高斯随机矩阵用于原语音信号的采样从而实现信号的压缩,最后通过正交匹配追踪算法(OMP)和采样压缩匹配追踪算法(Co Sa MP)将已采样压缩的语音信号进行信号重构.实验考察了待处理语音信号帧的长度、压缩比,稀疏变换字典以及压缩感知重构算法等因素对语音压缩感知重构性能的影响,结果表明,基于数据集训练的稀疏线性预测字典相比传统解析构造的离散余弦变换字典,对语音的重构性能具有0.6 d B左右的提升.     

基于动态组稀疏重构的频谱感知算法

针对认知无线电网络中宽带频谱感知问题,提出了一种基于主用户信号频谱结构的频谱感知算法,简称为DGS-SS算法.该算法首先利用压缩感知理论对信号进行欠采样,然后利用主用户信号频谱的组稀疏结构修正重构过程中的频谱和残差支撑集,从而能够加快重构主用户信号频谱的收敛速度,而且也能够提高主用户信号频谱的重构精度,最后利用重构信号频谱给出频谱空穴的有效检测.仿真结果表明,所提算法不仅能在低压缩比下精确重建信号频谱,而且对噪声变化具有更强的鲁棒性,从而有效地提高了频谱感知性能.     

基于小波变换的图像零树压缩感知方法

稀疏性是压缩感知的前提,然而,自然图像通常不是稀疏的,因此对图像直接应用压缩感知算法很难取得高压缩效率.针对图像信号,将编码思想融入压缩感知理论,提出一种简单有效的零树压缩感知方法.该方法先利用零树思想辅助压缩感知测量,在得到测量值的同时编码重要系数的位置;然后提出零树追踪重构算法,通过精确解码重要系数位置来重构原始图像小波系数,提高重构精度.实验结果表明,相比于现有匹配追踪算法和EZW算法,本文方法有更高的压缩比和更好的图像重构质量.     

认知无线电中基于压缩感知的非重构频谱检测算法

基于压缩感知的频谱感知研究多是要重构出原始信号,而重构的精确度却直接影响到频谱检测的效果,为降低由此因素而造成的低检测率以及计算复杂度,提出一种在压缩感知框架下的非重构频谱检测算法,将信道划分为多个小信道,依次感知每个小信道,得出所划分信道组的采样协方差矩阵,再与能量检测算法结合分析最终得到每个小信道中的占用情况。对不同的压缩率、信噪比以及用户数分别进行仿真,仿真的结果表明,当压缩率在30%以上和信噪比在-6 d B以上时检测效果较为理想,且多用户的情况下检测概率更高。相对于重构算法,本算法的检测概率更高,计算复杂度更低,检测时间也更短。     

顺序小波包图像压缩感知方法

针对压缩感知中测量次数不确定的问题,提出了顺序小波包图像压缩感知方法.该方法选用小波包变换分解图像,降低信号稀疏度,将图像划分为大小相等的小波包系数块,利用小波包系数块数学期望与稀疏度之间的关系,对初始采样信号y0的长度进行预测;同时变长设置顺序压缩感知过程中采样信号y1,…,yn的长度,来减少解压缩端重构次数以及两端的通信次数,从而解决传统顺序压缩感知方法中存在的不足.实验表明该方法在重构次数和重构精度上优于传统顺序压缩感知方法.     

基于对抗样本的深度学习图像压缩感知方法

压缩感知是研究数据采样压缩与重构的信号处理新理论,近年来研究人员将深度学习运用到图像压缩感知算法中,显著提高了图像重构质量.然而,图像信息常与隐私关联,高质量的重构图像在方便人们观赏的同时,带来了隐私保护的问题.本文基于深度学习理论,提出一种对抗的图像压缩感知方法.该方法将压缩理论和对抗样本技术统一于同一个压缩感知算法,通过设计损失函数,联合重构误差和分类误差来训练压缩感知深度神经网络,使得压缩感知重构样本同时也是一个对抗样本.因此,重构图像在保证重构质量的同时,也能对抗图像分类算法,降低其识别率,达到保护图像隐私的效果.在Cifar-10和MNIST图像集上进行的实验结果表明,和已有的压缩感知方法相比,我们提出的对抗压缩感知方法以损失仅10%的图像重构质量为代价,使得图像分类精度下降了74%,获得了很好的对抗性能.     

基于压缩感知的塔康方位估计算法

塔康(tactical air navigation,TACAN)信号峰值检测后的离散数据呈随机采样特性,为避免Kalman算法产生滤波发散问题并有效减小对数据量的需求,提出一种基于压缩感知理论的方位估计方法.通过对塔康信号的角度空间进行稀疏分解和观测值压缩,优化重构原始包络信号进而获得方位估计值.仿真实验证明了该算法的性能,与最小二乘拟合算法相比,在保证估计精度的同时进一步降低了峰值数据量,大大减少了计算过程中的冗余,并且在信噪比较大的情况下,方位估计准确度较最小二乘拟合有一定提高.     

基于非下采样contourlet变换的压缩感知图像重建

受传统采样定理限制,直接从信号采集系统得到高分辨率图像较困难,且信号获取过程会导致大量的采样数据.压缩感知理论指出可用特定测量矩阵将高维信号投影到低维空间上,求解数值优化问题准确重构原始信号,突破了传统采样定理的限制.传统压缩感知图像重建算法对所有系数测量,需进行多层小波变换保证图像质量,且小波捕捉方向信息有限,重建图像质量较差.故此提出采用非下采样contourlet变换(NSCT)做信号稀疏变换,并针对变换系数的特点,选择性的对系数测量,利用正交匹配追踪算法进行重构.实验结果表明,仅用单层NSCT变换可重建出高质量图像,克服传统算法需进行多层小波变换的缺点,降低采样和存储的数据量且重建的图像质量得到极大提升.