基于小波域稀疏表示和自适应混合样本回归的图像超分辨率重建算法

针对局部特征不能较好地在空域表示的缺点,对训练集进行直接的小波变换,在训练阶段采用K-SVD字典学习算法对提取的小波域高低分辨率特征分别训练四个子带高低分辨率字典对,并把所得子带字典用于小波域高分辨率图像重建.为了进一步提升重建图像的质量,提出一个自适应混合样本脊回归模型(AMSRR)用于调制重建图像的高频成分.实验结果表明,本文提出的算法在视觉效果以及量化指标(PSNR,SSIM)上优于对比的空域方法.     

基于Sparse K-SVD学习字典的语音增强方法

提出一种基于Sparse K-SVD学习字典的语音增强方法,采用Sparse K-SVD算法自适应地训练一个可稀疏表示的冗余字典,在该冗余字典上采用正交匹配追踪(OMP)算法对带噪语音信号进行稀疏分解,利用稀疏系数矩阵重构纯净语音,实现语音增强.使用NOIZEUS语音库进行了一系列的语音增强实验,主客观评测数据表明,基于稀疏表示的语音增强方法(分别使用Sparse K-SVD和K-SVD训练字典)相对于传统语音增强方法(小阈值波法、谱减法、改进谱减法)可进一步改善语音质量;对字典训练时间进行统计,发现Sparse K-SVD算法训练字典消耗的时间为K-SVD算法训练时间的1/6~1/10,大幅度提高了计算效率.     

字典学习的K-SVD算法分析

分析了字典学习的K-SVD算法,通过引入K-Means计算方法,将K-Means方法推广到用于字典学习的K-SVD计算方法中;分析和描述了K-SVD计算过程,指出了K-SVD方法与K-Means方法之间的关系,最后观察图像数据训练用于稀疏表示的字典.     

采用非相关字典学习的滚动轴承故障诊断方法

针对轴承振动信号中早期故障特征难以识别的问题,提出了利用非相关字典学习稀疏提取微弱冲击特征,进而完成故障诊断的方法。字典的构造是影响稀疏表示算法性能的关键步骤,而传统字典学习方法构造的冗余字典,原子之间具有很强的相关性,不足以表现信号不同的结构特性,也不利于信号准确稀疏重构,进而影响了冲击故障特征信号的提取。因此,在K均值奇异值分解算法(K-SVD)的基础上加入了原子解相关的步骤,形成了非相关字典学习算法(INK-SVD)。采用INK-SVD算法在含噪振动信号段样本中,学习构造低相关性自适应字典;在此基础上,利用稀疏表示方法准确提取冲击故障特征,从而实现更准确的轴承故障诊断。通过仿真分析及实验数据分析,与传统字典学习方法相比,该方法稀疏系数恢复精确度更高,重构信号的包络解调谱更有利于故障特征的辨识,从而验证了该方法的有效性。     

基于K-SVD字典学习的核磁共振图像重建方法

基于超完备字典的图像稀疏表示因其具有稀疏性、特征保持性、可分性等特点而被广泛应用于图像处理.本文利用K-SVD字典学习算法并应用于MR图像重建.将字典学习等价于一个二次规划问题,学习得到的字典能有效描述图像特征.基于学习所得的字典,获得图像的稀疏表示,并重建原始图像.实验结果表明,与Zero-filling方法相比,本文的重建结果能更好地保留图像细节信息,获得更高的SNR值.     

基于主成分初始化与双字典学习的图像分类方法

为解决字典学习训练测试消耗时间过长、迭代次数多、识别率及计算效率不高的问题,本文提出一种基于主成分初始化的双字典学习方法,将PCA方法引入双字典学习模型,通过对每类样本矩阵奇异值分解,保留样本95%的主成分作为双字典学习的初始子字典,以此充分利用已有样本的全局信息,并减少字典学习的迭代次数.在扩展的Yale B、AR数据库和手写数字字符集MNIST库上的分类实验表明,相对其他分类方法,本文方法大大减少了训练和测试时间,并提高了识别率.     

基于K-奇异值分解字典学习的振动信号压缩感知方法

针对在齿轮箱的状态监测和故障诊断过程中传统的奈奎斯特采样定律采集到的振动信号数据量过大的问题,提出基于K-奇异值分解(K-SVD)字典学习的振动信号压缩感知(CS)方法,以实现对振动信号的高效压缩采样;在实验中分别将基于K-SVD训练生成的2种字典和离散余弦变换(DCT)固定字典用于信号的重构,并对其结果进行对比分析。实验结果表明,在相同压缩率时,与DCT固定字典相比,本文中所提出的方法能有效地提高重构信号的相似度。     

一种基于分层特征学习的标签一致K-SVD图像分类方法

为更好提取信息丰富的图像表示,提出了一种基于分层特征学习的标签一致K-SVD图像分类方法。首先,对基于灰度或RGB类型的图像进行稠密的块采样,然后利用分层正交匹配追踪获取图像特征,代替传统的基于SIFT描述子结合空间金字塔池化的方式。在引入标签一致性约束后,利用K-SVD算法对已获取特征进行判别式字典的学习,同时得到了最优的线性分类器。实验结果表明,该方法在Caltech101、Oxford Flowers和UIUC-Sports 3类数据集中,分类准确率分别达到了76.7%、84.9%和87.1%,优于其他算法。     

液压泵故障诊断稀疏编码方法研究

针对液压泵故障特征难以提取、诊断过程复杂、自动化程度低等特点,将稀疏编码方法应用于液压泵故障诊断.通过对液压泵泵壳处振动信号进行时频域变换,将变换后的信号作为样本,采用K-SVD算法对训练样本进行字典学习以获取字典,利用正交匹配追踪算法对测试信号进行分解与重构,通过不同类别字典对测试信号的重构率大小进行故障种类识别,实现液压泵故障分类.通过试验验证并与BP神经网络、支持向量机对比,结果表明稀疏编码方法具有对故障识别速度快、准确率高、稳定性好等优点,可以有效地实现对液压泵故障的诊断.      

基于NMF闭塞字典的压缩传感声纳图像识别

提出了基于非负矩阵分解（NMF）闭塞字典的压缩传感声纳图像识别的方法.该方法采用NMF局部特征提取,解决了全局特征提取对声纳图像的强度和目标姿态的变化等方面不敏感的问题;同时利用K-SVD算法构造出可压缩的NMF闭塞字典,解决了原始的闭塞字典中含有大量原子从而导致计算量大的问题.实验结果表明：在不闭塞的情况下,采用NM...