稀疏正交联合约束多通道非负矩阵分解声信号分离算法

针对复杂环境下多通道声信号分离问题,提出稀疏正交联合约束多通道非负矩阵分解声信号分离方法。首先设计基于多通道扩展坂仓斋藤(Itakura-Saito,IS)散度的稀疏正交联合约束项构造代价函数,给出信号稀疏和信号正交约束辅助函数,实现代价函数最小化求解。然后通过迭代更新规则设计,得到稀疏正交优化的多通道非负矩阵分解基矩阵和系数矩阵,讨论了稀疏正交约束对基矩阵和系数矩阵稀疏性与连续性影响。最后基于多通道信号空间特性,进行了非负矩阵分解基聚类以获得多通道非负矩阵分解声信号的分离结果。双通道音频数据与四通道声学目标分离实验数据测试表明,对音频数据,所提算法在性能指标信号失真比(SDR)上提高了0.84 dB,对于直升机声源数据,所提算法在SDR上提高了4.53 dB。     

多特征融合的鸟类物种识别方法

针对短时窗平均/长时窗平均算法从次声台站监测数据中提取的信号仍然包含噪声的问题,对支持向量机和人工神经网络的机器学习方法进行了研究。采用小波包分解的方法对信号进行重构,提取出各频带内的重构信号能量特征,对事件信号和噪声进行了识别实验,并分析了提高识别能力的方法,为工程应用提供理论参考。实验结果表明,在训练数据集不大的情况下,通过优化模型结构可以将两种方法的识别能力提高到可以接受的水平。     

倒谱参数稀疏分解下的汉语音谎言检测

为了提高汉语语音的谎言检测准确率,提出了一种对信号倒谱参数进行稀疏分解的方法。首先,采用小波包滤波器组对语音信号进行多频带划分,求得子频带对数能量并进行离散余弦变换以提取小波包频带倒谱系数,结合梅尔频率谱系数得到倒谱参数;其次,依据K-奇异值分解方法分别利用说谎和非说谎两种状态下的语音倒谱参数集训练得到过完备混合字典,在此字典上根据正交匹配追踪算法对参数集进行稀疏编码提取稀疏特征;最终进行多种分类模型下的识别实验·实验结果表明,稀疏分解方法相比传统参数降维方法具有更好的优化性能,本文推荐的稀疏谱特征最佳识别率达到78.34%,优于其他特征参数,显著提高了谎言检测识别准确率。      

基于非负矩阵分解的多聚焦图像融合研究

在标准非负矩阵分解约束条件的基础上,提出了一种添加了清晰度约束的新的目标函数和迭代算法．即改进的非负矩阵分解算法,并将其应用于多聚焦图像融合中。非负矩阵分解过程中,适当地选取特征空间的维数能够获得原始数据的局部特征。若以待融合图像为原始数据,选取特征空间的维数为1,则利用改进的非负矩阵分解方法进行图像融合所得到的特征基图像就是对原始图像的融合,该融合网像包含了原始图像的整体特征。实验结果表明,该方法融合效果优于小波变换方法和拉普拉斯塔型方法。     

基于超声射频信号的支持向量机双参量B线识别方法*

肺超声中的特殊征象B线对于临床诊断肺水肿等肺部疾病有重要意义,但诊断结果依赖于医生的主观判断,为了客观、自动地识别B线,提高诊断准确率,本文提出了一种基于超声回波射频信号的肺脏超声特殊征象B线识别方法。本文首先选取了射频信号的排列熵、信息熵、峰度、偏度、能量作为特征参数,利用独立样本t检验和单参数贝叶斯分类的方法检验超声射频数据中B线以及非B线所对应射频数据的各个参量的差异性以及各参数与B线识别的相关性。然后将不同的双参量组合输入非线性支持向量机（SVM）中进行分类,比较各个组合的分类效果。结果显示信息熵与排列熵参数组合基于射频信号的分类效果最好,分类灵敏度为90.521%,特异性为98.106%,准确率为96.328%,AUC等于0.95。在引入后处理算法后,B线识别效果有进一步提升,得到分类平均灵敏度为95.23%,平均特异性为97.22%,平均准确率为96.88%。研究结果表明基于射频数据的SVM双参量B线识别方法对辅助临床诊断具有重要价值,信息熵和排列熵的组合可以有效的对特殊征象B线进行高精度识别。     

基于小波分解的岩石破坏次声信息特征研究

次声探测是近年来在自然灾害临灾预警领域兴起的一种新方法,具有广阔的前景。为了研究岩石破坏次声信息特性,在室内试验的基础上采集了砂岩试件破坏前的次声信号,借助小波分析方法对信号的能量特征进行了分析。结果表明:岩石变形破坏次声信号能量主要集中在4～8 Hz的中频带和8～16 Hz的高频带两个频率范围内,中频带能量大于高频带能量,同时在低频带0～4 Hz内也存在一定的能量分布。随着岩石变形破坏程度的增加,次声信号的中低频带能量在相对减少,在岩石临近破坏前,次声信号的中低频带能量与高频带能量的比值接近1。上述特征的发现,为岩石破坏次声信号识别以及破坏前兆预警提供了重要依据。     

基于鲁棒损失函数的标签有噪信号调制方式识别

针对现实信号调制方式标注易发生错误, 即训练数据集中信号调制方式标签存在噪声情形, 我们选取l₁模损失函数及其推广形式作为对标签噪声具有鲁棒性的损失函数, 结合深度卷积神经网络优良的自动特征提取能力, 提出一种针对信号调制方式存在误判噪声的深度学习算法。该算法在训练数据集合标签噪声率达50%情形下, 对信号调制方式的识别准确率依然保持较高水平。相反, 对于采用通常的交叉熵作为损失函数的深度卷积神经网络, 其已无法对信号调制方式进行分类识别。在公开的数据集上的数值实验表明, 所提算法对于标签有噪信号调制方式识别具有较强的鲁棒性。     

基于一维卷积神经网络的化爆和地震次声分类*

次声事件的分类识别方法应用广泛,传统分类方法在很多方面进行了尝试,但由于次声信号具备非线性的特点,致使分类难度较大,分类精度不高,这对次声事件的分类工作提出了挑战。针对次声事件中的化学爆炸与天然地震信号分类问题,文章构建了一种改进的深度卷积神经网络分类模型用于实现两类次声信号的分类。论文采用"全面禁止核试验条约组织"官网上收集到的化学爆炸和天然地震次声信号进行数据集的构建,使用改进的深度卷积神经网络分别与BP网络和一维LeNet-5网络进行对比分析。实验结果表明,论文的测试识别率能够达到82.72%,较上述算法有优势。     

L_(1/2)稀疏约束卷积非负矩阵分解的单通道语音增强方法

为了刻画语音信号帧间相关性和使用更少的语音基表示语音特征,提出一种采用L_(1/2)稀疏约束的卷积非负矩阵分解方法进行单通道语音增强。首先,进行噪声学习得到噪声基;然后,以噪声基为先验信息结合L_(1/2)稀疏约束卷积非负矩阵分解方法学习含噪语音中的语音基成分;最后,利用学习到的语音基和系数重建出干净语音信号。在不同噪声环境下进行的实验结果表明,本文方法优于采用L_1稀疏约束的卷积非负矩阵方法及传统的统计语音增强方法。     

基于稀疏表示的核素能谱特征提取及核素识别

提出了一种基于稀疏表示的核素能谱特征提取方法,其实质是将核素能谱在区分性最好的稀疏原子上进行投影。利用稀疏分解方法对核素能谱进行稀疏分解,提取分解系数向量作为表征核素的特征向量,通过模式识别分类方法建立分类模型实现核素识别。与传统稀疏分解方法的区别在于:在能谱稀疏分解过程中按照稀疏字典中的原子排列顺序顺次进行分解;其次,分解目的在于特征提取,即最终提取到的特征对不同核素具有可区分性,并不要求核素能谱的重构精度。在241Am, 133Ba, 60Co, 137Cs, 131I和152Eu共6种核素1200个能谱数据上进行了核素识别实验,7种不同分类算法的平均识别率达到91.71%,实验结果的统计分析表明,本文提出的特征提取方法识别准确率显著地高于两种传统核素能谱特征提取方法准确率。     

基于有约束非负矩阵分解的原稿基色色料光谱预测方法

针对直接在光谱反射率空间,对原稿颜色样本光谱的主成分分析会导致特征向量的数目超过真实物理维度(原稿所用基色色料)的数量,以及特征向量和对应系数存在负值,不能直接表示原稿基色色料的光谱特性和对应浓度等情况。创新性的提出需根据原稿色料的光学特性建立一个完全线性的光谱空间,并在该空间中使用带约束条件的非负矩阵分解实现对原稿基色数量和光谱形状进行预测的方法。对此,首先设计了一个实现对原稿基色色料光谱预测方法的总体研究方案和实现步骤,再以透明色料原稿为例,研究如何选择和构建一个符合其光学特性的光谱线性空间,然后再在基本非负矩阵分解(BNMF)基础上提出针对基色色料光谱预测的有约束非负矩阵分解算法(SCNMF)。针对BNMF算法会出现多重最优解,为了提高预测精度,使矩阵分解结果有明确的物理意义,所提出的SCNMF算法需要满足4个约束条件：非负性约束;全加性约束;平滑性约束;稀疏性约束。建立了满足约束条件的目标函数和迭代算法。预测结果表明本文提出的新方法能有效的实现对原稿基色物理维度和基色色料光谱的准确预测。     

基于非抽样剪切波的加权区域图像融合

以提升遥感图像和多聚焦图像的融合精度为目的,结合非下采样剪切波变换（NSST）可以捕捉图像的细节特征,提出了一种NSST和加权区域特性的图像融合方法。利用非下采样剪切波变换对源图像进行多尺度、多方向分解,得到低频子带和高频子带,低频子带系数采用改进梯度投影的非负矩阵分解（NMF）,高频子带系数采用加权区域能量和区域方差相结合的融合策略,然后应用非下采样剪切波的逆变换得到融合的图像。实验结果表明:该方法从主观视觉方面很好地保留了多幅图像的有用信息,给出该方法与其他融合算法在客观评价指标应用信息熵EN、互信息MI和加权边缘信息量QAB/F的比较结果 。     

Feature extraction for rolling element bearing fault diagnosis utilizing generalized S transform and two-dimensional non-negative matrix factorization

This paper presents a novel feature extraction scheme for roller bearing fault diagnosis utilizing generalized S transform and two-dimensional non-negative matrix factorization (2DNMF). The generalized S transform, which can make up the poor energy concentration of the standard S transform, is introduced to generate the time-frequency representation (TFR). Experiment results on simulated signal and vibration signals measured from rolling element bearings have revealed that the generalized S transform can obtain a more satisfactory TFR than other similar techniques. Furthermore, a new technique called two-dimensional non-negative matrix factorization (2DNMF), which can reduce the computation cost and preserve more structure information hiding in original 2D matrices compared to the NMF, is developed to extract more informative features from the time-frequency matrixes for accurate fault classification. Experimental results on bearing faults classification have demonstrated that the proposed feature extraction scheme has an advantage over other similar feature extraction approaches.     

基于多波段漫反射光谱古陶瓷窑口无损鉴定

古陶瓷是历史的遗存, 具有不可再生性，因而理想的古陶瓷分析技术应该是无损的。为客观、有效地对古陶瓷窑口进行无损鉴定，提出了一种基于紫外、可见光和近红外的多波段漫反射光谱无损鉴定方法。针对传统单一波段古陶瓷窑口鉴定对目标特征描述不足的问题，即在可见光波段区域，漫反射光谱数据可反映古陶瓷的颜色特征，但在同一窑口烧制的陶瓷也会有不同的颜色属性，仅仅根据可见光波段的漫反射反射率来鉴定窑口来源是不合理的，在紫外与近红外波段，古陶瓷内部分子与此波段光发生作用后的漫反射光谱数据，可反映古陶瓷携带的丰富样品结构和物质属性信息，结合紫外与近红外光谱漫反射光谱数据可有效提高特征的表达，因此提出利用紫外、可见光和近红外的多波段特征提取方法。在实验过程中，基于多波段线性特征融合窑口平均鉴定准确率为92.9%，相比于单波段的窑口鉴定平均准确率91.1%提高了1.8%，实验结果验证了所提多波段方法相对单波段方法的有效性；在特征提取过程中，常用小波变换对光谱信号进行处理，但由于古陶瓷漫反射光谱波信号在紫外、可见光与近红外波段形波动大，频率变化大，因此，在小波基的选取上存在很大困难，提出利用自适应时频分析特征提取方法，其特点是可自适应分配不同频率子波本征模态函数，通过选择合适的本征模态函数来提取古陶瓷不同波段的光谱特征，但在分解过程中存在过分解现象，即虚假的本征模态函数，将所有样本与分解的本征模态函数的平均相关系数和平均方差贡献率作为选择本征模态函数的标准，实验结果表明，随着分解阶次的递增平均相关系数和平均方差贡献率递减，当分解阶次为4时，相关系数和方差贡献率都为0.30，但当分解阶次为5时，相关系数和方差贡献率仅为0.15和0.18，因此选择4阶分解，用于不同波段的特征提取；所提取的特征给与分类器进行分类时，不同波段的特征对分类的准确率贡献不同，因此在此基础上，计算不同光谱特征的散布矩阵，利用类内与类间散布矩阵的迹，计算特征融合时不同波段特征的权重，自适应分配权重并进行非线性特征融合，权重越大，表明该类特征对鉴别的贡献越大，非线性特征融合时，平均鉴定准确率为94.5%，相比于线性特征融合鉴定平均准确率92.9%提高了1.6%；其中分类器采用k最近邻分类器对来自不同窑口的古陶瓷进行无损分类识别。通过客观定量地将该方法与同类方法进行对比，朱旭峰等利用非线性特征融合方法，窑口平均鉴定准确率为86.97%，该方法比其高7.53%。刘峰等采用基于协方差阵进行特征级融合多波段方法，窑口平均鉴定准确率为89.63%，该方法比其高4.87%。实验结果表明所提方法有效、可行，可作为古陶瓷窑口鉴定的有效辅助鉴定方法。     

基于NMF-PLS对含水量影响下土壤重金属含量反演模型研究

土壤中过高的重金属含量危害巨大,不仅造成了严重的环境污染,而且通过食物链进入人体对人体健康造成严重威胁,所以对重金属检测十分重要。X射线荧光光谱法具有检测时间短、无损检测、检测成本低等特点被广泛使用,然而检测的光谱数据因受到土壤含水量因素的严重干扰,导致直接对土壤重金属含量估算精度较低。以河北省保定市满城区土样为研究对象,对采集的土样进行除杂、过筛、烘干后加入一定量重金属溶液制备不同含水量不同重金属的样本进行检测。对实验中异常数据计算了马氏距离和进行NJW聚类予以剔除,分析了土壤含水量对土壤重金属光谱的影响,结果表明不同含水量间光谱重复性差,随着土壤含水量的增加光谱强度呈非线性降低。采用Savitzky-Golay卷积平滑去噪法和线性本底法对光谱进行预处理,以解决因环境、仪器本身带来的噪声和基线漂移等问题。然后针对于土壤含水量这一主要干扰,采用非负矩阵分解算法进行处理,并使用峰值信噪比这一评价模型确定端元数目,结果表明当端元数目增至10时峰值信噪比趋于稳定波动很小,非负矩阵分解处理后相同重金属含量不同含水量间光谱重复性好、相似性好,并计算了光谱间的相关系数进一步证明了光谱间的相似性。去除含水量对于光谱干扰后建立了偏最小二乘法预测模型,为了验证预测模型的精度,建立了未去除含水量的偏最小二乘法预测模型和使用外部参数正交化法去除含水量建立的偏最小二乘法预测模型,并使用评价参数决定系数(R2)、交叉验证均方根误差(RMSECV)、平均绝对误差(MAE)和相对分析误差(RPD)进行评价。验证结果表明,相比较未去除含水量建立的模型,使用非负矩阵分解去除含水量建立的偏最小二乘法模型R2和RPD分别提高了0.019 7和1.029 2,RMSECV和MAE分别降低了2.386 3和1.439 6;相对于外部参数正交化法建立的偏最小二乘法模型,R2和RPD分别提高了0.009 9和0.108 1,RMSECV和MAE分别降低了0.244 7和0.356 6,说明了经过非负矩阵分解去噪后建立的模型有效提高了预测的精度和鲁棒性。非负矩阵分解可以有效消除土壤含水量对光谱的影响,在此基础上建立的偏最小二乘法模型实现了土壤重金属含量的反演,为重金属定量检测提供了一定的技术支持。     

一种利用地物散射特性进行后续类别调整的极化SAR影像分类方法

针对常规极化SAR影像监督分类在分类时由于极化信息利用不完全,导致分类结果不可信的缺陷,在分析地物极化散射特性的基础上,提出一种结合复Wishart分类器思想的极化SAR监督分类方法,在监督分类的基础上,利用几乎包含所有极化信息的相干矩阵进行后续分类,利用地物所有极化散射信息完成类别的划分。首先,利用Cloude&Pottier极化特征组合对影像进行监督分类,获得初始类别划分结果;为纠正监督分类时仅利用特征矢量的空间分布特性进行类别划分导致的错误,对监督分类结果精度评价及研究区地物散射相似性分析,综合确定初始分类结果中分类效果较差、待后续调整类别的像素集;然后以各类别的相干矩阵均值为初始聚类中心,利用核模糊C均值算法,结合相干矩阵的复Wishart分布特性,对待修正的像素集进行后续类别迭代调整,获得精细分类结果。采用国产X-SAR获取的海南陵水地区的全极化SAR影像进行分类试验,结果表明：提出的对极化SAR影像监督分类后利用地物散射特性相似性对错分像素重新进行聚类调整类别的方法,与仅进行监督分类相比,分类结果总体精度更高,也更满足地物的散射特性。     

多类运动想象脑电信号特征提取与分类

针对多类运动想象情况下存在的脑电信号识别正确率比较低的问题,提出了一种将小波包方差,小波包熵和共同空间模式相结合的脑电信号特征提取,输入到支持向量机达到分类目的。首先选择小波包去噪后重要导联的脑电信号,进行小波包分解;然后对通道优化选取的重要导联的每个通道信号计算方差和熵值,对重要导联的每个通道信号的子带系数进行重构后,进行共同空间模式特征提取;最后结合2种不同导联方式所获取的特征向量进行分类。采用BCI2005desc_IIIa中l1b数据,该算法的分类正确率最高达到88.75%,相对2种单一的提取方法分别提高28.27%和6.55%。结果表明该算法能够有效提取特征向量,进而改善多类识别正确率较低的问题。     

基于谱聚类与类间可分性因子的高光谱波段选择

随着遥感技术和成像光谱仪的发展,高光谱遥感图像的分辨率不断提高,其庞大的数据量在提高其遥感探测能力的同时,也给分析和处理带来了很大的困难。高光谱波段选择可以有效减少数据冗余,提高分类识别精度和处理效率。因此如何从多达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是亟待解决的问题。针对上述问题,采用基于图论的谱聚类算法,将原始高光谱图像中的波段作为待聚类的数据点,利用互信息描述两两波段间的相似度,生成相似度矩阵。再根据图谱划分理论,将相似度矩阵生成的非规范化图拉普拉斯矩阵进行谱分解,得到类间相似度小且类内相似度大的类簇;然后根据地物类型计算各波段的类间可分性因子,将其作为类簇内进一步选择代表性波段的参考指标,达到降维的目的;最后通过支持向量机与最小距离分类方法对波段选择后的图像分类。该方法区别于传统的无监督聚类方法,采用基于图论的谱聚类算法,并根据先验知识计算类间可分性因子来选择波段。通过与自适应波段选择算法和基于自动子空间划分的波段指数算法的对比实验,结果表明：两组实验当聚类数目达到相对最佳时,该波段选择方法支持向量机图像总分类精度达到94.08%和94.24%以上,最小距离分类图像总分类精度达到87.98%和89.09%以上,有效保留了光谱信息,提高了分类精度。     

TCVQ-SVM algorithm for narrowband spectrum sensing

Spectrum sensing is viewed as the basic and crucial technology for cognitive radio. To improve the accuracy of spectrum sensing in low signal to noise ratio (SNR), this paper presents an efficient TCVQ-SVM method based on machine learning for narrowband spectrum sensing. Firstly, trace of covariance matrix and variance of quadratic covariance matrix (TCVQ) is extracted as feature vectors and combined as training samples of spectrum sensing. Then, the classification model can be achieved by training samples based on support vector machine (SVM), which can avoid setting threshold and adjusting classification hyperplane by its self-learning ability. Lastly, the result of spectrum sensing can be obtained. By utilizing trace and variance as input features of SVM, the algorithm can make full use of the eigenvalue difference and structure characteristic of the received signal, and at the same time, achieve good performance in low SNR. Theoretical analysis reveals that the proposed method has low computational complexity. Simulation results and experiments on the hardware platform illustrate that the proposed algorithm is effective and robust.