基于稀疏表示和学习图正则的高光谱图像特征提取

针对传统局部特征提取算法难以确定邻域参数,以及仅考虑数据间的单一结构而漏掉重要信息的问题,提出一种基于稀疏表示和学习图正则的局部判别与全局稀疏保持投影算法。该算法首先对稀疏表示模型施加基于学习的图正则器,用该改进的稀疏表示模型自适应揭示样本数据间的局部线性结构,通过局部判别模型全局集成算法来提取局部线性结构中的判别信息;利用基于学习图正则稀疏表示模型构建的新型稀疏图来揭示数据间的全局稀疏结构;使得数据的局部判别结构和全局稀疏结构在低维特征空间得以保持。通过1-近邻和支持向量机分类器对实验结果进行评估,在PaviaU和Indian Pines两个高光谱公共数据集上的实验显示,提出的局部判别与全局稀疏保持投影算法较对比算法取得了最好的性能,由于提取了全局和局部的判别信息,有效提升了高光谱图像的地物分类精度。     

基于长短时记忆神经网络的能谱核素识别方法

针对新兴的能谱核素识别方法在混合放射性核素的噪声环境中存在识别速度慢、准确率较低等问题,提出了基于长短时记忆神经网络（LSTM）的能谱核素识别方法。实验使用溴化镧（LaBr₃）晶体探测器,分别对环境中⁶⁰Co、¹³⁷Cs放射性源分组测量得到能谱数据集,首先使用数据平滑方法和归一化方法进行数据预处理,然后将能谱数据按时间序列分组以获得可用的输入序列数组,最后训练LSTM模型得到预测结果。通过基于BP神经网络和卷积神经网络（CNN）的两个能谱识别模型进行对比,得到在测试集中平均识别率分别为83.45%和86.21%,而LSTM能谱识别模型平均识别率为93.04%,实验结果表明,该能谱模型在核素识别效果中表现较好,可用于快速的能谱核素识别设备上。     

冲击声的稀疏特征提取及声源类型识别

针对低信噪比下声源材料类型的细分任务,将稀疏表达用于冲击声信号的声源类型识别,提取的稀疏特征相比传统的MFCC特征有效改善了识别性能。分别基于3种预定义词典和一组根据训练信号学习的词典,利用正交匹配追踪(OMP)方法对录制冲击声进行稀疏表达,提取稀疏特征用于不同信噪比下冲击声信号的声源辨识,并与MFCC特征进行比较。对包含12类材料的冲击声数据库的分类结果显示,在几乎所有情况下,稀疏特征比MFCC特征具有更好的识别效果。特别是在信噪比较低的情况下,稀疏特征具有更好的抗噪性能。     

基于可见-近红外光谱与稀疏表示的注水肉识别

为了能快速准确的识别原料肉与注水肉, 提出了一种基于可见-近红外光谱和稀疏表示的无损的识别方法。通过向猪肉样本(包括猪皮、脂肪层和肌肉层)注水的方法建立注水肉模型, 采集未注水的原料肉和6类不同注水量的注水肉的可见和近红外漫反射光谱数据。为了消除光谱数据中的冗余信息并提高分类效果, 对光谱数据进行光调制和归一化等预处理并截取有效波段, 根据是否注水以及注水量的多少对样本进行分类。用所有训练样本构成原子库(字典), 通过ｌ1最小化将测试样本表示为这些原子的最稀疏的线性组合。计算测试样本与各类的投影误差, 将最小投影误差对应的类作为测试样本的所属类别, 并应用留一法进行交叉检验, 比较了稀疏表示法与支持向量机的识别结果。实验结果表明, 利用稀疏表示法对于原料肉与注水肉的识别准确率可达到90%以上, 获得了较好的分类效果, 优于支持向量机的识别结果。而对于不同注水量的注水肉识别准确率与注水量之差正相关。稀疏方法不需要进行传统模式识别模型的前期学习与特征提取, 适用于高维、小样本量数据的处理, 计算成本低, 将其用于注水肉的光谱数据识别具有一定的创新性, 并取得了较满意的结果, 为原料肉和注水肉的无损识别提供了一种有效方法。     

基于可见-近红外光谱与稀疏表示的注水肉识别

为了能快速准确的识别原料肉与注水肉,提出了一种基于可见-近红外光谱和稀疏表示的无损的识别方法。通过向猪肉样本(包括猪皮、脂肪层和肌肉层)注水的方法建立注水肉模型,采集未注水的原料肉和6类不同注水量的注水肉的可见和近红外漫反射光谱数据。为了消除光谱数据中的冗余信息并提高分类效果,对光谱数据进行光调制和归一化等预处理并截取有效波段,根据是否注水以及注水量的多少对样本进行分类。用所有训练样本构成原子库(字典),通过ｌ1最小化将测试样本表示为这些原子的最稀疏的线性组合。计算测试样本与各类的投影误差,将最小投影误差对应的类作为测试样本的所属类别,并应用留一法进行交叉检验,比较了稀疏表示法与支持向量机的识别结果。实验结果表明,利用稀疏表示法对于原料肉与注水肉的识别准确率可达到90%以上,获得了较好的分类效果,优于支持向量机的识别结果。而对于不同注水量的注水肉识别准确率与注水量之差正相关。稀疏方法不需要进行传统模式识别模型的前期学习与特征提取,适用于高维、小样本量数据的处理,计算成本低,将其用于注水肉的光谱数据识别具有一定的创新性,并取得了较满意的结果,为原料肉和注水肉的无损识别提供了一种有效方法。     

基于双向稀疏表示的鲁棒目标跟踪算法

目前,基于稀疏表示的目标跟踪通常为在目标模板集上重构候选样本的正向模型或者在候选样本集上描述目标模板的反向模型.两个模型的共同点是均需计算候选样本与模板集合之间的稀疏相关系数矩阵.基于此,建立了一个双向联合稀疏表示的跟踪模型,该模型通过L2范数约束正反向稀疏相关系数矩阵达到一致收敛.与之前的单向稀疏表示模型相比,双向稀疏表示跟踪模型在正反向联合求解框架下可以更加充分地挖掘所有候选样本与模板集之间的稀疏映射关系,并将稀疏映射表上对正负模板区分度最好的候选样本作为目标.基于加速逼近梯度(accelerated proximal gradient)快速算法,以矩阵形式推导了双向稀疏表示模型的求解框架,使得候选样本集和目标模板集均以矩阵方式并行求解,在一定程度上提高了计算效率.实验数据表明所提出的算法优于传统的单向稀疏表示目标跟踪算法.     

基于多特征和改进稀疏表示的高光谱图像分类

为了实现对高光谱图像的分类,提出了一种基于多特征和改进稀疏表示的方法——MFISR。从高光谱图像中提取光谱特征、Gabor特征和局部二值模式(LBP)特征,求解稀疏系数,同时增加一个2范式约束,利用所得系数得到每个测试像素的最终类别标签。实验结果表明:所提MFISR方法对小样本的检测效果显著,分类性能稳定且较优。     

航空物流传送设备中轴承故障稀疏特征提取

航空物流传送设备中的轴承由于长期受外侵灰尘影响,其内外环极易发生故障;利用计算机采集轴承的振动信号并进行故障特征提取是轴承故障诊断的常用方法;提出了基于稀疏分解的轴承故障特征提取方法;首先,分析轴承故障特征稀疏提取原理;然后,构造参数化Gabor字典,利用遗传算法对故障特征成分进行匹配追踪 (Matching Pursuit,简称MP),以峭度值最大原则作为迭代结束条件;最后,重构提取的特征成分,进行包络谱分析,得出故障类型;对仿真数据和轴承振动数据的测试结果表明,所提方法能有效提取轴承故障特征成分,为航空物流传送设备中轴承的故障监测提供了一种有效方法。     

基于颜色模型和稀疏表示的图像型火焰探测

常用的图像型火焰探测算法是提取火焰在图像上表现出的单个特征信息或其有效组合作为识别的依据,需要大量的训练样本进行学习与参量优化,且识别率对特征选择的要求也很高.本文从火焰的整体特征考虑,提出了基于颜色模型和稀疏表示模型相结合的图像型火灾探测方法.首先在HIS空间建立颜色模型对火灾图像进行预处理提取出疑似区域,建立稀疏表...     

基于稀疏表示的可见光遥感图像飞机检测算法

为解决当前遥感图像飞机检测方法在复杂背景下准确率低,实现旋转不变困难的问题,结合图像稀疏表示原理,提出一种基于稀疏表示的飞机检测算法.该算法首先利用飞机是刚性目标且具有明显几何外观的特点,构建飞机几何原子库;然后建立飞机轮廓几何逼近的最优化方程,在稀疏表示原理框架下,得到飞机轮廓最优的几何部件组合;最后,以星型结构的部件模型为框架,生成待检测图像的目标显著图并根据显著图定位出飞机.实验结果表明,稀疏表示方法能自适应选取飞机部件,部件数目较少且不易受光照、颜色和复杂背景的影响.与现有算法相比,本文算法准确率达90%以上,检测速度有较大的提高.     

基于字典学习和稀疏表示的单通道语音增强算法综述*

如何从带噪语音信号中恢复出干净的语音信号一直都是信号处理领域的热点问题。近年来研究者相继提出了一些基于字典学习和稀疏表示的单通道语音增强算法,这些算法利用语音信号在时频域上的稀疏特性,通过学习训练数据样本的结构特征和规律来构造相应的字典,再对带噪语音信号进行投影以估计出干净语音信号。针对训练样本与测试数据不匹配的情况,有监督类的非负矩阵分解方法与基于统计模型的传统语音增强方法相结合,在增强阶段对语音字典和噪声字典进行更新,从而估计出干净语音信号。本文首先介绍了单通道情况下语音增强的信号模型,然后对4种典型的增强方法进行了阐述,最后对未来可能的研究热点进行了展望。     

加筋板材料辨识的导纳特征表达与冲击声特征提取

以表征物理属性的导纳特征为中间量,提取与加筋板材料属性有关的冲击声特征。先用相关分析方法获得金属加筋板物理属性的导纳特征表达以及导纳特征与冲击声特征之间的联系,间接得到表征声源物理属性的冲击声特征,然后通过支持向量机分类器验证不同特征在金属加筋板材料分类辨识中的性能。结果表明,所得的4组冲击声特征能准确识别出不同的材料,单个特征的识别率与对应材料属性的可分程度有关,理想冲击声声特征比音色特征的平均识别率更高。由此可见,利用导纳特征提取与材料属性相关冲击声特征的方法是有效的,且所提的特征能够很好的反映声源材料属性。     

基于稀疏表示和特征加权的离格双耳声源定位*

基于头相关传递函数数据库的传统双耳声源定位方法的定位角度往往被限定在头相关传递函数数据库的离散测量点上。当头相关传递函数数据库的测量方位角间隔较大时,这类算法的性能会显著下降,这就是典型的离格问题。该文提出了基于加权宽带稀疏贝叶斯学习的离格双耳声源定位算法。首先该算法建立离格双耳信号的稀疏表示模型,然后利用双耳相干与扩散能量比特征对各个频点进行加权以降低噪声和混响的影响,最后通过加权宽带稀疏贝叶斯学习方法估计离格声源的方位角。实验结果表明,该算法在各种复杂的声学环境下都有着较高的定位精度和鲁棒性,特别是提高了离格条件下的声源定位性能。     

粒子区别性稀疏表征的小弱运动目标跟踪算法

评估每个粒子的重要性是确保粒子滤波法跟踪目标准确性的重要因素。针对背景杂波和噪声干扰形成的大量虚警导致小弱目标跟踪识别的随机性和不确定性问题, 提出了一种基于粒子区别性稀疏表征的小弱目标跟踪方法。该方法根据红外图像信号自适应构建分类超完备字典, 即反映目标信号特征的目标字典和表示背景杂波的背景字典, 有利于突出目标粒子和背景粒子在联合分类字典的稀疏表征差异程度;建立基于目标粒子和背景粒子稀疏重构残差差异性的粒子滤波观测模型, 采用随机估计法对字典子空间进行在线更新, 实现对目标状态估计与跟踪。理论分析和试验结果表明, 该方法增强了随机粒子的状态估计能力, 提升了粒子稀疏表征对小弱运动目标的适应能力和跟踪识别准确度。     

Filtering noisy chaotic signal via sparse representation based on random frame dictionary

The denoising problem of impure chaotic signals is addressed in this paper. A method based on sparse representation is proposed, in which the random frame dictionary is generated by a chaotic random search algorithm. The numerical simulation shows the proposed algorithm outperforms those recently reported alternative denoising methods.     

卷积稀疏表示图像融合与超分辨率联合实现

为避免图像融合与超分辨率分步实现的不足,提出了基于卷积稀疏表示的融合与超分辨率重建联合实现方法。假设低分辨率与高分辨率图像之间具有相同的稀疏特征图,设计了一种高、低分辨率滤波器联合学习框架,实现对图像高低频成分的分离,并根据不同成分的形态特性设计了不同的融合规则:对于高频成分,根据稀疏特征图亮度信息和像素活跃性水平,设计了一种像素显著性度量方案来指导高频特征图的融合;对于低频成分,根据脉冲耦合神经网络能捕获邻域相似像素点火的特性,设计了低频成分融合方法。所提方法不需要将图像分割成重叠的块,避免块向量化的缺陷。实验结果表明,能有效提高图像融合的质量。     

基于流形学习的声目标特征提取方法研究

为解决目前声目标识别面临的鲁棒性不足问题,提出将流形学习应用到声目标的特征提取中,在经典流形学习算法的基础上,研究讨论了目标声信号频域中存在的低维流形,通过两种实际的地面和低空飞行声目标数据集进行对比识别实验,分析了基于流形学习的声目标特征提取方法的性能,结果表明基于流形学习的特征提取方法可以发现声信号的本质特征,提高了声目标识别系统的准确性和鲁棒性. 关键词： 声目标识别 特征提取 流形学习     

NIRS feature extraction based on deep auto-encoder neural network

As a secondary analysis method, Near Infrared Spectroscopy (NIRS) needs an effective feature extraction method to improve the model performance. Deep auto-encoder (DAE) can build up an adaptive multilayer encoder network to transform the high-dimensional data into a low-dimensional code with both linear and nonlinear feature combinations. To evaluate its capability, we experimented on the spectra data obtained from different categories of cigarette with the method of DAE, and compared with the principal component analysis (PCA). The results showed that the DAE can extract more nonlinear features to characterize cigarette quality. In addition, the DAE also got the linear distribution of cigarette quality by its nonlinear transformation of features. Finally, we employed k-Nearest Neighbor (kNN) to classify different categories of cigarette with the features extracted by the linear transformation methods as PCA and wavelet transform-principal component analysis (WT-PCA), and the nonlinear transformation methods as DAE and isometric mapping (ISOMAP). The results showed that the pattern recognition mode built on features extracted by DAE was provided with more validity.