含稀疏度约束的非负张量分解算法及其在故障诊断中的应用(英文)

针对双谱分析在应用于机械设备故障诊断过程中面临的问题,提出了含有稀疏度约束的非负张量分解算法及基于此的二次故障特征提取方法.首先,改进已有的非负张量分解算法,加入稀疏度控制策略;其次,将机械振动信号的双谱图像堆叠为一个三阶张量;然后利用改进后的分解算法对该张量进行二次故障特征提取,得到代表局部特征的"基图像";最后,通过计算得出基图像在构成原双谱图像中所占的权重,并将得到的权重向量用于故障分类.将该方法应用于齿轮箱故障诊断的结果表明,从齿轮箱振动信号的双谱中提取出来的二次特征不仅能够反映出系统中存在的一些非线性特征,而且二次特征与故障特征频率之间有直观的对应关系,从而为解释齿轮箱故障与对应双谱之间的关系提供了很大的方便.     

基于加权非负矩阵分解的非负张量分解算法

提出一种基于加权非负矩阵分解的非负张量分解算法.为了充分利用图像本身的结构信息与内在几何结构,首先根据图像类别构造权值矩阵,把图像集合构造成三阶张量,然后,针对该三阶张量利用张量几何运算与非负矩阵分解得到非负张量分解算法的初值,最后实现图像的分类.实验结果表明该算法应用于手写数字图像库中能有效改善图像分类的准确性.     

基于Lanczos算法的对称非负矩阵分解初始化方法

为提高对称非负矩阵分解算法的效率,提出了一种基于Lanczos三角化的对称非负矩阵分解初始化方法。该方法可与现有的对称非负矩阵分解算法相结合取得更高的效率.实验表明,现有的对称非负矩阵分解算法与文中提出的初始化方法相结合可以收敛到一个较优解.     

基于NMF初始化的非负双奇异值分解算法分析

随着大数据技术的发展,非负矩阵分解(NMF)日益成为目前最流行的模式识别方法之一,并广泛应用于文档聚类、图像处理、人脸识别、信号分析等多个领域。针对NMF中双因子矩阵的初始化问题,对非负双奇异值分解算法进行分析,数值实验表明该算法可以快速降低众多基于NMF衍生算法的近似误差。     

基于张量低秩和TV正则化的图像超分辨率重建

由于低秩先验能够有效地学习图像数据的冗余和数据的全局结构,因此低秩约束在矩阵填充中得到广泛应用。以往的研究表明,低秩约束对张量恢复具有显著影响,这些工作往往通过Tucker秩解决,然而Tucker秩不能捕获张量的内在相关性。提出一种新的基于张量链秩1（Tensor-Train Rank-1,TTR1）分解的逼近张量核范数的邻近算子。低秩约束能够很好地捕获数据的全局结构,但不能利用可视化数据的局部平滑性,因此提出将张量低秩和全变分（total variation,TV）正则化相结合的超分辨率（super-resolution, SR）重建方法,充分利用图像冗余性、全局结构信息和图像局部平滑性,实现图像的SR重建。实验结果表明,相比于Tucker低秩和TV正则化模型（LRTV_SR）,该方法在峰值信噪比指标上平均提高了0.2dB,充分验证了基于TTR1分解的张量低秩约束在超分辨率重建中更能保留彩色图像的全局结构特性。     

一个基于内容的图像检索系统的实现

文章实现了一个基于内容的图像检索系统.该系统引入了基于非负矩阵分解NMF(Non-nega-tive M atrix Factorization)相关反馈技术及局部线性嵌入(Locally L inear Embedd ing)图像特征降维方法.在由500幅图像组成的图像库上进行的实验,结果证明了该系统具有较好的查准率.     

基于低秩近似与非局部稀疏的图像去噪

基于低秩近似方法进行图像去噪逐渐成为图像处理领域研究的热点。将图像块分解成一个低秩矩阵和噪声矩阵,利用矩阵的秩来约束图像块的相似性,且现有的非局部稀疏表示算法利用图像块的自相似性进行去噪。鉴于此,提出低秩近似与非局部稀疏的图像去噪模型。该算法加强了图像分解的全局稀疏性约束,更好地保留了图像的细节和边缘信息。     

非负矩阵非负满秩分解的程序实现

利用欧几里得距离衡量非负矩阵非负满秩分解的近似度,将其转化为最小二乘法求最优问题。并用VC6.0与Lingo对算法进行程序实现,可以为非负矩阵分解应用研究提供一些参考。     

非负矩阵非负满秩分解的程序实现

利用欧几里得距离衡量非负矩阵非负满秩分解的近似度,将其转化为最小二乘法求最优问题。并用VC6.0与Lingo对算法进行程序实现,可以为非负矩阵分解应用研究提供一些参考。     

基于Hadoop的非负矩阵分解算法研究

大数据时代,对大规模数据的分析和处理提出了更高要求。非负矩阵分解作为一种高效方法被广泛应用于数据降维和特征提取,有效减少了大规模数据的复杂运算,但存在计算过程繁琐的弊端。将分布式平台Hadoop与非负矩阵分解有机结合,利用Hadoop处理大规模数据的并行能力与非负矩阵分解自身的数据降维特点,实现较高的加速比。这种方法能高效完成非负矩阵分解的迭代问题,提高算法的计算效率。     

自适应非负矩阵分解的人脸识别方法研究

在单样本或者小样本的人脸识别系统中,常常会面临样本数量不足的问题,为解决少样本情况下的分类精度,以及利用原始特征或者目标特点重构的虚拟样本过于单一等问题,提出一种自适应非负矩阵分解（NMF）的人脸识别方法。该方法首先在矩阵分解过程中构造不同矩阵维度和迭代次数参数下的重构样本;然后利用QR分解稀疏表示方法进行人脸分类;最后,通过选取最优参数组合,调整重构样本,直至达到最佳分类效果。在ORL、Yale和AR 3个数据库上的实验结果表明,该算法在最佳参数下,尤其是单样本情况下对比基于原样本方法的准确率平均提高了约5%,最高提高了约10%～15%。     

Application of Improved LMD,SVD Technique and RVM to Fault Diagnosis of Diesel Valve Trains

Targeting the non-stationary characteristics of diesel engine vibration signals and the limitations of singular value decomposition(SVD) technique, a new method based on improved local mean decomposition(LMD), SVD technique and relevance vector machine(RVM) was proposed for the identification of diesel valve fault in this study. Firstly, the vibration signals were acquired through the vibration sensors installed on the cylinder head in one normal state and four fault states of valve trains. Secondly, an improved LMD method was used to decompose the non-stationary signals into a set of stationary product functions(PF), from which the initial feature vector matrices can be formed automatically. Then, the singular values were obtained by applying the SVD technique to the initial feature vector matrixes. Finally, slant binary tree and sort separability criterion were combined to determine the structure of multi-class RVM, and the singular values were regarded as the fault feature vectors of RVM in the identification of fault types of diesel valve clearance. The experimental results showed that the proposed fault diagnosis method can effectively extract the features of diesel valve clearance and identify the diesel valve fault accurately.     

ICA-R算法在旋转机械故障信号提取中的应用

能否有效地提取故障信号的特征是对旋转机械进行故障诊断准确与否的关键所在。本文在介绍独立分量分析方法的基础上研究了基于参考信号的独立分量分析（ICA-R）算法,首先针对轴承与齿轮两类典型的旋转机械故障信号进行仿真,然后模拟出四路观测信号,同时根据先验知识建立参考信号,最后运用ICA-R算法对观测信号进行特征提取,并与仿真的故障信号进行对比分析。结果证明,ICA-R算法在旋转机械故障信号的特征提取中具有很强的优势,可实现弱故障信号的有效提取。     

基于图像矩阵变换的PCA及人脸自动识别

在图像主分量分析的基础上,提出了一种基于图像矩阵变换的主分量分析方法．该方法首先对图像矩阵进行适当的变换,用得到的新的图像矩阵构造图像总体散布矩阵后,再运用图像投影主分量分析进行特征抽取．该方法在ORL标准人脸库上的试验结果表明,经过适当的变换后抽取的鉴别特征在识别性能和速率上均优于单纯的图像主分量分析方法．另外,在AR人脸库上的试验结果也表明该方法对光照变化具有较强的鲁棒性．     

基于核密度估计聚类和关联规则的医学图像分类

基于数据挖掘的医学图像分类方法研究是多媒体数据挖掘的一个重要组成部分。在分析和总结了现有各种特征提取方法的基础上，提出了基于核密度估计聚类和关联规则的医学图像分类算法和关联规则的医学图像分类器框架。该算法先用核密度估计的聚类算法实现医学图像的聚类，在聚类的结果上提取局部特征，在局部特征上用关联规则实现医学图像的分类。实验结果表明可以较好的提高医学图像分类的准确率。     

基于多重线性非参数化特征提取算法的人脸识别技术

针对人脸识别技术的特征提取方法存在不准确等问题,提出了基于张量空间模型的多重非参数化特征提取算法,给出了算法的基本原理,最后通过在ORL标准人脸数据库上的实验结果,验证了MNFA方法要明显优于MDA方法．     

一种局部频域分析的多尺度纹理特征提取方法

在局部二进制模型和多分辨率分析的基础上,提出一种基于局部频域分析的多尺度纹理特征提取方法。对纹理图像采用局部圆形邻域作为局部模板进行局部频率变换,对各频段图像实现多分辨率分析,提取多尺度下的特征向量,结合SVM算法进行分类实验。结果证明,该方法在继承了LBP对光照因素具有的稳定性的同时,具有旋转不变性特征;利用NSCT在多尺度下进行的纹理特征提取也满足尺度不变性的需要,与其他方法相比提高了分类准确率。     

基于多尺度局部特征融合的手指静脉识别方法

针对目前手指静脉识别算法中的局部特征提取算法在信息量上利用不充分、特征不够稳定以及静脉结构不够突出等问题,提出一种基于多尺度局部特征融合的手指静脉识别方法.首先对图像进行归一化及自适应直方图均衡(CLAHE)处理,然后应用多尺度方向模板提取一阶局部静脉方向特征,之后在方向特征基础上计算局部均值二值算子(MLBP),得到...     

基于 Stacking 的雷达伺服系统故障诊断

为了提高南京某所某型雷达伺服系统故障诊断准确率,考虑到传统故障诊断算法的局限性,提出一种基于 Stacking 集成算法的雷达伺服系统故障诊断方法。针对某所某型雷达伺服系统的历史监测数据,首先采用孤立森林算法识别异常样本|然后基于原始数据构造出新的特征,使用卡方检验进行特征选择,并使用SMOTE 算法解决样本不平衡问题|最后,通过建立一种新颖、准确的基于 XGBoost、随机森林和 BP 神经网络的Stacking 集成模型进行故障诊断。实验结果表明,该方法在测试集上的诊断准确率达到了 96.2%,比传统方法诊断准确率提高了 1.8%,证明该方法能够很好地完成雷达伺服系统故障诊断任务。