本文選題：振動信號 + 改進字典學習��； 參考：《儀器儀表學報》2017年03期

【摘要】：針對強噪聲環(huán)境下難以有效提取微弱振動信號特征的問題,提出了基于改進字典學習和移不變分量過濾(IDL-SICF)的稀疏編碼振動信號特征提取算法。首先,將振動信號進行分段和平滑預處理以降低數(shù)據(jù)處理復雜度,接著利用改進的字典學習和高效系數(shù)求解算法構(gòu)建基于移不變稀疏編碼的自適應濾波器,然后過濾字典原子重構(gòu)的移不變分量以獲得表征信號本質(zhì)特征的最優(yōu)基函數(shù),取最優(yōu)基函數(shù)對應的移不變分量的特征頻率強度作為評價信號特征提取效果的優(yōu)劣。仿真和實測數(shù)據(jù)的試驗結(jié)果表明,相比于現(xiàn)有微弱振動信號提取算法,提出的算法具有更強的特征提取能力,在實際應用中具有較高的可行性。
[Abstract]:In order to solve the problem that it is difficult to extract the feature of weak vibration signal effectively in strong noise environment, a sparse coded feature extraction algorithm based on improved dictionary learning and shift invariant component filtering (IDL-SICF) is proposed. Firstly, the vibration signal is preprocessed by segmenting and smoothing to reduce the complexity of data processing. Then, an adaptive filter based on shift invariant sparse coding is constructed by using the improved dictionary learning and efficient coefficient solving algorithm. Then the shift invariant component of dictionary atom is filtered to obtain the optimal basis function which characterizes the essential feature of the signal. The feature frequency intensity of the shift invariant component corresponding to the optimal basis function is taken as the evaluation of the advantages and disadvantages of the signal feature extraction effect. The experimental results of simulation and measured data show that compared with the existing weak vibration signal extraction algorithm, the proposed algorithm has a stronger feature extraction ability and is more feasible in practical application.
【作者單位】： 海軍航空工程學院青島校區(qū);
【基金】：國家自然科學基金(51505491)項目資助
【分類號】：TN911.7

【相似文獻】

相關(guān)期刊論文 前10條

1 晁永國;戴芳;韓舒然;何靜;;改進的非負稀疏編碼圖像基學習算法[J];計算機工程與科學;2010年01期

2 謝堯芳;蘇松志;李紹滋;;基于稀疏編碼的遷移學習及其在行人檢測中的應用[J];廈門大學學報(自然科學版);2010年02期

3 郎利影;夏飛佳;;人臉識別中的零范數(shù)稀疏編碼[J];應用科學學報;2012年03期

4 程東陽;蔣興浩;孫錟鋒;;基于稀疏編碼和多核學習的圖像分類算法[J];上海交通大學學報;2012年11期

5 鄒柏賢;苗軍;;自然圖像稀疏編碼模型研究綜述[J];鄭州大學學報(工學版);2013年03期

6 劉偉鋒;劉紅麗;王延江;;基于多分離部件稀疏編碼的人臉圖像分析[J];模式識別與人工智能;2013年11期

7 張抒;蔡勇;解梅;;基于局部區(qū)域稀疏編碼的人臉檢測[J];軟件學報;2013年11期

8 單桂軍;廖建鋒;;最大似然稀疏編碼在人臉識別中的研究[J];電視技術(shù);2013年23期

9 王瑞霞;彭國華;鄭紅嬋;;拉普拉斯稀疏編碼的圖像檢索算法[J];計算機科學;2014年08期

10 錢樂樂;高雋;謝昭;;一種融合神經(jīng)稀疏編碼機制的層次目標識別算法[J];中國圖象圖形學報;2010年10期

相關(guān)會議論文 前3條

1 尚麗;;使用正態(tài)可逆高斯密度模型的非負稀疏編碼收縮技術(shù)實現(xiàn)圖像消噪[A];蘇州市自然科學優(yōu)秀學術(shù)論文匯編(2008-2009)[C];2010年

2 劉揚;程健;盧漢清;;基于目標局部特征的遷移式學習[A];第十四屆全國圖象圖形學學術(shù)會議論文集[C];2008年

3 張瑩瑩;梁培基;;視網(wǎng)膜神經(jīng)元的高效信息處理[A];第十一次中國生物物理學術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

相關(guān)博士學位論文 前10條

1 唐海峰;基于信號稀疏表征的故障診斷方法研究[D];上海交通大學;2014年

2 孫宇平;基于稀疏表征和自相似性的視覺數(shù)據(jù)識別關(guān)鍵技術(shù)及應用[D];華南理工大學;2015年

3 徐平華;基于稀疏編碼的多視域織物外觀平整度表征與評級[D];東華大學;2016年

4 呂京磊;基于功能磁共振成像的大腦架構(gòu)表達的研究[D];西北工業(yè)大學;2016年

5 李清勇;視覺感知的稀疏編碼理論及其應用研究[D];中國科學院研究生院（計算技術(shù)研究所）;2006年

6 季昊;稀疏編碼研究及其在模式識別中的應用[D];北京郵電大學;2012年

7 孫俊;人臉圖像分析和識別方法研究[D];清華大學;2001年

8 朱秋平;基于稀疏編碼的織物瑕疵檢測算法研究[D];武漢大學;2014年

9 羅敏楠;T-S模糊推理系統(tǒng)的結(jié)構(gòu)稀疏編碼辨識理論與方法[D];清華大學;2014年

10 謝錦生;基于動態(tài)感知與異常注意的目標描述方法研究[D];中國科學技術(shù)大學;2012年

相關(guān)碩士學位論文 前10條

1 柏文強;基于局部特征提取和稀疏編碼的人臉識別算法研究[D];燕山大學;2015年

2 李明;目標檢測與識別算法研究與應用[D];中央民族大學;2015年

3 許濤;面向視頻管理的指紋特征提取技術(shù)研究[D];電子科技大學;2015年

4 鮑珍珍;基于多路分層稀疏編碼的遙感圖像場景分類[D];西安電子科技大學;2014年

5 覃曉冰;基于稀疏編碼的語音去噪技術(shù)研究[D];電子科技大學;2015年

6 謝易道;大規(guī)模人臉圖像編碼及其在人臉驗證中的應用研究[D];電子科技大學;2015年

7 勾珍珍;基于空間約束和稀疏編碼的高光譜圖像分類[D];西安電子科技大學;2014年

8 黃成;基于非負稀疏編碼的視頻拷貝檢測方法研究[D];湘潭大學;2015年

9 張文義;基于智能監(jiān)控系統(tǒng)的圖像質(zhì)量增強算法的研究[D];南京郵電大學;2015年

10 丁文秀;基于分層深度學習的行人分類方法研究[D];合肥工業(yè)大學;2015年

，

本文編號：1787268