K-SVD

摘要： 针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优IMF分量与KSVD字典学习相结合的轴承故障特征提取方法。首先,利用VMD分解原始信号获得一系列IMF分量;其次,利用SAF指标自适应选取最优IMF分量,并作为训练信号;最后,利用KSVD字典学习方法训练出字典库,通过正交匹配追踪算法(OMP)对原始信号处理得到稀疏信号,并对稀疏信号进行包络谱分析。仿真及实验结果表明,对比传统KSVD字典学习方法,该方法得到的稀疏信号信噪比(SNR)更高,能更准确地提取滚动轴承周期性冲击,增强了轴承故障特征。

摘要： 针对经典K-均值奇异值分解(K-means Singular Value Decomposition,K-SVD)易受噪声干扰产生虚假原子,导致信号稀疏不彻底、故障特征识别困难的问题,提出基于麻雀算法优化变分模态分解(Variational Modal Decomposition,VMD)参数联合K-SVD的滚动轴承故障诊断方法。首先引入包络熵适应度函数指标并基于麻雀算法优化VMD的模态层数k和平衡因子α。其次利用平方包络谱峭度指标遴选最优模态,以所选模态分量相空间构造Hankel矩阵进行K-SVD字典学习。最后对恢复至时间序列的稀疏重构信号进行包络解调,提取轴承故障特征频率。通过轴承故障仿真信号和全寿命实验信号进行验证,证明相较于经典K-SVD算法,所提方法在低信噪比条件下在轴承故障特征提取方面具有优势,有一定的工程应用价值。

摘要： 新一代能源互联网的数据采集须具有实时性、同步性和准确性。文章从同域采样与压缩采样结合的全新角度,提出一种可应用于新一代能源互联网的基于压缩感知的数据采集新方法。该方法在数据采集流程中,充分利用了压缩感知的同域空间投影和压缩信息测量的优势,并结合新一代能源互联网的数据特征,在KSVD(K-Singular Value Decomposition)字典学习算法的基础上,实现采集方法的数据稀疏化处理和数据传输处理。实验结果表明,所提方法具有优秀的数据传输量和重构精度,满足新一代能源互联网数据采集的应用要求。

摘要： 针对遥感图像中常见的噪声污染问题,文章研究基于字典学习和稀疏表示的去噪方法,首先介绍了K-SVD字典学习和正交匹配追踪(OMP)稀疏重建方法。将所提方法应用到加性高斯噪声的退化图像复原中,并用峰值信噪比(PSNR)和结构相似度(SSIM)两个参数进行量化对比,实验结果显示,文章方法在视觉和量化指标上都取得了良好的去噪效果。

摘要： 针对短期风电功率预测,提出一种基于稀疏表示特征提取的建模方法.为了构建预测模型,将历史风电功率数据构成具有时延的输入-输出数据对,将时延输入数据向量作为初始字典,由K-均值奇异值分解(K-SVD)算法将其进行稀疏分解与变换至稀疏域以得到学习后的字典,由正交匹配追踪(OMP)算法获取相应的稀疏编码向量,再将该向量作为极限学习机(ELM)或支持向量机(SVM)的输入来构建全局回归模型.为了验证所提出的方法的有效性,将所提出的方法用于短期风电功率预测中,在同等条件下与单一SVM、ELM方法和非字典学习的其他稀疏表示建模方法进行了比较.实验结果表明,不同的稀疏表示建模方法均能取得很好的预测效果,其中所提出的方法具有更好的预测效果,显示出其有效性.

摘要： 通常将能够表征人脸图像特征的特征集称为字典,进而利用字典可以获得图像的稀疏表示.目前,字典主要分为两类,一种是隐性字典,例如wavelet等;另一种是通过机器学习从样本中获取字典,可通过一种显性矩阵表示,例如K-SVD等.本文主要研究了K-SVD(Kernel-Singular Value Decomposition)字典学习算法,该算法适用性强,常与OMP算法结合使用.实验结果显示,该算法具有很好的收敛性以及较高的正确率.

摘要： 由于浅海环境下的噪声严重且复杂,水听器得到的接收信号往往很大程度被噪声干扰,具有较低的信噪比,导致水声信号处理难度大等问题.针对此问题,为了更有效地去除有用信号中的海洋噪声,采用基于稀疏分解和字典学习的去噪方法.首先随机构造完备离散余弦变换(discrete cosine trans-form,DCT)字典,之后使用正交匹配追踪算法(orthogonal matching pursuit,OMP)对含噪水声信号进行稀疏表示以及通过K-奇异值分解算法(K-singular value decomposition,K-SVD)对完备DCT字典循环训练更新;根据更新后得到的新字典与稀疏系数完成对水声信号的重构并去除海洋噪声.通过对不同海况即不同信噪比下的仿真信号进行去噪处理,结果表明该方法可以有效去除混在水声信号中的各种噪声,且在去噪的同时可以保留信号细节,信噪比增益可达到20 dB左右.

摘要： 在图像的传递、形成和保存的过程中往往会受到外界因素的影响。稀疏表示是通过图像原子的信号组合来重现图像信号,而这些原子源自一个过完备冗余字典。字典的形成有两种方法,一种是设计字典来适应模型,另一种是使字典适应一组训练信号,以实现稀疏信号的表示。K-SVD算法是一种迭代方法,它在基于当前字典的列的稀疏编码和更新字典原子以更好地适应数据的过程中交替进行。本文在正则化K-SVD (即RK-SVD)算法基础上,通过改进了RK-SVD算法模型中计算误差项,使得改进的RK-SVD算法对数据的处理更加的准确,并且有效的阻止模型过拟合和欠拟合的发生。最后在实验的基础上,比较了改进后的RK-SVD算法的有效性。

摘要： Many different effective reflection information are often contaminated by exterior and random noise which concealed in the seismic data.Traditional single or fixed transform is not suit for exploiting their complicated characteristics and attenuating the noise.Recent years,a novel method so-called morphological component analysis(MCA)is put forward to separate different geometrical components by amalgamating several irrelevance transforms.According to study the local singular and smooth linear components characteristics of seismic data,we propose a method of suppressing noise by integrating with the advantages of adaptive K-singular value decomposition(K-SVD)and wave atom dictionaries to depict the morphological features diversity of seismic signals.Numerical results indicate that our method can dramatically suppress the undesired noises,preserve the information of geologic body and geological structure and improve the signal-to-noise ratio of the data.We also demonstrate the superior performance of this approach by comparing with other novel dictionaries such as discrete cosine transform(DCT),undecimated discrete wavelet transform(UDWT),or curvelet transform,etc.This algorithm provides new ideas for data processing to advance quality and signal-to-noise ratio of seismic data.

摘要： 为有效去除红外图像噪声,提高装备红外目标识别能力,本文利用图像稀疏表示理论,提出一种基于离散余弦变换(DCT)冗余字典学习的红外图像去噪方法.实验结果表明:利用本方法去噪后的红外图像,不仅具有较高的信噪比,而且达到很好的视觉效果,相较于小波阈值去噪方法和全变差(TV)去噪方法有明显的改善,能够提高了目标识别能力.

摘要： 一种基于KSVD字典学习的滚动轴承特征提取方法，先将采集到的轴承振动加速度信号进行分割得到字典学习训练集，保证每段信号只含有一个冲击；利用KSVD算法学习得到学习字典；从采集到的轴承振动加速度信号中截取一段信号y；计算学习字典中每一列原子与信号y的相关系数，选取相关系数最大的四个所对应的原子进行循环移位得到优化字典；利用正交匹配追踪算法重构信号，获得轴承故障特征提取时域图；本发明方法所构造的优化字典与实际的滚动轴承局部损伤振动响应波形更接近，具有一定的物理意义；剔除了学习字典中的冗余原子，提高了轴承特征提取的抗噪性，能够很好的提取轴承故障特征。

摘要： 本发明属于语音信号处理领域，公开了一种基于Mel-KSVD稀疏表示的自适应内插加权谱模型的语音转换及重构方法,该方法充分考虑了模型参数的数据压缩问题,在语音分析阶段提取出平滑功率谱之后,利用Mel-KSVD的方法对提取的平滑功率谱参数进行相关稀疏系数的表示,同时，在稀疏表示时通过字典自适应学习的策略不断更新字典，最优化稀疏系数。仿真结果表明，该模型与传统的稀疏系数较少的模型相比，其合成语音质量总体相当或者更好，在男声语音方面甚至更优于传统KSVD稀疏表示的模型。此外，该方法比美尔倒谱系数压缩模型相比，语音合成质量更好。

摘要： 本发明公开了一种多任务KSVD字典学习的图像超分辨率重构方法，主要解决现有方法在高放大因子下重构图像质量下降比较严重的问题。其步骤为：输入训练图像，对其进行滤波提取特征；抽取特征小块构造特征向量集合并聚类，得到K对高分辨与低分辨样本对集{(H1，L1)，(H2，L2)，...(HK，LK)}；利用KSVD方法从K组样本对集合中训练出K个高分辨字典Dh1，Dh2...DhK和相应的低分辨字典Dl1，Dl2...DlK；对输入的低分辨率图像在低分辨字典Dl1，Dl2...DlK下进行编码；利用编码和高分辨字典Dh1，Dh2...DhK得到初始重构图像，并对其进行局部约束优化，残差补偿和全局优化处理，得到最终重构图像。本发明能够对各种自然图像进行重构，并且在高放大因子条件下能够有效提高重构图像质量，可用于人物、动物、植物、建筑等目标对象的恢复和识别。

摘要： 本发明公开了一种基于KSVD字典学习的多任务超分辨率图像重构方法，主要解决现有方法在高放大因子下重构图像质量下降比较严重的问题。其主要步骤为：首先输入训练图像，对其进行滤波提取特征；再抽取图像小块构造一个矩阵M，将其分成K类，得到K对初始字典H

摘要： 本发明为基于改进KSVD算法的表面肌电信号压缩重构方法，该方法通过归一化稀疏矩阵原子，将特征向量缩放，缩小稀疏矩阵原子差异，加快函数收敛速度，通过大量样本进行字典训练，得出性能较佳、更符合肌电信号样本特点的改进KSVD字典。利用改进的KSVD字典应用至单一通道肌电信号的重构具有良好的重构效果，同时对多通道肌电信号联合重构研究，以多个肌电信号之间的相关性为前提，以单个信号进行压缩采样，然后进行多个压缩数据的联合重构，从而进一步减少观测数量，提高重构精度，实现了肌电信号的多通道重构。

摘要： 一种基于KSVD字典学习的滚动轴承特征提取方法，先将采集到的轴承振动加速度信号进行分割得到字典学习训练集，保证每段信号只含有一个冲击；利用KSVD算法学习得到学习字典；从采集到的轴承振动加速度信号中截取一段信号y；计算学习字典中每一列原子与信号y的相关系数，选取相关系数最大的四个所对应的原子进行循环移位得到优化字典；利用正交匹配追踪算法重构信号，获得轴承故障特征提取时域图；本发明方法所构造的优化字典与实际的滚动轴承局部损伤振动响应波形更接近，具有一定的物理意义；剔除了学习字典中的冗余原子，提高了轴承特征提取的抗噪性，能够很好的提取轴承故障特征。

摘要： 本发明公开了基于KSVD的多描述编码、解码方法及系统，其中多描述编码方法包括获取图像信息，将图像信息分为两个子集，分别作为第一子集和第二子集，同时生成第一描述和第二描述，所述两个描述均同时包括第一子集和第二子集；对第一描述，基于多描述方法，采用第一子集预测第二子集，并根据第一子集与第二子集的预测值进行熵编码，输出第一多描述码流；对第二描述，基于多描述方法，采用第二子集预测第一子集，并根据第二子集与第一子集的预测值进行熵编码，输出第二多描述码流；所述多描述方法包括依次对所述两个子集进行基于时间域的重叠变换、KSVD变换和量化处理。

摘要： 本发明公开了一种基于KSVD算法的多声道音频处理方法，步骤(101)，组成样本数据集；步骤(102)，设定初始字典D

摘要： 本发明公开了一种基于KSVD算法训练字典的SAR图像混合模型拟合方法，它属于图像处理技术领域，主要解决SAR图像杂波分布模型种类繁多且对实际地物的建模能力有限的问题。其拟合过程为：基于对数正态分布和威布尔分布的概率密度函数，建立初始化分布模型字典；对图像中的每一类提取训练数据；利用KSVD算法训练初始化分布模型字典，得到新的字典集合；对图像中的每一类提取测试数据；用测试数据和新的字典集合作为OMP算法的输入来重构测试数据的稀疏系数；用字典集合中的字典乘以与其对应的稀疏系数就可得到测试数据的概率密度，从而得到其拟合直方图。本发明具有拟合精度高的优点，可用于SAR图像统计模型的拟合。

摘要： 本发明属于语音信号处理领域，公开了一种基于Mel-KSVD稀疏表示的自适应内插加权谱模型的语音转换及重构方法,该方法充分考虑了模型参数的数据压缩问题,在语音分析阶段提取出平滑功率谱之后,利用Mel-KSVD的方法对提取的平滑功率谱参数进行相关稀疏系数的表示,同时，在稀疏表示时通过字典自适应学习的策略不断更新字典，最优化稀疏系数。仿真结果表明，该模型与传统的稀疏系数较少的模型相比，其合成语音质量总体相当或者更好，在男声语音方面甚至更优于传统KSVD稀疏表示的模型。此外，该方法比美尔倒谱系数压缩模型相比，语音合成质量更好。