基于信号稀疏的深度故障诊断方法研究与应用
这是一篇关于故障诊断,深度学习,稀疏表示的论文, 主要内容为设备状态监测与故障诊断技术对于机械设备的高效稳定运行至关重要,任何不可预知的失效和故障都可能导致巨大的生命和财产损失。因此,研究有效的设备故障诊断方法对于维护生命安全和保障工业安全都具有重要的意义。另一方面,随着高性能采集和传输设备的发展,可用于故障诊断的数据量也呈爆炸式增长,深度学习方法的出现虽然很好的适应了大数据量下的故障诊断任务。但是也带来了一些新的问题,例如模型可解释性的缺乏和计算成本的高昂等。而同样诞生于本世纪初的压缩感知理论从信号的角度揭示了自然采集数据具备冗余和稀疏可压缩的本质特性。本文依据这一特性,在深度学习的数据稀疏和模型稀疏方面展开研究,提出了集成稀疏监督模型(Ensemble Sparse Supervised Model,ESSM)。并在轴承故障数据上进行了检验。为了将其集成到机械健康监测系统(Machine Health Monitoring System,MHMS)中,文中还对基于B/S架构的MHMS系统从技术要点到发展趋势做了详尽的论述。最后基于所做论述,应用两端分离的方式在MHMS系统中实现了ESSM模型。具体的工作如下:1)针对基于人工智能的旋转机械故障诊断中对于输入的特征和模型之间关系过度依赖和过度分离的问题,提出了集成稀疏监督反馈模型。该模型首先将特征的学习和模型的学习在稀疏约束下分开进行,再将其分别作为对方的反馈以矫正对方模型的学习误差。该过程循环进行,直到达到预先设定的临界终止条件即可。所提模型在真实的轴承数据上经过验证效果良好。2)针对深度学习在训练中需要操作人员手动选择超参数,会加大人力成本和时间消耗的问题,将Talos库引入到所提出的集成稀疏监督反馈模型中来,只需要在训练一开始就设置好特征学习阶段和模型学习阶段的各种超参数,启动训练之后根据生成的报表和度量指标选取效果最优的一组超参数即可,极大地简化了操作步骤,节省了操作人员在训练中的时间消耗。3)利用Restful风格的api设计了MHMS系统的前后端接口,使用Vue搭建了MHMS系统的前端界面。使得新的MHMS系统在可拓展性,开发效率,维护成本和前后台交互方式上都有了很大的改进。
基于稀疏表示的静电层析成像算法研究
这是一篇关于静电层析成像,稀疏表示,最小二乘,弹性网,低秩表示的论文, 主要内容为静电层析成像(Electrostatic Tomography,EST)技术通过静电传感器感应场域内的电荷,以及灵敏度场来反演被测场域内荷电介质的分布情况。作为一种过程层析成像技术,EST具有结构简单、无需激励,能够较为轻易地实现实时快速成像、非侵入测量等特点,是一种新型的信息检测技术,极具发展潜力和研究价值。目前静电层析成像技术主要适用于多相流参数检测等工业过程可视化检测领域。为了更加深入地分析静电层析成像技术以及图像重建过程中面临着由于求解方程组的欠定性所导致的成像精度和速度欠佳等问题,本论文进行了如下几个方面的工作:1、深入剖析EST技术的基本原理,将EST系统的正问题和逆问题抽象为数学问题,对EST系统的成像模型进行构建,并通过数值计算法对EST正问题进行数学描述。2、介绍EST成像特点与目前广泛使用于工业过程中的几种典型的传统算法,并对各算法的求解过程进行推导和简要的评价。3、引入稀疏表示算法来求解EST图像重建问题,介绍稀疏表示的基本理念,验证相关算法在EST图像重建中的可行性。在模型求解过程中结合匹配追踪算法和回溯的迭代硬阈值算法,研究了基于压缩感知匹配追踪的回溯硬阈值迭代算法(Compressive sensing Matching Pursuit Backtracking Iterative Hard Thresholding,CMPBIHT),通过求解新的最小二乘残差问题,获得更为稀疏且准确的解向量,进一步降低了相对误差,增加了解向量与真实稀疏向量的相关性,提高了成像精度和速度。4、针对普通最小二乘估计仅仅通过最小化残差平方和导致所获得的解向量常常在预测和求解方面表现欠佳这一现象,结合稀疏表示理论,研究了一种具有强凸特性的改进弹性网算法(Improved Elastic Net,IEN),使用弹性网对目标函数进行自动变量的选择和连续收缩,获得一组与观测信号最为相关的变量,提高了解的精度,减小了重建图像的伪影,增加了重建图像的边缘清晰度,更加有效地统筹了重建图像的精度和速度。5、针对EST系统分辨率不高,且其逆问题具有严重的病态性,结合低秩表示和稀疏表示,研究了一种改进低秩弹性网算法(Improved Low-Rank Elastic Net,ILREN),通过对数据本身进行低秩约束,对噪声进行弹性网约束,既能保持数据整体的结构特征,又能充分约束噪声,进而提高图像重建精度。仿真和实验结果表明,本文所研究的改进低秩弹性网算法能够有效应用于EST图像重建中。
基于稀疏表示的人脸识别研究
这是一篇关于压缩感知,稀疏表示,人脸识别,身份认证的论文, 主要内容为人脸识别算法是本文研究的重点问题。人脸图像的特征提取对识别算法是非常重要的。在大量的研究过程中,人脸图像的特征提取得到很好的发展,对影响识别率的因素有了深入的了解,本文通过对压缩感知理论的研究,改进了一些人脸图像的特征提取算法。通过改进的人脸图像的特征提取还能很好的对人脸图像进行数据的降维,提高了算法的执行速度。通过各种算法的比较,利用压缩感知理论与稀疏表示分类算法结合,改进了人脸的识别算法。综合起来,本文的主要工作有： 1.首先介绍人脸识别的用途,叙述目前随着网络技术的发展,人们的身份信息认证需要变得越来越严谨,然后再介绍人脸识别的背景和发展现状以及一些比较常用的人脸识别的算法。 2.网络的生物特征信息认证,尤其是在人脸识别方面,人脸库的大小需要满足实际的生活情况。本文重点研究小样本下的复杂环境人脸识别算法。将目前比较实用的压缩感知理论并引入到人脸识别的算法处理过程中,降低信号的特征采样率,提高人脸识别率和算法的识别速度。 3.将引入的压缩感知特征采样与稀疏表示分类算法相结合,改进人脸的分类识别算法,并分析压缩感知理论应用的好处。人脸识别算法的实验主要在ORL人脸库和Yale database人脸库上,对稀疏表示分类算法以及和压缩理论相结合的两种算法做实验对比,分析改进后的人脸识别算法的优势,实验的样本存在一定的干扰噪声,能够很好的检测本实验算法对干扰噪声的鲁棒性。实际的应用中人脸的样本库一般是小样本在1到5张图片左右。实验的结果表明在满足实际应用的基础上,每类人脸的个数在5个图像是最好的,在这种情况下人脸信息的验证对周围的环境具有一定的鲁棒性,能够满足网页的身份信息认证。 4.基于上述的研究工作,研究了一种基于Web的人脸身份认证系统。系统采用B/S架构,只需在客户端安装摄像头,在网页前台使用图像的采集控件进行人脸图像的分割提取,利用在后台利用人脸身份认证系统中的人脸识别模块进行人脸识别就能够完成身份信息的认证。
基于稀疏分解模型的压缩感知信号重构算法研究
这是一篇关于稀疏分解模型,共支集检测,信号重构,稀疏表示的论文, 主要内容为压缩感知作为新型的信号处理技术,打破了奈奎斯特采样定理对信号采样率的限制,能够合并进行信号的采样和压缩。压缩感知利用信号具有稀疏性的特点,能够从少量测量中准确重构出原信号。要实现这一目标,必须充分利用信号的稀疏表示这一先验信息。信号稀疏表示领域的主要研究模型是稀疏合成模型(Sparse Synthesis Model,SSM)和稀疏分解模型(Cosparse Analysis Model,CAM)。稀疏分解模型作为一种稀疏合成模型的替代方法被引入。在压缩感知的理论背景下,稀疏分解模型提出了一种用一个分解算子从欠采样线性测量数据中重构共稀疏信号的新型信号处理范式。分解稀疏重构问题是新范式所提出的一个关键问题。本文借鉴SSM模型的迭代支集检测(Iterative Support Detection,ISD)方法,提出了一种新的分解稀疏重构算法,用于求解信号服从稀疏分解模型时的共稀疏信号重构问题,即迭代共支集检测估计(Iterative Cosupport Detection Estimation,ICDE)。ICDE是一个算法框架,通过迭代执行检测未知真实信号的共支集和在检测出的共支集上求解截断的分解稀疏重构问题这两个步骤估计待重构信号。在此算法框架下,本文提出了ICDE-L1算法,算法以一种有效的非递减或嵌套的阈值化策略实现共支集检测。在共支集检测的基础上,通过求解截断的分解基追踪(ABP)问题进行信号估计,从而实现整个ICDE-L1算法。实验结果表明,ICDE-L1算法重构结果完全匹配原始信号特征,相较ABP算法实现准确重构所需测量值更少,重构性能明显优于ABP算法。其中,共支集检测策略中的阈值化参数对于算法重构质量有着积极化的影响,相比其他先进的共稀疏信号重构算法ICDE-L1算法具有性能优势。为了有效降低ICDE算法重构的计算复杂度,本文提出了易于实现的ICDE-L2算法,算法采用最小二乘的负梯度算法作为共支集迭代检测的参考,并将截断的最小二乘问题作为信号估计算法。实验结果表明,ICDE-L2算法重构性能优于当前最先进的同类算法GAP和ASP算法。将ICDE-L2算法应用于Shepp-Logan图像重构问题,算法以较低的射线采样数实现了完全图像重构,相较于其他重构算法可以实现20%的性能优势。
基于信号稀疏的深度故障诊断方法研究与应用
这是一篇关于故障诊断,深度学习,稀疏表示的论文, 主要内容为设备状态监测与故障诊断技术对于机械设备的高效稳定运行至关重要,任何不可预知的失效和故障都可能导致巨大的生命和财产损失。因此,研究有效的设备故障诊断方法对于维护生命安全和保障工业安全都具有重要的意义。另一方面,随着高性能采集和传输设备的发展,可用于故障诊断的数据量也呈爆炸式增长,深度学习方法的出现虽然很好的适应了大数据量下的故障诊断任务。但是也带来了一些新的问题,例如模型可解释性的缺乏和计算成本的高昂等。而同样诞生于本世纪初的压缩感知理论从信号的角度揭示了自然采集数据具备冗余和稀疏可压缩的本质特性。本文依据这一特性,在深度学习的数据稀疏和模型稀疏方面展开研究,提出了集成稀疏监督模型(Ensemble Sparse Supervised Model,ESSM)。并在轴承故障数据上进行了检验。为了将其集成到机械健康监测系统(Machine Health Monitoring System,MHMS)中,文中还对基于B/S架构的MHMS系统从技术要点到发展趋势做了详尽的论述。最后基于所做论述,应用两端分离的方式在MHMS系统中实现了ESSM模型。具体的工作如下:1)针对基于人工智能的旋转机械故障诊断中对于输入的特征和模型之间关系过度依赖和过度分离的问题,提出了集成稀疏监督反馈模型。该模型首先将特征的学习和模型的学习在稀疏约束下分开进行,再将其分别作为对方的反馈以矫正对方模型的学习误差。该过程循环进行,直到达到预先设定的临界终止条件即可。所提模型在真实的轴承数据上经过验证效果良好。2)针对深度学习在训练中需要操作人员手动选择超参数,会加大人力成本和时间消耗的问题,将Talos库引入到所提出的集成稀疏监督反馈模型中来,只需要在训练一开始就设置好特征学习阶段和模型学习阶段的各种超参数,启动训练之后根据生成的报表和度量指标选取效果最优的一组超参数即可,极大地简化了操作步骤,节省了操作人员在训练中的时间消耗。3)利用Restful风格的api设计了MHMS系统的前后端接口,使用Vue搭建了MHMS系统的前端界面。使得新的MHMS系统在可拓展性,开发效率,维护成本和前后台交互方式上都有了很大的改进。
基于稀疏分解模型的压缩感知信号重构算法研究
这是一篇关于稀疏分解模型,共支集检测,信号重构,稀疏表示的论文, 主要内容为压缩感知作为新型的信号处理技术,打破了奈奎斯特采样定理对信号采样率的限制,能够合并进行信号的采样和压缩。压缩感知利用信号具有稀疏性的特点,能够从少量测量中准确重构出原信号。要实现这一目标,必须充分利用信号的稀疏表示这一先验信息。信号稀疏表示领域的主要研究模型是稀疏合成模型(Sparse Synthesis Model,SSM)和稀疏分解模型(Cosparse Analysis Model,CAM)。稀疏分解模型作为一种稀疏合成模型的替代方法被引入。在压缩感知的理论背景下,稀疏分解模型提出了一种用一个分解算子从欠采样线性测量数据中重构共稀疏信号的新型信号处理范式。分解稀疏重构问题是新范式所提出的一个关键问题。本文借鉴SSM模型的迭代支集检测(Iterative Support Detection,ISD)方法,提出了一种新的分解稀疏重构算法,用于求解信号服从稀疏分解模型时的共稀疏信号重构问题,即迭代共支集检测估计(Iterative Cosupport Detection Estimation,ICDE)。ICDE是一个算法框架,通过迭代执行检测未知真实信号的共支集和在检测出的共支集上求解截断的分解稀疏重构问题这两个步骤估计待重构信号。在此算法框架下,本文提出了ICDE-L1算法,算法以一种有效的非递减或嵌套的阈值化策略实现共支集检测。在共支集检测的基础上,通过求解截断的分解基追踪(ABP)问题进行信号估计,从而实现整个ICDE-L1算法。实验结果表明,ICDE-L1算法重构结果完全匹配原始信号特征,相较ABP算法实现准确重构所需测量值更少,重构性能明显优于ABP算法。其中,共支集检测策略中的阈值化参数对于算法重构质量有着积极化的影响,相比其他先进的共稀疏信号重构算法ICDE-L1算法具有性能优势。为了有效降低ICDE算法重构的计算复杂度,本文提出了易于实现的ICDE-L2算法,算法采用最小二乘的负梯度算法作为共支集迭代检测的参考,并将截断的最小二乘问题作为信号估计算法。实验结果表明,ICDE-L2算法重构性能优于当前最先进的同类算法GAP和ASP算法。将ICDE-L2算法应用于Shepp-Logan图像重构问题,算法以较低的射线采样数实现了完全图像重构,相较于其他重构算法可以实现20%的性能优势。
基于深度学习的DOA估计算法研究及FPGA设计验证
这是一篇关于DOA估计,稀疏表示,卷积神经网络,FPGA,并行设计的论文, 主要内容为DOA(Direction Of Arrival)估计算法作为阵列信号处理的重要应用部分,在近年来得到快速的发展。但传统基于模型的DOA估计算法普遍存在复杂的矩阵运算和迭代运算,并且算法在低信噪比的情况下估计性能不佳。近年来深度学习在各个领域得到广泛应用,很多研究人员将深度学习的方法运用在DOA估计中,提高了DOA估计性能,且有效的提高运算速度。同时,如何在FPGA上实时实现DOA估计算法也拥有重要的研究意义。本文主要围绕基于深度学习的DOA估计算法和算法在FPGA上实现进行了研究,主要工作内容如下:1.本文首先分析了阵列信号模型和神经网络类DOA估计算法基本框架。然后研究了利用空域入射信号稀疏性进行特征提取的神经网络DOA估计算法。针对在FPGA上实现,对DOA估计算法进行并行化设计,得到基于空域子集的并行估计算法。通过仿真实验分析,该DOA估计算法在低信噪比下拥有良好的估计性能,且运算时间低于传统的MUSIC算法和Capon算法。2.设计了基于深度学习的DOA估计系统的硬件设计。针对8元ULA阵列,对本文提出的DOA估计算法进行基于FPGA的设计。本文详细阐述了协方差向量生成模块、伪功率谱生成模块、伪功率谱归零模块和卷积神经网络模块的数据通路和控制器的设计思路。在子模块设计中充分利用FPGA并行性的特性,对模块进行并行化和流水化设计,降低运算时间。3.本文基于Stratix V系列FPGA器件对上述设计进行综合与验证分析,完成了设计的功能仿真、逻辑综合、资源消耗分析、时序分析和功耗分析。最终,本文的设计在150MHz下完成DOA估计需要2.783us,系统最高运行频率为153.09MHz。相比其他文献中传统DOA估计算法在FPGA上的实现,本文设计在运算所需时间上更短。
基于信号稀疏的深度故障诊断方法研究与应用
这是一篇关于故障诊断,深度学习,稀疏表示的论文, 主要内容为设备状态监测与故障诊断技术对于机械设备的高效稳定运行至关重要,任何不可预知的失效和故障都可能导致巨大的生命和财产损失。因此,研究有效的设备故障诊断方法对于维护生命安全和保障工业安全都具有重要的意义。另一方面,随着高性能采集和传输设备的发展,可用于故障诊断的数据量也呈爆炸式增长,深度学习方法的出现虽然很好的适应了大数据量下的故障诊断任务。但是也带来了一些新的问题,例如模型可解释性的缺乏和计算成本的高昂等。而同样诞生于本世纪初的压缩感知理论从信号的角度揭示了自然采集数据具备冗余和稀疏可压缩的本质特性。本文依据这一特性,在深度学习的数据稀疏和模型稀疏方面展开研究,提出了集成稀疏监督模型(Ensemble Sparse Supervised Model,ESSM)。并在轴承故障数据上进行了检验。为了将其集成到机械健康监测系统(Machine Health Monitoring System,MHMS)中,文中还对基于B/S架构的MHMS系统从技术要点到发展趋势做了详尽的论述。最后基于所做论述,应用两端分离的方式在MHMS系统中实现了ESSM模型。具体的工作如下:1)针对基于人工智能的旋转机械故障诊断中对于输入的特征和模型之间关系过度依赖和过度分离的问题,提出了集成稀疏监督反馈模型。该模型首先将特征的学习和模型的学习在稀疏约束下分开进行,再将其分别作为对方的反馈以矫正对方模型的学习误差。该过程循环进行,直到达到预先设定的临界终止条件即可。所提模型在真实的轴承数据上经过验证效果良好。2)针对深度学习在训练中需要操作人员手动选择超参数,会加大人力成本和时间消耗的问题,将Talos库引入到所提出的集成稀疏监督反馈模型中来,只需要在训练一开始就设置好特征学习阶段和模型学习阶段的各种超参数,启动训练之后根据生成的报表和度量指标选取效果最优的一组超参数即可,极大地简化了操作步骤,节省了操作人员在训练中的时间消耗。3)利用Restful风格的api设计了MHMS系统的前后端接口,使用Vue搭建了MHMS系统的前端界面。使得新的MHMS系统在可拓展性,开发效率,维护成本和前后台交互方式上都有了很大的改进。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码货栈 ，原文地址：https://bishedaima.com/lunwen/48080.html
