CN106500735A - 一种基于压缩感知的fbg信号自适应修复方法 - Google Patents
一种基于压缩感知的fbg信号自适应修复方法 Download PDFInfo
- Publication number
- CN106500735A CN106500735A CN201610958282.5A CN201610958282A CN106500735A CN 106500735 A CN106500735 A CN 106500735A CN 201610958282 A CN201610958282 A CN 201610958282A CN 106500735 A CN106500735 A CN 106500735A
- Authority
- CN
- China
- Prior art keywords
- signal
- adaptive
- sample
- fbg
- dictionary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
- G01D3/028—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups mitigating undesired influences, e.g. temperature, pressure
- G01D3/032—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups mitigating undesired influences, e.g. temperature, pressure affecting incoming signal, e.g. by averaging; gating undesired signals
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于压缩感知的FBG信号自适应修复方法,属于光纤传感系统的信号修复技术领域。该方法包括以下步骤:步骤一:采用EMD结合互信息对光谱信号进行自适应去噪处理;步骤二:对降噪信号进行分段测试,将信号分为k段,通过计算各段信号与样本间的欧氏距离获取对应信号的样本库,并采用K‑SVD字典学习方法获得对应信号的自适应字典D;步骤三:由测量信号获取观测矩阵R与观测信号xi;步骤四:用改进的稀疏度自适应正则化正交匹配追踪算法对观测信号进行重构,以获取完整的重构信号。该方法考虑了噪声对信号的干扰,针对性字典训练以及信号自适应重构问题,每部分都体现了算法的自适应性,能灵活应用于实际工程中,降低因人为设置不当造成的影响。
Description
技术领域
本发明属于光纤传感系统的信号处理技术领域,涉及一种基于压缩感知的FBG信号自适应修复方法。
背景技术
光纤布拉格光栅(FiberBragg grating,FBG)传感器作为一种光纤无源器件,因其本质安全、抗电磁干扰、易组网等特性而广泛应用于桥梁、公路、隧道及航空等工程项目检测。而实际工程中会面临两个问题:第一个,传统的解调方法需获取较大数据量,对高效及时的采集、传输并重构成千上万光栅光谱的实现存在一定的挑战;第二个,采集过程中可能因传感器损坏、传输网络堵塞或软件丢包等原因造成某一时刻或某一段时间内的数据丢失,会给我们对工程进行评估与分析带来不便。因此减小数据采集量与丢失数据恢复至关重要。
针对以上问题,引入压缩感知(CS)算法用于信号采集压缩与恢复,能大大降低传输速率;同时,CS还能对意外丢失的数据进行有效恢复,解决数据丢失问题。CS算法主要分为三步:信号采样、稀疏表示、信号重构。针对第二步,由于自然界大多数信号可被压缩,因此对其进行有效的稀疏表示尤为重要。信号在某变换域内越稀疏,重构性能越好。目前,已有的稀疏表示方法,包括固定基、及冗余字典。前者一旦变换选定,其基函数已经固定,不能根据数据本身的特点进行自适应调整。而实际工程中的振动信号通常包含多种类型,因此学习冗余字典被提出,该方法能适应数据本身的特点。较为经典的有K-SVD算法,通过样本训练获得冗余字典。但简单采用该训练方法并不能完全获得与观测信号特征相符的字典,因此设计合理的稀疏表示方法,对信号进行有效的稀疏表示依然必要。
针对CS的第三步重构算法,主要有三类:第一类为凸松弛算法,例如BP算法,该类算法具有重构精度高的特点,但计算复杂度高,运行时间长,对数据量大的信号重构较为困难;第二类为联合算法,例如傅里叶采样、链跟踪算法等,该类算法能有效提高运行效率,然而重构信号并不精确;第三类为贪婪算法,例如MP、OMP、ROMP、SAMP等,该类算法有效折中前两类算法,但这类算法通常需要设定某些参数,比如依赖稀疏度,而实际工程中稀疏度往往是不确定参数。SAMP算法无需依赖稀疏度,但需要设计合理的步长,因此都存在一定的依赖性,如果设计不合理,重构精度将会不理想。
发明内容
有鉴于此,本发明的目的在于提供一种基于压缩感知的FBG信号自适应修复方法,该方法可以用于提高较大数据量的传输效率,且能自适应恢复丢失数据。
为达到上述目的,本发明提供如下技术方案:
一种基于压缩感知的FBG信号自适应修复方法,在该方法中,包括以下步骤:
步骤一:采用EMD结合互信息对光谱信号进行自适应去噪处理;
步骤二:对降噪信号进行分段测试,将信号分为k段,通过计算各段信号与样本间的欧氏距离获取对应信号的样本库;
步骤三:采用K-SVD字典学习方法获得对应信号的自适应字典D;
步骤四:由测量信号获取观测矩阵R与观测信号xi;
步骤五:用ISAROMP算法对观测信号进行重构,以获取完整的重构信号。
进一步,在步骤二中,所述获得对应信号的样本库,首先对信号进行分段测试,每段信号缺损数据的长度不能大于该段长度的50%或以上,具体范围根据实际情况做调整,以保证信号获得精确恢复。考虑到缺损信号与样本信号不能直接进行欧氏距离的计算,因此在采集程序中设定当前时刻无数据输入时对应的位置置为FBG中心波长值,从而能以采样信号为初始中心,计算样本信号与中心的欧氏距离。且每填充一个样本,计算出新的中心,直到达到设定的样本库大小,从而获得信号的对应样本库。
进一步,在步骤五中,所述ISAROMP算法对观测信号进行重构,自适应体现在无需已知信号的稀疏度,通过设置的阈值自适应选取原子,快速获得精确的重构信号,具体包括以下步骤:
1)加入调节系数α,改进logistic回归函数,如下式所示:
Tn=1/(1+α·e-n)
式中n为迭代次数,Tn为迭代第n次的阈值,在(0,1]范围内取值,通过调整α的值改变阈值变化趋势,选择合理的α能使重构精度与运算时间达到较好的折中效果,筛选原子的原则如下式所示:
|ui|≥Tn·max|uj|
其中,max|uj|为测量矩阵A(A=R·D)与初始残差的内积的最大值。
2)对阈值合理性进行验证,分两大类情况进行讨论,具体如下:
a.当前阈值范围内有原子选出,则进行正则化获得匹配原子更新支撑集;
b.当前阈值范围内无原子选出,此时判断残差是否大于设定阈值,又分如下情况进行讨论:
(a)若残差大于设定阈值,则判定当前阈值不合理,此时选出与残差相关系数最大的原子,继续迭代;
(b)若残差小于设定阈值,则终止运算,输出稀疏向量
本发明的有益效果在于:首先对采集到的FBG信号进行自适应滤波,以消除噪声影响,引入欧式距离对FBG观测信号进行相似样本的分类,结合字典学习方法,获得有效表示信号特征的自适应字典,解决了固定基表示能力不充分,以及K-SVD无针对性训练的缺点;引入改进的logistic回归函数,与阈值可靠性验证的判断,提出了一种改进的稀疏度自适应正则化正交匹配追踪(ISAROMP)算法有效提高了信号的重构精度与运行时间。该方法可扩展应用于声音、地震、心电波等不同物理波形的信号恢复领域。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明所述方法的流程框图;
图2为信号预处理算法流程框图;
图3为自适应字典学习方法框图;
图4为ISAROMP重构算法流程图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
在本实施例中,将FBG传感器与桥梁振动环境相结合,用于桥梁的健康监测数据的处理。为了提高后期数据分析的准确性,对采样信号的修复十分必要。数据处理包括三个部分,第一部分是信号预处理,即对FBG采样信号进行去噪处理,以消除噪声对信号的干扰。第二部分是学习获得自适应字典,即通过计算各分段信号与样本的欧氏距离,获得相似样本库,再对样本库进行K-SVD字典训练,获得更符合信号特征的自适应字典。第三部分为信号重构,采用提出的重构算法重构信号。具体的设计方法包括如下步骤:
1.信号预处理。根据信号与噪声的特征分析,由于噪声主要分布在高频段而信号主要分布在低频段,引入互信息(MI),计算高频部分与低频部分分量之间的MI,得到高低频临界点。根据信息论的知识可知,两变量相关性越大,MI值越大,反之越小。因此,噪声与信号分离越准确时,MI值越小,可知MI值最小时对应分量即为高低频临界分量,对高频分量进行阈值处理,再与低频分量重构获得降噪信号,从而提高后续信号恢复的有效性和准确性;
2.学习获得自适应字典。根据降噪后的观测信号x(n),进行分段测试,满足在一定范围内的分段长度,以确保信号恢复的准确性;其次,通过计算样本与信号间的欧式距离,获得对应于观测信号的相似样本库,并采用K-SVD进行字典训练,获得多个字典。
2.1分段测试。首先,根据经验值估计,信号缺失长度占总长度的比值在一定范围内,通常小于50%,根据实际信号做调整,以确保信号恢复的准确率;
2.2样本选取与字典学习。通过计算样本与观测信号间的欧氏距离获得对应样本库,对样本库进行字典学习,获得符合信号特征的自适应字典。
3.信号重构。由之前获得的分段测量信号yi'(i=1,2,…,k)获取的采样矩阵Ri(i=1,2,…,k)与学习获得的自适应字典Di(i=1,2,…,k)内积得测量矩阵Ai(i=1,2,…,k),测量信号通过采样矩阵获得观测信号xi(i=1,2,…,k),通过观测信号与测量矩阵,用重构算法即可重构完整信号。重构算法采用稀疏度自适应正则化算法,通过引入改进的logistic回归函数作为阈值,并对阈值进行合理性验证,从而获得精确的重构信号。
3.1稀疏度自适应阈值函数。阈值函数如下式所示:
Tn=1/(1+α·e-n)
式中n为迭代次数,Tn为迭代第n次的阈值,α为调节系数,在(0,1]范围内取值,通过调整α的值改变阈值变化趋势,选择合理的α能使重构精度与运算时间达到较好的折中效果,筛选原子的原则如下式所示:
|ui|≥Tn·max|uj|
式中,|ui|为残差与测量矩阵的内积,max|uj|为初始残差与测量矩阵内积的最大值。
3.2对阈值合理性进行验证,分两大类情况进行讨论,具体如下:
a.当前阈值范围内有原子选出,则进行正则化,强化候选集;
b.当前阈值范围内无原子选出,此时判断残差是否大于设定阈值,又分如下情况进行讨论:
(a)若残差大于设定阈值,则判定当前阈值不合理,此时选出与残差相关系数最大的原子,继续迭代;
(b)若残差小于设定阈值,则跳出循环,输出稀疏向量
图1为本发明所述方法的流程框图,如图所示,其具体实施步骤如下:
1、去噪预处理。
由于外界环境、解调器件等产生的噪声不可避免的混入光谱信号中,为了消除噪声干扰,本发明采用EMD结合互信息MI对信号进行去噪预处理。按图2方式进行预处理,互信息的引入是为了获得高低频分量的临界值,计算高低频分量之间的MI值如式(1)所示:
式中,I(g)为互信息,H(g)为固有能量熵,H(g)的计算如式(2)所示:
式中,P(g)为imf的能量。则寻找临界值的目标函数如式(3)所示:
由式(3)可得高低频的临界值,则通过已有的自适应阈值函数处理高频分量,再与低频分量进行重构,得到降噪信号x(n)。
2、自适应字典学习。
如图3所示,为字典学习过程,主要包括两部分:确定测量信号分段长度,获取自适应字典。
2.1获取观测信号
首先计算测量信号x(n)的均值,采集程序中设定将当前时刻未有数据输入的位置置为均值(实际采样过程中,数据在小数点后几位,通常不会为均值,若为均值也可认为是随机情况,因此此设定不会对数据恢复造成影响)。检测均值连续分布最大一段数据长度,记为S,由于缺失数据占总数据的比值需维持在一定范围内,才能保证信号恢复的准确性,因此根据经验确定分段长度L与S之间的关系为:S≤(50%~60%)·L。观测矩阵采用二值采样矩阵,由测量信号yi'获得,有数据输入时为1,无数据输入时为0。y1',y2',…,y'k通过观测矩阵线性测量之后获得观测信号x1,x2,…,xk。
2.2获取自适应字典
通过计算测量信号与完整样本信号之间的欧式距离,如式(4)所示:
式中点(x1,y1)、(x2,y2)分别代表样本信号与测量信号的点。获取与测量信号距离最近的样本,作为各段测量信号对应的样本库,采用K-SVD学习方法获得自适应字典D∈RL ×N。因为字典为冗余字典,所以每个样本库的样本数量n,样本长度L与冗余字典的原子N之间需满足关系L=N=n。
3、信号重构。
按图4方式,对前面获得的观测信号xi进行重构,为避免稀疏度估计不准确,以及支撑集原子筛选不准确造成的迭代次数过多,重构精度不理想等问题,引入稀疏度自适应阈值函数,并提供阈值合理性验证条件,提出改进的稀疏度自适应正则化正交匹配追踪(ISAROMP)算法重构信号。
3.1自适应阈值
该阈值选用改进的logistic回归函数,如式(5)所示:
Tn=1/(1+α·e-n) (5)
式中n为迭代次数,Tn为迭代第n次的阈值,α为调节系数,在(0,1]范围内取值。当n增大时,Tn不断变大逐渐逼近与1,通过系数α可改变阈值的变化趋势,α越小,Tn变化越快,每次筛选的原子越多。但考虑并非筛选原子越多越好,而需达到一个最佳的效果。实验对α在(0,1]之间按步长0.1取值,综合考虑重构精度与运行时间获得α的最佳取值为0.5~0.7之间。
通过测量矩阵A(A=R·D)与初始残差的内积,记录最大值max|uj|,获得自适应阈值如式(6)所示:
ε=Tn·max|uj| (6)
则每次迭代通过残差与测量矩阵内积|ui|和阈值大小比较,如式(7)所示:
|ui|≥ε (7)
选取满足阈值的原子,获得候选集Q。
3.2阈值合理性验证
阈值合理性验证,是为了验证当前阈值设定是否合理,通过残差||r||2≤ε1来判断,并结合ROMP中正则化思想对原子进行二次筛选,确保所选原子的准确性。具体分两大类情况进行讨论:
(1)当前阈值范围内有原子选出,则采用ROMP中正则化思想,满足|ui|≤2|uj|(i,j∈J0)的子集中选择能量最大的一个子集,对原子进行二次筛选,从而获得支撑集ω,更新系数与残差,返回继续迭代,直到达到终止条件||r||2≤ε1,输出系数
(2)当前阈值范围内无原子选出,此时判断残差是否大于设定阈值,又分如下情况进行讨论:
(a)若||r||2>ε1,则判定当前阈值不合理,此时选出测量矩阵与残差相关系数最大的原子,继续迭代,更新支撑集ω,更新系数与残差,返回继续迭代,直到达到终止条件||r||2≤ε1,输出系数
(b)若||r||2≤ε1,则判定当前阈值合理,由于达到终止条件,则输出此时的系数
最终利用稀疏字典D获得重构信号需注意的是ε1的取值极小,接近于0。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其做出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (3)
1.一种基于压缩感知的FBG信号自适应修复方法,其特征在于:在该方法中,包括以下步骤:
步骤一:采用经验模态分解(Empirical Mode Decomposition,EMD)结合互信息对FBG光谱信号进行自适应去噪处理;
步骤二:对降噪信号进行分段测试,将信号分为k段,通过计算各段信号与样本间的欧氏距离获取对应信号的样本库;
步骤三:采用K-SVD字典学习方法获得对应信号的自适应字典D;
步骤四:由测量信号获取观测矩阵R与观测信号xi;
步骤五:用改进的稀疏度自适应正则化正交匹配追踪(Improved regularizedorthogonal matching pursuit,ISAROMP)算法对观测信号进行重构,以获取完整的重构信号。
2.如权利要求1所述的基于压缩感知的FBG信号自适应修复方法,其特征在于:在步骤二中,所述获得对应信号的样本库,首先对信号进行分段测试,每段信号缺损数据的长度不能大于该段长度的50%或以上,具体范围根据实际情况做调整,以保证信号获得精确恢复;考虑到缺损信号与样本信号不能直接进行欧氏距离的计算,因此在采集程序中设定当前时刻无数据输入时对应的位置置为FBG中心波长值,从而能以采样信号为初始中心,计算样本信号与中心的欧氏距离;且每填充一个样本,计算出新的中心,直到达到设定的样本库大小,从而获得信号的对应样本库。
3.如权利要求1所述的基于压缩感知的FBG信号自适应修复方法,其特征在于:在步骤五中,所述ISAROMP算法对观测信号进行重构,自适应体现在无需已知信号的稀疏度,通过设置的阈值自适应选取原子,快速获得精确的重构信号,具体包括以下步骤:
1)加入调节系数α,改进logistic回归函数,如下式所示:
Tn=1/(1+α·e-n)
式中n为迭代次数,Tn为迭代第n次的阈值,在(0,1]范围内取值,通过调整α的值改变阈值变化趋势,选择合理的α能使重构精度与运算时间达到较好的折中效果,筛选原子的原则如下式所示:
|ui|≥Tn·max|uj|
其中,max|uj|为测量矩阵A(A=R·D)与初始残差的内积的最大值;
2)对阈值合理性进行验证,分两大类情况进行讨论,具体如下:
a.当前阈值范围内有原子选出,则进行正则化之后选出匹配原子更新支撑集;
b.当前阈值范围内无原子选出,此时判断残差是否大于设定阈值,又分如下情况进行讨论:
(a)若残差大于设定阈值,则判定当前阈值不合理,此时选出与残差相关系数最大的原子,继续迭代;
(b)若残差小于设定阈值,则终止运算,输出稀疏向量
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610958282.5A CN106500735B (zh) | 2016-11-03 | 2016-11-03 | 一种基于压缩感知的fbg信号自适应修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610958282.5A CN106500735B (zh) | 2016-11-03 | 2016-11-03 | 一种基于压缩感知的fbg信号自适应修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106500735A true CN106500735A (zh) | 2017-03-15 |
CN106500735B CN106500735B (zh) | 2019-03-22 |
Family
ID=58321464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610958282.5A Active CN106500735B (zh) | 2016-11-03 | 2016-11-03 | 一种基于压缩感知的fbg信号自适应修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106500735B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108801568A (zh) * | 2018-04-27 | 2018-11-13 | 北京建筑大学 | 一种桥梁动挠度降噪方法及系统 |
CN109117896A (zh) * | 2018-09-28 | 2019-01-01 | 西安交通大学 | 一种基于ksvd字典学习的滚动轴承故障特征提取方法 |
CN109490957A (zh) * | 2018-11-28 | 2019-03-19 | 华北电力大学 | 一种基于空间约束压缩感知的地震数据重建方法 |
CN109545234A (zh) * | 2018-10-29 | 2019-03-29 | 重庆邮电大学 | 一种基于压缩感知的语音线谱频率编码及自适应快速重构方法 |
CN109738392A (zh) * | 2019-01-29 | 2019-05-10 | 中南大学 | 面向tdlas在线检测瓶内氧气浓度的压缩感知重构方法及系统 |
CN110260897A (zh) * | 2019-06-18 | 2019-09-20 | 华中科技大学 | 一种基于字典学习的布里渊光时域分析仪去噪方法与系统 |
CN110717949A (zh) * | 2018-07-11 | 2020-01-21 | 天津工业大学 | 基于tromp的干涉高光谱图像稀疏重建 |
CN111609916A (zh) * | 2020-05-12 | 2020-09-01 | 山东大学 | 一种基于压缩感知的ofdr分布式振动传感检测方法 |
CN111707300A (zh) * | 2020-06-15 | 2020-09-25 | 清华大学深圳国际研究生院 | 一种光纤布拉格光栅的解调系统及方法 |
CN112748296A (zh) * | 2019-10-31 | 2021-05-04 | 青岛海尔智能技术研发有限公司 | 用于直流电的电参数监测方法、装置及直流家电 |
CN113003033A (zh) * | 2021-02-19 | 2021-06-22 | 南京机电职业技术学院 | 基于StEMD_VGG的智能垃圾分类抓取机械手臂及控制方法 |
CN113049083A (zh) * | 2021-03-09 | 2021-06-29 | 中国人民解放军国防科技大学 | 一种在分布式光纤传感系统中实现高频相位解调的方法 |
CN115236208A (zh) * | 2022-06-27 | 2022-10-25 | 哈尔滨工业大学 | 一种基于信息增强与变步长稀疏表达的钢轨健康监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081928A (zh) * | 2010-11-24 | 2011-06-01 | 南京邮电大学 | 基于压缩感知和k-svd的单通道混合语音分离方法 |
CN102750677A (zh) * | 2012-06-12 | 2012-10-24 | 清华大学 | 基于同尺度结构自相似与压缩感知的单图像超分辨率方法 |
CN104485966A (zh) * | 2014-12-01 | 2015-04-01 | 北京邮电大学 | 一种基于信号分解的压缩感知处理和信号重构方法 |
CN104915931A (zh) * | 2015-04-16 | 2015-09-16 | 南京信息工程大学 | 基于压缩感知理论的自适应光学波前信号去噪方法 |
WO2016069602A1 (en) * | 2014-10-31 | 2016-05-06 | The Trustees Of The University Of Pennsylvania | A method and device for magnetic resonance imaging data acquisition guided by physiologic feedback |
-
2016
- 2016-11-03 CN CN201610958282.5A patent/CN106500735B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081928A (zh) * | 2010-11-24 | 2011-06-01 | 南京邮电大学 | 基于压缩感知和k-svd的单通道混合语音分离方法 |
CN102750677A (zh) * | 2012-06-12 | 2012-10-24 | 清华大学 | 基于同尺度结构自相似与压缩感知的单图像超分辨率方法 |
WO2016069602A1 (en) * | 2014-10-31 | 2016-05-06 | The Trustees Of The University Of Pennsylvania | A method and device for magnetic resonance imaging data acquisition guided by physiologic feedback |
CN104485966A (zh) * | 2014-12-01 | 2015-04-01 | 北京邮电大学 | 一种基于信号分解的压缩感知处理和信号重构方法 |
CN104915931A (zh) * | 2015-04-16 | 2015-09-16 | 南京信息工程大学 | 基于压缩感知理论的自适应光学波前信号去噪方法 |
Non-Patent Citations (3)
Title |
---|
周亚同 等: "基于压缩感知的稀疏度自适应图像修复", 《铁道学报》 * |
梁喆: "基于EMD和互信息熵的微震信号自适应去噪", 《计算机工程与应用》 * |
蒋善超 等: "基于压缩感知算法的光栅光谱重构及其应用特性研究", 《光学学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108801568A (zh) * | 2018-04-27 | 2018-11-13 | 北京建筑大学 | 一种桥梁动挠度降噪方法及系统 |
CN110717949A (zh) * | 2018-07-11 | 2020-01-21 | 天津工业大学 | 基于tromp的干涉高光谱图像稀疏重建 |
CN109117896A (zh) * | 2018-09-28 | 2019-01-01 | 西安交通大学 | 一种基于ksvd字典学习的滚动轴承故障特征提取方法 |
CN109545234B (zh) * | 2018-10-29 | 2023-09-26 | 重庆邮电大学 | 一种基于压缩感知的语音线谱频率编码及自适应快速重构方法 |
CN109545234A (zh) * | 2018-10-29 | 2019-03-29 | 重庆邮电大学 | 一种基于压缩感知的语音线谱频率编码及自适应快速重构方法 |
CN109490957A (zh) * | 2018-11-28 | 2019-03-19 | 华北电力大学 | 一种基于空间约束压缩感知的地震数据重建方法 |
CN109738392A (zh) * | 2019-01-29 | 2019-05-10 | 中南大学 | 面向tdlas在线检测瓶内氧气浓度的压缩感知重构方法及系统 |
CN109738392B (zh) * | 2019-01-29 | 2021-03-02 | 中南大学 | 面向tdlas在线检测瓶内氧气浓度的压缩感知重构方法及系统 |
CN110260897A (zh) * | 2019-06-18 | 2019-09-20 | 华中科技大学 | 一种基于字典学习的布里渊光时域分析仪去噪方法与系统 |
CN112748296A (zh) * | 2019-10-31 | 2021-05-04 | 青岛海尔智能技术研发有限公司 | 用于直流电的电参数监测方法、装置及直流家电 |
CN111609916A (zh) * | 2020-05-12 | 2020-09-01 | 山东大学 | 一种基于压缩感知的ofdr分布式振动传感检测方法 |
CN111609916B (zh) * | 2020-05-12 | 2021-04-23 | 山东大学 | 一种基于压缩感知的ofdr分布式振动传感检测方法 |
CN111707300A (zh) * | 2020-06-15 | 2020-09-25 | 清华大学深圳国际研究生院 | 一种光纤布拉格光栅的解调系统及方法 |
CN111707300B (zh) * | 2020-06-15 | 2022-04-08 | 清华大学深圳国际研究生院 | 一种光纤布拉格光栅的解调系统及方法 |
CN113003033B (zh) * | 2021-02-19 | 2022-06-07 | 南京机电职业技术学院 | 基于StEMD_VGG的智能垃圾分类抓取机械手臂及控制方法 |
CN113003033A (zh) * | 2021-02-19 | 2021-06-22 | 南京机电职业技术学院 | 基于StEMD_VGG的智能垃圾分类抓取机械手臂及控制方法 |
CN113049083A (zh) * | 2021-03-09 | 2021-06-29 | 中国人民解放军国防科技大学 | 一种在分布式光纤传感系统中实现高频相位解调的方法 |
CN113049083B (zh) * | 2021-03-09 | 2024-01-12 | 中国人民解放军国防科技大学 | 一种在分布式光纤传感系统中实现高频相位解调的方法 |
CN115236208A (zh) * | 2022-06-27 | 2022-10-25 | 哈尔滨工业大学 | 一种基于信息增强与变步长稀疏表达的钢轨健康监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106500735B (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106500735A (zh) | 一种基于压缩感知的fbg信号自适应修复方法 | |
CN104299229B (zh) | 一种基于时空域背景抑制的红外弱小目标检测方法 | |
CN102721545B (zh) | 一种基于多特征参量的滚动轴承故障诊断方法 | |
CN103630808B (zh) | 一种基于提升小波变换的局部放电信号去噪方法 | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
CN111723701B (zh) | 一种水中目标识别方法 | |
CN110866448A (zh) | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 | |
CN107037486A (zh) | 地球天然脉冲电磁场数据处理的时频谱分析方法及系统 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN112087774A (zh) | 一种基于残差神经网络的通信辐射源个体识别方法 | |
CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
CN107886078A (zh) | 一种基于分层自适应阈值函数的小波阈值降噪方法 | |
CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
CN106500991B (zh) | 基于自适应多尺度AVG-Hat变换的轴承故障信号特征提取方法 | |
Yang et al. | Bayesian-wavelet-based multisource decision fusion | |
Si et al. | A Novel coal-gangue recognition method for top coal caving face based on IALO-VMD and improved MobileNetV2 network | |
CN111582132B (zh) | 基于改进eemd与pcnn的气体泄漏信号降噪方法 | |
Yu et al. | Sparse time–frequency representation for the transient signal based on low-rank and sparse decomposition | |
CN117349657A (zh) | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 | |
CN115733673B (zh) | 一种基于多尺度残差分类器的数据异常检测方法 | |
CN113009564B (zh) | 地震数据处理方法和装置 | |
CN115905827A (zh) | 一种基于神经网络的汽轮机故障诊断方法及装置 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
CN115659773A (zh) | 基于深度网络的全波形反演加速方法及相关装置 | |
CN112329626A (zh) | 调制与深度学习融合的设备故障诊断方法、系统及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |