CN110443194B - 基于spi稀疏约束的时变信号成分提取方法 - Google Patents
基于spi稀疏约束的时变信号成分提取方法 Download PDFInfo
- Publication number
- CN110443194B CN110443194B CN201910715343.9A CN201910715343A CN110443194B CN 110443194 B CN110443194 B CN 110443194B CN 201910715343 A CN201910715343 A CN 201910715343A CN 110443194 B CN110443194 B CN 110443194B
- Authority
- CN
- China
- Prior art keywords
- dictionary
- target component
- sample
- component
- sparse
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于SPI稀疏约束的时变信号成分提取方法,包括:a)SPI稀疏性能估计指标及包含SPI指标的时变信号成分估计范式,以及b)一种基于上述范式的时变信号成分提取方法,包括数据预处理、系统初始化、稀疏建模与波形字典学习、时变信号单次特定成分估计及新异类目标成分波形发现等五个独立步骤。本发明的优点是,相对于传统方法,具有不依赖统计平稳性或独立性假设的优势,可以获取更可靠的时变信号特定成分字典和时变信号特定成分的盲估计,且具有非监督的发现未知的目标成分的能力,对具备复杂结构和许多未知或未发现成分的时变信号的分析具有广阔的潜在应用价值。适用于各类面向时变信号成分分析和提取的设备和算法的改进。
Description
技术领域
本发明涉及时变信号成分提取技术领域,特别涉及一种利用全新的稀疏性能指标SPI(Sparse Performance Index)的时变信号成分字典构建与特定成分提取方法。
背景技术
时变信号的盲源分离和盲成分提取、分析,特别是没有参照、没有明确已知对象的成分提取一直是数字信号处理和分析领域的一个难点问题。由于缺乏对未知信号真实成分的准确估计,对信号数据的处理、分析和识别等多个方面都会受到不同程度的限制。传统的盲源分离或成分分析算法普遍存在着对样本集真实成分的预先假设(这些假设通常未必完全符合真实情况),如PCA和ICA的独立性假设等;此外这些方法会受到观测数据信道的影响,难以处理欠定、严重欠定的信号盲估计问题,且无法避免地存在着分析所得成分互相混叠的问题。传统稀疏分解算法以数据驱动,对样本集真实成分无预先假设,但是由于工程实现中稀疏约束项的精度不足,也无法得到令人满意的结果。为了实现真正的数据驱动、无预先假设且精度足够的盲源信号分析和信号成分提取,需要对现有算法进行更新,以更精密的分析方法处理数据样本。
发明内容
本发明针对现有技术的缺陷,提供了一种基于SPI稀疏约束的时变信号成分提取方法,解决了现有技术中存在的缺陷。
为了实现以上发明目的,本发明采取的技术方案如下:
1.一种基于SPI稀疏约束的时变信号成分提取方法,包括:
a.稀疏性能指标SPI的建立和包含SPI的稀疏建模范式:
该指标通过对稀疏分解系数矩阵进行统计以度量信号样本中成分的分布情况;其计算方式包括:
或
式中M为系数向量a的长度,aj,ak表示系数向量a的第j、k个元素。当||a||0=1,SPI(a)=0,取得最小值,表示样本系数能量完全集中;当||a||0=M且对所有j,k都有|aj|=|ak|时,SPI(a)=1,取得最大值表示样本系数能量完全分散。纳入SPI的稀疏分解成分字典求解范式表示为:
其中P为训练样本总数,λ为稀疏约束的权重,yi表示第i个训练样本。
b.结合分块字典约束和SPI稀疏性能约束的稀疏字典求解方法
将传统稀疏分解字典分为两部分——背景成分字典D(B)与目标成分字典D(T)进行求解,以有效应对时变信号中两部分(非目标干扰成分和目标成分)的波形和强度差异或二者的数据准备差异,并实现求解模型中的分块约束条件。
模型中,字典D中的最后m个原子被定义为目标成分字典D(T)N×m,其余部分则为非目标成分字典D(B)N×(M-m)。相应的,系数向量ai也被分为非目标干扰成分系数向量ai(B)和目标成分系数向量ai(T),分别表征非目标成分和目标成分的对应强度。稀疏建模方面,包括OMP在内的各种稀疏建模算法均可使用,只需对其进行改动、使求解过程中的稀疏约束满足图2中的约束条件,即可使所得稀疏模型满足所需结构。该模型在稀疏系数层面上实现SPI(或稀疏性)的优化,误差则在迭代过程中通过字典的修正或学习得到保持。DM×N在整个训练过程中不断更新,从而保证由输入样本yi生成的系数向量ai可以以较小的误差复原原始样本yi,且只使用尽量少的非目标系数(ai(B)部分)和至多一个目标成分系数(ai(T)部分)。
具体的,其字典求解范式可以表述为:
式中λ表示稀疏约束的相对强度。ai(T)表示目标成分的系数向量,ai(B)表示非目标背景成分的系数向量。
2.基于SPI稀疏约束的时变信号成分提取方法,具体包括以下步骤:
步骤1.数据预处理;
所述步骤1的具体步骤包括:
步骤101分帧:含有目标成分波形的样本数据以目标成分起始点开始,长度需要保证涵盖完整的目标成分波形;非目标(背景)样本数据则分成与目标样本数据等长、具有一定交叠的数据帧;
步骤102能量归一化:为了保证帧与帧间的能量差异不会使自发成分的相关原子波形失真,每帧数据都必须进行能量归一化处理,即系数向量除以所有采样点平方和的平方根,能量差异在重构过程中可以通过系数补偿加以恢复;
步骤2.系统初始化;
所述步骤2的具体步骤包括:
步骤201非目标背景成分字典初始化:首先使用非目标时变信号样本数据,对非目标背景成分字典D(B)进行训练,由于后续训练过程中D(B)仍在持续更新,故这一步骤只需使用传统的字典训练方法即可;
步骤203目标成分样本训练数据预处理:对所有含目标成分的样本使用D(B)进行重构,所有误差超过某一阈值的认为其中含有显著的目标成分,将这些样本的残差作为后续步骤的训练数据;
步骤204目标成分字典D(T)初始化:提取步骤203所得数据中中相关性最小的m个作为D(T)的初始值,m为D(T)包含的原子数;至此系统的初始化完成;
步骤3.稀疏建模与波形字典学习;
所述步骤3具体步骤包括:
步骤301约束满足稀疏建模:为了实现融合SPI指标的波形寻优,需要首先对训练集(包括不含有目标成分与含目标成分的时变信号数据两部分)的稀疏模型进行重构和稀疏化,并使用稀疏化后的样本系数模型对成分字典进行修正,以使其能够以更少的原子重构绝大部分样本,同时重构误差不显著提升;为了优化样本的SPI指标,并使学习所得的字典原子更接近成分完整波形而非成分的分量,我们需要依据字典原子之间的互相干性,令经常产生关系的字典原子对应系数互相抑制,以此令优势原子尽可能合并劣势原子,从而得到更接近样本真实成分的原子波形;字典原子α,β间互相干性的定义方式为:
式中aiα、ajβ分别表示字典原子α,β对应的系数,P为训练样本总数;μα,β越小,表示字典内两个原子α,β间相关度越低,其逻辑距离越远;使用梯度法对每个aij进行更新,在所有aij都更新完成后即可得到新的稀疏模型ai(t+1);为了保证每个样本的重构误差都在可控范围内,μ一般应设置较小值;
步骤302字典波形修正:在每一步的样本建模稀疏化后,必须进行字典学习以降低误差,这同时也是令字典原子波形趋向于更完整的样本成分波形的过程,该过程同样利用梯度法实现;每一轮样本模型稀疏化后,字典必须进行多轮迭代至误差收敛,以此保证模型的整体收敛性;
步骤303收敛性判定:学习过程的终止有两种方式:其一,根据求解范式,在能量函数值抵达最低点并开始上升时终止;其二,根据样本集的噪声估计值,在半数样本的重构误差超过该值时终止学习,前者的精度较高,后者的工程实现比较便捷、且需要一个额外的估计参数,二者都可以实现基于SPI稀疏约束范式的波形字典优化;如果判定系统已收敛,则结束步骤3;否则,返回步骤301;
步骤4.时变信号单次特定成分估计;
步骤4的具体步骤包括:
步骤401数据预处理:这一部分的数据预处理流程与字典训练相同,即分帧、能量归一化;
步骤402单帧数据样本约束满足稀疏建模:此过程中目标成分字典D(T)及其对应的系数向量部分ai(T)始终有且仅有一个处于激活状态,以此保证目标成分波形估计的完整性;
步骤403目标成分重构:在稀疏建模完成后,只需分别对非目标成分部分(D(B)ai(B))和目标成分成分(D(T)ai(T))进行重构和能量复原,即可得到对单帧数据特定成分波形的估计结果;即:
式中v为该样本的修正系数,等于该样本归一化时缩放倍数的倒数;
步骤404目标成分存在性判定:当ai(T)中非零值的绝对值大于预设阈值时,即可认为样本中存在着目标成分,其强度值由系数绝对值表征;当该值小于阈值时,则认为相关成分是由随机扰动导致的;至此,基于稀疏约束波形估计的成分字典学习和单次目标成分提取和分析流程全部结束;
步骤5.新异类目标成分波形发现:
步骤5的具体步骤包括:
步骤501中值滤波:为了消除残差信号中突变点及高频信号的影响,首先需要对残差进行中值滤波;中值滤波的窗长由数据样本及目标成分波形的性质决定,以尽可能保留残差中类目标成分的细节特征;
步骤502计算中值滤波后残差波形的平稳性指标:设中值滤波后的残差波形序列为e′(t)(t=1…N),使用如下的指标来定义序列的平稳度:
步骤503基于阈值的残差性质判定:接下来,可以使用阈值判定残差的性质,平稳度指标高于该阈值的认为残差主要以随机噪声为主,否则认为其中存在有意义的类目标成分波形;该阈值可以由近似样本集训练得出;经过这一判定过程,潜在的有意义类目标成分波形能够跟随机噪声区分开来,从而实现有效的类目标发现和预警;
步骤504新异目标成分波形的估计与确认:将残差与该样本的目标成分估计结果相加并进行能量归一化,即可得到新异目标成分波形的估计结果R;接下来,需要若干个样本得出相似的新异目标成分波形估计结果才能确认该新异波形的存在,两个估计结果Ra和Rb相似的判定方式为:
式中dj,dk表示字典D的任意原子;
步骤505目标成分字典D(T)扩展:在某一样本估计所得新异波形与若干其他样本估计所得新异波形相似后,即可判定该波形存在,并将其作为一个新的原子加入到D(T)中。
与现有技术相比,本发明的优点在于:相对于传统方法,具有不依赖统计平稳性或独立性假设的优势,且具有非监督的发现未知的目标成分(有意义成分)的能力,对脑电信号(EEG)、雷达信号等具备复杂结构和许多未知或未发现成分的时变信号的分析具有广阔的潜在应用价值。
附图说明
图1是本发明目标成分字典构建及迭代优化流程示意图。
图2是本发明单一信号样本的稀疏模型结构
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下根据附图并列举实施例,对本发明做进一步详细说明。
一种基于SPI稀疏约束的时变信号成分提取方法,包括:
a.稀疏性能指标SPI的建立和包含SPI的稀疏建模范式:
该指标通过对稀疏分解系数矩阵进行统计以度量信号样本中成分的分布情况;其计算方式包括:
或
式中aj,ak表示系数向量a的第j、k个元素。当||a||0=1,SPI(a)=0,取得最小值,表示样本系数能量完全集中;当||α||0=M且对所有j,k都有|aj|=|ak|时,SPI(a)=1,取得最大值表示样本系数能量完全分散。纳入SPI的稀疏分解成分字典求解范式表示为:
其中P为训练样本总数,λ为稀疏约束的权重,yi表示第i个训练样本。
b.结合分块字典约束和SPI稀疏性能约束的稀疏字典求解方法
将传统稀疏分解字典分为两部分——背景成分字典D(B)与目标成分字典D(T)进行求解,以有效应对时变信号中两部分(非目标干扰成分和目标成分)的波形和强度差异或二者的数据准备差异,并实现求解模型中的分块约束条件;
模型中,字典D中的最后m个原子被定义为目标成分字典D(T)N×m,其余部分则为非目标成分字典D(B)N×(M-m);相应的,系数向量ai也被分为自发成分系数向量ai(B)和ERP系数向量ai(T),分别表征非目标成分和目标成分的对应强度;稀疏建模方面,包括OMP在内的各种稀疏建模算法均可使用,只需对其进行改动、使求解过程中的稀疏约束满足图2中的约束条件,即可使所得稀疏模型满足所需结构;该模型在稀疏系数层面上实现SPI(或稀疏性)的优化,误差则在迭代过程中通过字典的修正或学习得到保持;DM×N在整个训练过程中不断更新,从而保证由输入样本yi生成的系数向量ai可以以较小的误差复原原始样本yi,且只使用尽量少的非目标系数(ai(B)部分)和至多一个目标成分系数(ai(T)部分)。
具体的,其字典求解范式可以表述为:
式中λ表示稀疏约束的相对强度。ai(T)表示目标成分的系数向量,ai(B)表示非目标背景成分的系数向量。
依据以上理论方法的实施方法,具体包括以下步骤:
步骤1.数据预处理;
所述步骤1的具体步骤包括:
步骤101分帧:含有目标成分波形的样本数据以目标成分起始点开始,长度需要保证涵盖完整的目标成分波形;非目标(背景)样本数据则分成与目标样本数据等长、具有一定交叠的数据帧;
步骤102能量归一化:为了保证帧与帧间的能量差异不会使自发成分的相关原子波形失真,每帧数据都必须进行能量归一化处理,即系数向量除以所有采样点平方和的平方根,能量差异在重构过程中可以通过系数补偿加以恢复;
步骤2.系统初始化;
所述步骤2的具体步骤包括:
步骤201非目标背景成分字典初始化:首先使用非目标时变信号样本数据,对非目标背景成分字典D(B)进行训练,由于后续训练过程中D(B)仍在持续更新,故这一步骤只需使用传统的字典训练方法即可;
步骤203目标成分样本训练数据预处理:对所有含目标成分的样本使用D(B)进行重构,所有误差超过某一阈值的认为其中含有显著的目标成分,将这些样本的残差作为后续步骤的训练数据;
步骤204目标成分字典D(T)初始化:提取步骤203所得数据中中相关性最小的m个作为D(T)的初始值,m为D(T)包含的原子数;至此系统的初始化完成;
步骤3.稀疏建模与波形字典学习;
所述步骤3具体步骤包括:
步骤301约束满足稀疏建模:为了实现融合SPI指标的波形寻优,需要首先对训练集(包括不含有目标成分与含目标成分的时变信号数据两部分)的稀疏模型进行重构和稀疏化,并使用稀疏化后的样本系数模型对成分字典进行修正,以使其能够以更少的原子重构绝大部分样本,同时重构误差不显著提升;为了优化样本的SPI指标,并使学习所得的字典原子更接近成分完整波形而非成分的分量,我们需要依据字典原子之间的互相干性,令经常产生关系的字典原子对应系数互相抑制,以此令优势原子尽可能合并劣势原子,从而得到更接近样本真实成分的原子波形;字典原子α,β间互相干性的定义方式为:
式中ajα、ajβ分别表示字典原子α,β对应的系数,P为训练样本总数;μα,β越小,表示字典内两个原子α,β间相关度越低,其逻辑距离越远;使用梯度法对每个aij进行更新,在所有aij都更新完成后即可得到新的稀疏模型ai(t+1);为了保证每个样本的重构误差都在可控范围内,μ一般应设置较小值;
步骤302字典波形修正:在每一步的样本建模稀疏化后,必须进行字典学习以降低误差,这同时也是令字典原子波形趋向于更完整的样本成分波形的过程,该过程同样利用梯度法实现;每一轮样本模型稀疏化后,字典必须进行多轮迭代至误差收敛,以此保证模型的整体收敛性;
步骤303收敛性判定:学习过程的终止有两种方式:其一,根据求解范式,在能量函数值抵达最低点并开始上升时终止;其二,根据样本集的噪声估计值,在半数样本的重构误差超过该值时终止学习,前者的精度较高,后者的工程实现比较便捷、且需要一个额外的估计参数,二者都可以实现基于SPI稀疏约束范式的波形字典优化;如果判定系统已收敛,则结束步骤3;否则,返回步骤301;
步骤4.时变信号单次特定成分估计;
步骤4的具体步骤包括:
步骤401数据预处理:这一部分的数据预处理流程与字典训练相同,即分帧、能量归一化;
步骤402单帧数据样本约束满足稀疏建模:此过程中目标成分字典D(T)及其对应的系数向量部分ai(T)始终有且仅有一个处于激活状态,以此保证目标成分波形估计的完整性;
步骤403目标成分重构:在稀疏建模完成后,只需分别对非目标成分部分(D(B)ai(B))和目标成分成分(D(T)ai(T))进行重构和能量复原,即可得到对单帧数据特定成分波形的估计结果;即:
式中v为该样本的修正系数,等于该样本归一化时缩放倍数的倒数;
步骤404目标成分存在性判定:当ai(T)中非零值的绝对值大于预设阈值时,即可认为样本中存在着目标成分,其强度值由系数绝对值表征;当该值小于阈值时,则认为相关成分是由随机扰动导致的;至此,基于稀疏约束波形估计的成分字典学习和单次目标成分提取和分析流程全部结束;
步骤5.新异类目标成分波形发现:
步骤5的具体步骤包括:
步骤501中值滤波:为了消除残差信号中突变点及高频信号的影响,首先需要对残差进行中值滤波;中值滤波的窗长由数据样本及目标成分波形的性质决定,以尽可能保留残差中类目标成分的细节特征;
步骤502计算中值滤波后残差波形的平稳性指标:设中值滤波后的残差波形序列为e′(t)(t=1…N),使用如下的指标来定义序列的平稳度:
步骤503基于阈值的残差性质判定:接下来,可以使用阈值判定残差的性质,平稳度指标高于该阈值的认为残差主要以随机噪声为主,否则认为其中存在有意义的类目标成分波形;该阈值可以由近似样本集训练得出;经过这一判定过程,潜在的有意义类目标成分波形能够跟随机噪声区分开来,从而实现有效的类目标发现和预警;
步骤504新异目标成分波形的估计与确认:将残差与该样本的目标成分估计结果相加并进行能量归一化,即可得到新异目标成分波形的估计结果R;接下来,需要若干个样本得出相似的新异目标成分波形估计结果才能确认该新异波形的存在,两个估计结果Ra和Rb相似的判定方式为:
式中dj,dk表示字典D的任意原子;
步骤505目标成分字典D(T)扩展:在某一样本估计所得新异波形与若干其他样本估计所得新异波形相似后,即可判定该波形存在,并将其作为一个新的原子加入到D(T)中。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (2)
1.一种基于SPI稀疏约束的时变信号成分提取方法,包括:
a.稀疏性能指标SPI的建立和包含SPI的稀疏建模范式:
该指标通过对稀疏分解系数矩阵进行统计以度量信号样本中成分的分布情况;其计算方式包括:
或
式中M为系数向量a的长度,aj,ak表示系数向量a的第j、k个元素;当||a||0=1,SPI(a)=0,取得最小值,表示样本系数能量完全集中;当||a||0=M且对所有j,k都有|aj|=|ak|时,SPI(a)=1,取得最大值表示样本系数能量完全分散;纳入SPI的稀疏分解成分字典求解范式表示为:
其中P为训练样本总数,λ为稀疏约束的权重,yi表示第i个训练样本;
b.结合分块字典约束和SPI稀疏性能约束的稀疏字典求解方法
将传统稀疏分解字典分为两部分——背景成分字典D(B)与目标成分字典D(T)进行求解,以有效应对时变信号中两部分非目标干扰成分和目标成分的波形和强度差异或二者的数据准备差异,并实现求解模型中的分块约束条件;
模型中,字典D中的最后m个原子被定义为目标成分字典D(T)N×m,其余部分则为非目标成分字典D(B)N×(M-m);相应的,系数向量ai也被分为自发成分系数向量ai(B)和ERP系数向量ai(T),分别表征非目标成分和目标成分的对应强度;稀疏建模方面,包括OMP在内的各种稀疏建模算法均可使用,只需对其进行改动、使求解过程中的稀疏约束满足约束条件,即可使所得稀疏模型满足所需结构;该模型在稀疏系数层面上实现SPI或稀疏性的优化,误差则在迭代过程中通过字典的修正或学习得到保持;DM×N在整个训练过程中不断更新,从而保证由输入样本yi生成的系数向量ai可以以较小的误差复原原始样本yi,且只使用尽量少的非目标系数ai(B)部分和至多一个目标成分系数ai(T)部分;
具体的,其字典求解范式可以表述为:
式中λ表示稀疏约束的相对强度;ai(T)表示目标成分的系数向量,ai(B)表示非目标背景成分的系数向量。
2.根据权利要求1所述的方法,其特征在于:基于SPI稀疏约束的时变信号成分提取方法具体包括以下步骤:
步骤1.数据预处理;
所述步骤1的具体步骤包括:
步骤101分帧:含有目标成分波形的样本数据以目标成分起始点开始,长度需要保证涵盖完整的目标成分波形;非目标样本数据则分成与目标样本数据等长、具有一定交叠的数据帧;
步骤102能量归一化:为了保证帧与帧间的能量差异不会使自发成分的相关原子波形失真,每帧数据都必须进行能量归一化处理,即系数向量除以所有采样点平方和的平方根,能量差异在重构过程中可以通过系数补偿加以恢复;
步骤2.系统初始化;
所述步骤2的具体步骤包括:
步骤201非目标背景成分字典初始化:首先使用非目标时变信号样本数据,对非目标背景成分字典D(B)进行训练,由于后续训练过程中D(B)仍在持续更新,故这一步骤只需使用传统的字典训练方法即可;
步骤203目标成分样本训练数据预处理:对所有含目标成分的样本使用D(B)进行重构,所有误差超过某一阈值的认为其中含有显著的目标成分,将这些样本的残差作为后续步骤的训练数据;
步骤204目标成分字典D(T)初始化:提取步骤203所得数据中相关性最小的m个作为D(T)的初始值,m为D(T)包含的原子数;至此系统的初始化完成;
步骤3.稀疏建模与波形字典学习;
所述步骤3具体步骤包括:
步骤301约束满足稀疏建模:为了实现融合SPI指标的波形寻优,需要首先对训练集进行重构和稀疏化,训练集包括不含有目标成分与含目标成分的时变信号数据两部分的稀疏模型,使用稀疏化后的样本系数模型对成分字典进行修正,以使其能够以更少的原子重构绝大部分样本,同时重构误差不显著提升;为了优化样本的SPI指标,并使学习所得的字典原子更接近成分完整波形而非成分的分量,需要依据字典原子之间的互相干性,令经常产生关系的字典原子对应系数互相抑制,以此令优势原子尽可能合并劣势原子,从而得到更接近样本真实成分的原子波形;字典原子α,β间互相干性的定义方式为:
式中aiα、ajβ分别表示字典原子α,β对应的系数,P为训练样本总数;μα,β越小,表示字典内两个原子α,β间相关度越低,其逻辑距离越远;使用梯度法对每个aij进行更新,在所有aij都更新完成后即可得到新的稀疏模型ai(t+1);为了保证每个样本的重构误差都在可控范围内,μ应设置较小值;
步骤302字典波形修正:在每一步的样本建模稀疏化后,必须进行字典学习以降低误差,这同时也是令字典原子波形趋向于更完整的样本成分波形的过程,该过程同样利用梯度法实现;每一轮样本模型稀疏化后,字典必须进行多轮迭代至误差收敛,以此保证模型的整体收敛性;
步骤303收敛性判定:学习过程的终止有两种方式:其一,根据求解范式,在能量函数值抵达最低点并开始上升时终止;其二,根据样本集的噪声估计值,在半数样本的重构误差超过该值时终止学习,前者的精度较高,后者的工程实现比较便捷、且需要一个额外的估计参数,二者都可以实现基于SPI稀疏约束范式的波形字典优化;如果判定系统已收敛,则结束步骤3;否则,返回步骤301;
步骤4.时变信号单次特定成分估计;
步骤4的具体步骤包括:
步骤401数据预处理:这一部分的数据预处理流程与字典训练相同,即分帧、能量归一化;
步骤402单帧数据样本约束满足稀疏建模:此过程中目标成分字典D(T)及其对应的系数向量部分ai(T)始终有且仅有一个处于激活状态,以此保证目标成分波形估计的完整性;
步骤403目标成分重构:在稀疏建模完成后,只需分别对非目标成分部分D(B)ai(B)和目标成分部分D(T)ai(T)进行重构和能量复原,即可得到对单帧数据特定成分波形的估计结果;即:
式中v为该样本的修正系数,等于该样本归一化时缩放倍数的倒数;
步骤404目标成分存在性判定:当ai(T)中非零值的绝对值大于预设阈值时,即可认为样本中存在着目标成分,其强度值由系数绝对值表征;当该值小于阈值时,则认为相关成分是由随机扰动导致的;至此,基于稀疏约束波形估计的成分字典学习和单次目标成分提取和分析流程全部结束;
步骤5.新异类目标成分波形发现:
步骤5的具体步骤包括:
步骤501中值滤波:为了消除残差信号中突变点及高频信号的影响,首先需要对残差进行中值滤波;中值滤波的窗长由数据样本及目标成分波形的性质决定,以尽可能保留残差中类目标成分的细节特征;
步骤502计算中值滤波后残差波形的平稳性指标:设中值滤波后的残差波形序列为e′(t),t=1…N,使用如下的指标来定义序列的平稳度:
步骤503基于阈值的残差性质判定:接下来,可以使用阈值判定残差的性质,平稳度指标高于该阈值的认为残差主要以随机噪声为主,否则认为其中存在有意义的类目标成分波形;该阈值可以由近似样本集训练得出;经过这一判定过程,潜在的有意义类目标成分波形能够跟随机噪声区分开来,从而实现有效的类目标发现和预警;
步骤504新异目标成分波形的估计与确认:将残差与该样本的目标成分估计结果相加并进行能量归一化,即可得到新异目标成分波形的估计结果R;接下来,需要若干个样本得出相似的新异目标成分波形估计结果才能确认该新异目标成分波形的存在,两个估计结果Ra和Rb相似的判定方式为:
式中dj,dk表示字典D的任意原子;
步骤505目标成分字典D(T)扩展:在某一样本估计所得新异目标成分波形与若干其他样本估计所得新异目标成分波形相似后,即可判定该新异目标成分波形存在,并将其作为一个新的原子加入到D(T)中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715343.9A CN110443194B (zh) | 2019-08-05 | 2019-08-05 | 基于spi稀疏约束的时变信号成分提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715343.9A CN110443194B (zh) | 2019-08-05 | 2019-08-05 | 基于spi稀疏约束的时变信号成分提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443194A CN110443194A (zh) | 2019-11-12 |
CN110443194B true CN110443194B (zh) | 2021-09-07 |
Family
ID=68433156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910715343.9A Active CN110443194B (zh) | 2019-08-05 | 2019-08-05 | 基于spi稀疏约束的时变信号成分提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443194B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122353A (zh) * | 2011-03-11 | 2011-07-13 | 西安电子科技大学 | 利用增量字典学习与稀疏表示进行图像分割的方法 |
CN104463245A (zh) * | 2014-12-08 | 2015-03-25 | 电子科技大学 | 一种目标识别方法 |
CN104573738A (zh) * | 2013-10-28 | 2015-04-29 | 北京大学 | 信号处理方法及其装置 |
CN105740772A (zh) * | 2016-01-22 | 2016-07-06 | 江苏师范大学 | 变换域联合稀疏模型的皮层体感诱发电位的实时监测方法 |
CN106295689A (zh) * | 2016-08-01 | 2017-01-04 | 广东工业大学 | 一种信号稀疏表示方法及装置 |
US9558762B1 (en) * | 2011-07-03 | 2017-01-31 | Reality Analytics, Inc. | System and method for distinguishing source from unconstrained acoustic signals emitted thereby in context agnostic manner |
CN106599903A (zh) * | 2016-11-22 | 2017-04-26 | 电子科技大学成都研究院 | 基于相关性的加权最小二乘字典学习的信号重构方法 |
CN109064406A (zh) * | 2018-08-26 | 2018-12-21 | 东南大学 | 一种正则化参数自适应的稀疏表示图像重建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7352909B2 (en) * | 2003-06-02 | 2008-04-01 | Seiko Epson Corporation | Weighted overcomplete de-noising |
US8775495B2 (en) * | 2006-02-13 | 2014-07-08 | Indiana University Research And Technology | Compression system and method for accelerating sparse matrix computations |
-
2019
- 2019-08-05 CN CN201910715343.9A patent/CN110443194B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122353A (zh) * | 2011-03-11 | 2011-07-13 | 西安电子科技大学 | 利用增量字典学习与稀疏表示进行图像分割的方法 |
US9558762B1 (en) * | 2011-07-03 | 2017-01-31 | Reality Analytics, Inc. | System and method for distinguishing source from unconstrained acoustic signals emitted thereby in context agnostic manner |
CN104573738A (zh) * | 2013-10-28 | 2015-04-29 | 北京大学 | 信号处理方法及其装置 |
CN104463245A (zh) * | 2014-12-08 | 2015-03-25 | 电子科技大学 | 一种目标识别方法 |
CN105740772A (zh) * | 2016-01-22 | 2016-07-06 | 江苏师范大学 | 变换域联合稀疏模型的皮层体感诱发电位的实时监测方法 |
CN106295689A (zh) * | 2016-08-01 | 2017-01-04 | 广东工业大学 | 一种信号稀疏表示方法及装置 |
CN106599903A (zh) * | 2016-11-22 | 2017-04-26 | 电子科技大学成都研究院 | 基于相关性的加权最小二乘字典学习的信号重构方法 |
CN109064406A (zh) * | 2018-08-26 | 2018-12-21 | 东南大学 | 一种正则化参数自适应的稀疏表示图像重建方法 |
Non-Patent Citations (3)
Title |
---|
基于稀疏质量优化的语音信号分析方法;李海峰;《第十四届全国人机语音通讯学术会议(NCMMSC 2017)论文集》;20171011;第90-95页 * |
脑电信号成分稀疏分析范式及其可行证明;岳琪等;《信号处理》;20180831;第34卷(第8期);第923-929页 * |
音乐信号稀疏分析方法研究;丰上等;《复旦学报(自然科学版)》;20180630;第57卷(第3期);第328-334页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110443194A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633486B (zh) | 基于三维全卷积神经网络的结构磁共振图像去噪方法 | |
CN107506822B (zh) | 一种基于空间融合池化的深度神经网络方法 | |
Zhang et al. | Joint image denoising using adaptive principal component analysis and self-similarity | |
CN111932468B (zh) | 一种基于含噪声图像分布约束的贝叶斯图像去噪方法 | |
CN109946253B (zh) | 一种光谱去噪方法 | |
CN111046737B (zh) | 一种用于微地震信号检测的高效智能感知采集方法 | |
CN109671029A (zh) | 基于伽马范数最小化的图像去噪算法 | |
CN103473755B (zh) | 基于变化检测的sar图像稀疏去噪方法 | |
CN109636722B (zh) | 一种基于稀疏表示的在线字典学习超分辨率重建的方法 | |
CN108765313B (zh) | 基于类内低秩结构表示的高光谱图像去噪方法 | |
CN107730482A (zh) | 一种基于区域能量和方差的稀疏融合算法 | |
Gao et al. | Improving the performance of infrared and visible image fusion based on latent low-rank representation nested with rolling guided image filtering | |
Cha et al. | GAN2GAN: Generative noise learning for blind denoising with single noisy images | |
Vitale et al. | A new ratio image based CNN algorithm for SAR despeckling | |
CN110543832A (zh) | 基于随机森林和卷积神经网络的脑电数据分类方法 | |
CN110569728A (zh) | 一种基于字典训练和正交匹配追踪的核信号提取方法 | |
CN107292855B (zh) | 一种结合自适应非局部样本和低秩的图像去噪方法 | |
CN112367284A (zh) | 概率整形星座下的概率分布识别方法、装置、设备及介质 | |
CN107301631B (zh) | 一种基于非凸加权稀疏约束的sar图像降斑方法 | |
CN111242873A (zh) | 基于稀疏表示的图像去噪方法 | |
CN110443194B (zh) | 基于spi稀疏约束的时变信号成分提取方法 | |
Niknejad et al. | Class-specific Poisson denoising by patch-based importance sampling | |
CN107292847B (zh) | 一种数据降噪方法及系统 | |
CN113378620A (zh) | 监控视频噪声环境下跨摄像头行人重识别方法 | |
CN116543259A (zh) | 一种深度分类网络噪声标签建模与纠正方法、系统及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |