8个研究背景和意义示例,教你写计算机稀疏表示论文

今天分享的是关于稀疏表示的8篇计算机毕业论文范文, 如果你的论文涉及到稀疏表示等主题,本文能够帮助到你

基于稀疏表示的人脸识别算法研究与应用

这是一篇关于人脸识别,稀疏表示,虚拟样本,权重分配,K近邻的论文, 主要内容为随着计算机技术在模式识别领域的深入研究,人脸识别技术获得了飞速发展,但是在复杂环境如光照强度不同、存在遮挡物、表情变化丰富、训练样本数目不足等情况下,人脸识别的效果会大打折扣。因此,怎样克服这些困难提高识别的准确率成为了该领域专家和学者需要努力的方向。最近一些年在人脸识别领域,由于识别效果较好,基于稀疏表示的方法开始崭露头角。本文的研究思路是在经典的稀疏表示方法基础之上,融合了虚拟样本、权重分配、K近邻的优势提出了两种改进型的算法。其主要的研究内容包括如下:1)首先研究了基于虚拟训练样本的权重稀疏表示算法,由于大多数情况下训练样本不足,于是产生了构造虚拟训练样本的想法,使用的技术方法是几何对称变换和随机添加噪声,该方法可以弥补人脸数据库中因表情变化丰富、姿势多变、背景丰富情况下样本不足的问题。然后将不同的训练样本集分别进行线性稀疏表示测试样本图像,并分别计算各个类在表示测试样本时的表示误差。接着计算不同训练样本集对应的权重,然后将计算出来的误差进行加权求和,最后将分类识别的结果归于加权误差最小值对应的类别。多组对比实验结果表明相对于经典的稀疏表示算法来说,该算法在一定程度上提升了人脸识别的效果。2)为了使识别的效果更好,本文又接着研究了基于虚拟测试样本与K近邻的稀疏表示算法。这种方法将人脸识别分成两个阶段进行,第一阶段根据稀疏表示方法得到训练样本集中与测试样本偏差较小的前K类样本,然后把它作为第二阶段新的训练样本集再对测试样本进行稀疏表示,最后得出与不同测试样本加权误差最小的类别即是人脸识别的结果。经过多组对比实验结果表明该算法相对于上面提出的算法识别效果有一定的改善。但是该算法是否可以进一步改进呢?紧接着在本算法的基础之上做了改进其创新之处在于第一阶段求解前K个类别的过程中使用曼哈顿距离来得到新的训练样本集以用于第二阶段的人脸识别。实验结果也表明改进后的两阶段算法相比原算法其识别准确率有了一定的提高和改善。3)本文在提出以上两种人脸识别算法后,开发了一个模拟实验室门禁的人脸识别系统。该系统的主控程序图形化界面采用目前流行的Spring MVC框架结合mysql数据库搭建而成,人脸识别算法采用matlab R2018b做仿真测试。该系统主要包含选择训练样本图像、构建训练样本集、选择测试样本图像、识别匹配几大功能模块,有效的将理论研究运用到实践中去。

基于字典学习的医学图像检索系统的研究与实现

这是一篇关于图像检索,稀疏表示,字典学习,特征提取,医学图像检索系统的论文, 主要内容为随着医疗技术的不断发展以及计算机性能的飞速提升。医学影像数据每天都以几何数的方式增长,这对医学图像检索技术提出了更高的要求。面对大量的医学影像数据,如何从巨大的图像库中找到所需图像,从而帮助医生诊断和治疗成为一个亟需研究的热点。但是,传统的图像检索方法应用到医学图像检索其结果不是很乐观。为了提高医学图像检索的效率从而更好地将图像检索技术应用到医学领域的实际科研和教学中,本文针对图像检索中的特征提取、图像分类进行了研究,并且在IRMA数据集进行实验。本课题中作者主要完成了以下任务:1、简要分析医学图像检索的背景、意义及应用前景,并且对基于字典学习的医学图像检索中提取特征,构建字典,特征匹配等关键技术进行了详尽的研究。2、研究稀疏表示理论,在医学图像检索的架构中应用稀疏表示理论,设计并且应用基于稀疏表示的图像分类方法,主要围绕K-SVD算法和OMP算法对稀疏表示的理论及其实现进行了详细的阐述与分析。为了提高检索性能,对字典大小和稀疏度两个重要参数进行了讨论和优化,并且通过实验得到了最佳参数从而获得更好的检索性能。3、系统设计与实现。在算法研究的相关基础上,本文以Windows为平台,基于Open CV自主开发了一套基于字典学习的医学图像检索系统。该系统使用MFC开发框架,使用Visual Studio 2010为开发工具,SQL Server 2008为数据库。医学图像检索系统主要包含用户注册登录、图像检索、相似性排序、信息浏览等模块。本系统很好的将相关算法转换为可视化操作的界面,测试表明该系统方便易用,更加实用。

多维频谱态势感知与生成关键技术研究

这是一篇关于频谱态势,频谱地图,空间插值,稀疏表示,感知节点部署的论文, 主要内容为随着信息科技的的迅速发展,频谱资源紧张的问题日益凸显,对电磁环境进行多维认知是进行电磁频谱管理和提高电磁频谱资源整体利用率的基础。多维频谱态势感知与生成是电磁环境认知中的关键技术之一。本文研究电磁环境频谱态势感知与生成的关键技术。第一章介绍论文的研究背景及意义,概括了本文的研究内容及结构安排。第二章首先总结电磁环境的关键构成要素,给出基于本体模型的电磁环境知识图谱构建方法,用于构建电磁环境知识图谱以表征多维电磁环境。第三章研究空域频谱态势感知与生成技术。根据是否已知电磁环境先验信息、辐射源是否在目标区域呈稀疏分布等条件,分别研究了基于空间插值和稀疏表示的频谱态势感知与生成技术。基于空间插值的方法将感知空域进行网格离散化,将空域频谱态势生成问题转换为空域离散点上频谱数据补全的问题,把未知数据表示为采样数据的加权组合,分别利用克里金(Kriging)插值法和薄板样条(Thin Plate Splines,TPS)插值法求解加权系数,估计未知数据,获取完整的频谱数据,生成频谱地图。在已知电磁环境先验信息且辐射源在空域稀疏分布的场景下,论文基于稀疏表示的方法根据辐射源稀疏分布特性与信号传播模型,将空域频谱态势生成问题转换为稀疏辐射源信息估计的问题,分别建立压缩感知(Compressed Sensing,CS)和变分贝叶斯最大期望(Variational Bayesian Expectation Maximization,VBEM)模型,通过1范数最小化算法和Levenberg–Marquardt算法从采样信息中求解辐射源的位置和功率信息,再利用辐射源信息和信号传播模型计算整个空域的频谱数据,生成完整的频谱地图。本章仿真对比了两类算法的性能,结果表明:在不同仿真场景下,基于VBEM算法的频谱态势生成算法性能最优,且达到最优性能所需的传感器数量最少、算法复杂度适中;基于空间插值的频谱态势生成算法性能与插值法的选取有关,为了获得较好的性能需要大量的采样数据,其中TPS插值法的性能较好、算法复杂度低,但对数据的平稳性要求较高;基于CS算法的频谱态势生成算法性能与空域离散精细度有关,算法复杂度较高。当辐射源不位于空域离散网格点上时,算法性能较差,且随着空域范围增大,算法性能急剧下降。第四章研究电磁频谱态势生成中的感知节点部署技术。针对电磁频谱态势生成中辐射源定位问题,本章通过最大化费雪信息矩阵(Fisher Information Matrix,FIM),最小化辐射源定位的克拉美罗下界(Cramer Rao Lower Bound,CRLB),求解感知节点优化部署方案,提高辐射源定位精度,减小频谱态势生成误差。分析结果表明:感知节点围绕辐射源呈正多面体分布时,辐射源定位误差最小。基于这一结果,论文提出将部分感知节点围绕辐射源呈正多面体分布、部分感知节点在目标区域均匀分布采集数据,进行频谱态势生成。针对电磁频谱态势生成过程中,基于VBEM算法的频谱态势生成算法容易估计出多个几乎重叠的辐射源、生成的频谱地图不能重建阴影衰落特征等问题,本章进一步研究了多感知节点联合辐射源定位和频谱态势生成方案。联合方案在VBEM算法粗略估计出辐射源的位置与功率信息的基础上,利用迭代自组织数据分析算法(Iterative Selforganizing Data Analysis Techniques Algorithm,ISODATA)将估计出的辐射源位置聚类,令辐射源聚类中心代表多个重复的辐射源,围绕每个辐射源聚类中心位置设计感知节点的优化部署方案,精细感知频谱态势信息,减少感知节点使用量;在频谱态势生成的过程中,利用TPS插值法估计并加入阴影衰落分量,提高频谱的地图精度。仿真结果表明:联合方案在小范围空域内,感知节点足够的情况下,平均定位误差小于1米的概率能够达到90%以上;对于不同感知节点数量和空域范围,相比于单独采用VBEM算法,联合方案生成的频谱地图误差更小。第五章以多无人机协同频谱态势感知为例,设计开发了频谱态势感知与生成仿真系统,描述了仿真系统架构和所涉及的关键算法,展示了仿真系统的运行效果。第六章进行全文总结,并说明后续研究方向。

基于稀疏表示的人脸识别算法研究与应用

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。