| 机械振动信号稀疏表示的快速字典学习算法 |
| 郭俊锋; 何健; 王智明; 魏兴春; 何天经
|
| 2023-09-15
|
专利权人 | 兰州理工大学
|
公开日期 | 2023-09-15
|
授权国家 | 中国
|
专利类型 | 授权发明
|
摘要 | 本发明属于机械振动信号处理技术领域。为了解决K‑SVD算法中字典训练时间较长的问题,本发明公开了一种机械振动信号稀疏表示的快速字典学习算法,具体包括以下步骤:步骤S1,选取训练样本确定初始字典以及确定最佳时序相邻多列样本原子数ml;步骤S2,采用同步正交匹配追踪法(SOMP)对训练样本时序相邻多列样本原子同步稀疏编码,求得稀疏系数矩阵A;步骤S3,固定同步稀疏编码后的稀疏系数矩阵,采用最小二乘法(SGK)进行字典更新;步骤S4,重复步骤S2和步骤S3,直至满足迭代停止条件,完成字典训练,得到学习字典。采用本发明的字典学习算法可以在保证振动信号压缩重构性能的情况下,大大有效提升了字典训练速率。 |
申请日期 | 2019-10-30
|
优先权日 | 2019-10-30
|
预估到期日 | 2039-10-30
|
专利状态 | 授权
|
申请号 | CN201911046228.3
|
公开(公告)号 | CN110765965B
|
IPC 分类号 | G06F18/214
|
专利代理人 | 段君峰 | 温雷
|
代理机构 | 北京市邦道律师事务所
|
CPC分类号 | G06F2218/00
|
权利要求 | 1.机械振动信号稀疏表示的快速字典学习算法,其特征在于,包括以下步骤:
步骤S1,选取训练样本确定初始字典以及确定最佳时序相邻多列样本原子数ml;
步骤S2,采用同步正交匹配追踪法(SOMP)对训练样本时序相邻多列样本原子同步稀疏编码,求得稀疏系数矩阵A;
步骤S3,固定同步稀疏编码后的稀疏系数矩阵,采用最小二乘法(SGK)进行字典更新;
步骤S4,重复步骤S2和步骤S3,直至满足迭代停止条件,完成字典训练,得到学习字典;
在所述步骤S1中,确定最佳时序相邻多列样本原子数ml的具体步骤为:
步骤T1,采用不同时序相邻多列样本原子数下的过完备字典训练时间以及不同压缩率下其测试信号的压缩重构误差,确定最佳时序相邻多列样本原子数ml的范围和振动压缩测量重构最佳压缩率;
步骤T2,根据待分解信号稀释表示时线性组合原子数L,确定最佳时序相邻多列样本原子数ml;
在所述步骤S2中,采用同步正交匹配追踪法(SOMP)对训练样本同步稀疏编码的具体过程为:
步骤S21,通过字典原子长度n以及最佳时序相邻多列样本原子数ml,将训练样本构造为si∈Rn×m1并且同步稀疏编码时序相邻多列训练样本si;
步骤S22,确定迭代次数k,rt=si,t=1;
步骤S23,每次迭代时根据选择最佳字典原子dt;
步骤S24,Λt为每次迭代选择的所有最佳字典原子集合,即Λt=Λt-1∪dt;
步骤S25,根据最小二乘法,求解si第t次迭代最优稀疏系数
步骤S26,更新残差
步骤S27,t=t+1,重复步骤S23~步骤S26,直至t大于k时停止迭代,求得si的稀疏系数矩阵Ai;
步骤S28,同步稀疏编码所有训练样本,求得稀疏系数矩阵A=[A1,A2,…,AN1]。
2.根据权利要求1所述的快速字典学习算法,其特征在于,在所述步骤S1中,选取已有的机械振动信号作为训练样本,并且通过随机选择训练样本K列原子作为初始字典。
3.根据权利要求1所述的快速字典学习算法,其特征在于,在所述步骤S4中,首先判断字典原子d是否全部更新完成,并且当字典原子d全部更新完成后,再判断是否达到字典训练次数。
4.根据权利要求3所述的快速字典学习算法,其特征在于,如果判断没有达到字典训练次数,则重复步骤S2和步骤S3,直至达到预定字典训练次数,停止训练。
|
引用专利 | CN103124179A;CN104063714A;CN104851116A;CN105811993A;CN106503730A;CN107024271A;CN107992843A;CN108846430A;CN109993105A;US20140037199A1;US20150189283A1;US8396310B1;WO2018027584A1
|
被引用专利数量 | 0
|
简单法律状态 | 有效
|
文献类型 | 专利
|
条目标识符 | https://ir.lut.edu.cn/handle/2XXMBERH/107965
|
专题 | 机电工程学院
|
推荐引用方式 GB/T 7714 |
郭俊锋,何健,王智明,等. 机械振动信号稀疏表示的快速字典学习算法[P]. 2023-09-15.
|
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论