基于非负矩阵分解与主元分析的时频图像识别方法研究
2012-09-15李宏坤陈禹臻张志新
振动与冲击 2012年18期
关键词:方法
李宏坤,陈禹臻,张志新,周 帅
(1.大连理工大学 机械工程学院,大连 116023;2.大连理工大学 工业装备结构分析国家重点实验室,大连 116023)
时频分析方法是对非平稳、非线性信号进行分析的有效方法。机械振动所构成的时频图像含有描述机械工作状态的特征信息[1]。为高效率地处理存放于像素矩阵中的数据信息,一般采取将矩阵进行分解的方法。分解后可以对原始矩阵中存放的大量数据进行压缩和概括,进而对压缩矩阵进行特征提取,得到机械设备的状态信息。非负矩阵分解(Non-negative Matrix Factorization,NMF)[2]是目前国际上新的矩阵分解方法,并在理论和应用方面已相对成熟。较完整的NMF理论由Lee等[2]提出,并应用于人脸识别,这引起了科学界的广泛关注。常用的矩阵分解方法有:主成分分析(PCA)、矢量量化(VQ)等。在所有这些方法中,原始的大矩阵V通过V=WH被近似分解为低秩的形式。这些方法的共同特点是:计算机的“认知”过程是基于数据整体的过程,即因子W和H在线性组合时可进行加运算,亦可进行减运算。这样即使输入的初始矩阵元素是全正的,分解后的结果也不能保证非负性。然而负值元素在实际问题中往往是没有意义的[3]。例如图像数据中不可能有负值的像素点,在文档统计中负值也是无法解释的。因此,探索矩阵的非负分解方法一直是很有意义的研究问题。正是如此,NMF方法才得到人们的广泛关注。非负矩阵分解以计算机的“认知”过程是基于部分的过程为前提,通过添加“线性组合时只允许加运算不允许减运算”的限制条件,保证了分解结果的可解释性。……
登录APP查看全文
