针对列车走行部故障振动数据无监督特征学习的难点,提出了一种基于压缩感知和深度小波神经网络(CS-DWNN)的列车故障识别方法。首先,对采集得到的列车走行部振动信号利用高斯随机矩阵进行压缩采样;其次,构建以改进小波自编码器(WAE)为基础的深层小波网络,将压缩后的信号直接输入网络进行自动逐层特征提取;最后,用DWNN学习到的多层特征分别训练多个深度支持向量机(DSVM)和深度森林(DF)分类器,并将识别结果进行集成。该方法利用深层小波网络从压缩信号中自动挖掘隐藏的故障信息,受先验知识和主观影响较小,并且避免了复杂的人工特征提取过程。实验结果表明,CS-DWNN方法取得了99.16%的平均诊断正确率,能够有效识别列车走行部的3种常见故障,识别能力优于传统的人工神经网络(ANN)、支持向量机(SVM)等方法和深度信念网络(DBN)、堆栈降噪自编码器(SDAE)等深度学习模型。
针对现有方法中篡改检测效率不高、定位不精确的问题,提出了一种基于无损水印和四叉树分解的医学图像快速篡改检测及恢复的方法。利用对医学图像进行四叉树分解过程中的层次结构特点,提高了篡改检测精确性和定位速度;同时使用分解后块中对角线像素均值作为恢复特征值,保证篡改后图像的修复质量。实验结果表明,与现有方法相比,所提方法在尺寸为512×512的图像中,定位比较次数降至6.7次左右,篡改定位精确性提高了5%左右。