带式输送机传动滚筒轴承发生故障时,特别是早期故障,其振动信号中隐含的脉冲故障信息很微弱,且常被淹没在强烈的噪音中,直接做频谱分析或包络分析,很难提取其故障特征。最小熵解卷积(Minimum Entropy Deconvolution,MED)通过最优滤波器对轴承微弱故障信号进行最优滤波,提高了信号的信噪比,然后对滤波后的信号进行包络解调分析,能够提取出信号中隐含的故障特征。将该方法应用于带式输送机传动滚筒中的滚动轴承故障诊断,成功提取出了轴承内圈的早期微弱点蚀故障特征。对FIR滤波器阶数L的选择进行了分析,以确保最优的MED解卷积效果。仿真与应用验证了最小熵解卷积方法在滚动轴承故障诊断的有效性和优点。

《解卷积的多重信号分类算法方位谱低背景处理方法》文章代码复现 摘要：针对信比较低时，多重信号分类(Multiple Signal Classihication, MUSIC)算法方位谱背景级较高的问题，提出了一种解卷积的 MUSIC 方位估计算法(Deonvolved MUSIC D-MUSIC)该方法用一个类似冲激函数作为 MUSIC 算法输出方位的点散射函数 (Point cattering Function,PSF)然后基于解券图像复原理，利用该点散射丽数和 RichardsonLucy(R-L) 送代算法对 MUSIC 算法的方位谱进行解卷，得 D-MUSIC 算法的方位谱，达到降低方位谱背景级的目的仿真表明，该方法继承了 MUSIC 算法的高分生能，且可以明显降低方位的背景级，具有较好的方位估计性能，对南海上试验的水平阵数据进行处理，分析比较了利用 MUSIC 算法和解卷积 MUSIC 算法获得的方位谐时间历程图，分析结果有效验证了 D-MUSIC 算法性能的优越性

基于记忆效应的散斑解卷积法是近几年提出的一种可以实现透过散射介质层成像的方法。可用于散斑解卷积法的算法有很多,但具体的对比分析工作却鲜有报道。设计并搭建了基于记忆效应的透过散射层成像的光学系统,对探测到的散斑进行解卷积计算,并重建出对象图像。在重建过程中,分别使用互相关解卷积算法、维纳滤波算法、正则化解卷积算法以及Lucy-Richardson算法进行解卷积计算。对不同算法重建的图像进行了多个图像质量评价指标的计算。综合图像质量和计算时间,发现互相关解卷积算法在透过散射层成像的应用中具有最大优势,并从原理上进行了简要的解释。

全局频谱反卷积 全局光谱解卷积+峰优化器 gsd使用的算法是搜索拐点以确定峰的位置，并且峰的宽度在2个拐点之间。 GSD的结果产生一个包含{x，y和width}的对象数组。 但是，此宽度基于拐点，并且可能与“ fwhm”（全宽一半最大值）不同。 第二种算法（ optimizePeaks ）将宽度优化为FWHM以匹配原始峰。 因此，优化后的宽度始终为FWHM，无论使用哪个函数。 参数 minMaxRatio = 0.00025（0-1） 根据给定峰的相对高度与最高峰的比较来确定是否应将给定峰视为噪声的阈值。 broadRatio = 0.00（0-1） 如果broadRatio大于0，则所有二阶导数小于broadRatio * maxAbsSecondDerivative的峰都将被标记为true的软掩码。 noiseLevel = 0（-inf，inf） 频谱单位的噪声阈值 max

风电机组轴承处于早期故障阶段时，特征信号往往比较微弱，并且受环境噪声及信号衰减的影响严重，因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用，但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题，考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲，非常适用于轴承早期故障信号的降噪处理，因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪，然后对降噪后的信号进行EMD，选取敏感本征模态函数(IMF)并计算其包络谱，通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。

该算法可以实现在频域解解卷积，包含排序算法，亲测好用

该代码使用联合稀疏表示模型来提高超声成像的轴向分辨率。 所提出的模型将沿轴向的稀疏反卷积与沿横向的稀疏偏好约束相结合。 有关详细信息，请参阅 J. Duan 等人，“使用联合稀疏表示模型提高超声成像的轴向分辨率”。

总变异正则化最小二乘反卷积是最标准的图像处理问题之一。 该软件包使用增强拉格朗日 [1] 的概念提供了当前最先进算法的实现，可以将其视为广为人知的乘法器交替方向方法 (ADMM) 的变体。 deconvtv 的用户界面与当前 MATLAB 的反卷积工具相同，包括 deconvwnr、deconvlucy 和 deconvreg： out = deconvtv(img, psf, mu, opt); deconvtv 支持对图像和视频解卷积问题的直接时空处理。 deconvtv 的应用包括但不限于：图像和视频去模糊、图像和视频去噪、深度数据增强、热空气湍流稳定和多视图合成。 如需更多信息和引文，请参阅： [1] SH Chan、R. Khoshabeh、KB Gibson、PE Gill 和 TQ Nguyen，“用于全变分视频恢复的增强拉格朗日方法”，IEEE Trans。 图像

可以将超声脉冲回波检查中的接收信号建模为脉冲响应和反射序列之间的卷积，这是被检物体的脉冲特性。 去卷积的目的是使该过程近似反转以提高时间分辨率，从而使来自紧密间隔的反射器的回波之间的重叠变小。 本文提出了一种改进的最小熵盲去卷积算法，用于对超声信号进行去卷积。 通过使用提出的方法可以提高分辨率。 另外，在许多情况下，所提出的方法将导致更快的计算。 非线性函数是改进的盲解卷积算法效率的关键，该算法用于通过使用非线性函数的输出替换每个迭代输出来增加迭代输出的稀疏性并减少添加的噪声的影响。 仿真结果表明，在对合成超声信号进行卷积时，与最小熵解卷积相比，修改的效率更高。 使用实际超声数据的实验结果进一步评估，精确的解决方案始终可以产生良好的性能。 薄钢板样品的厚度可以通过改进的盲反褶积滤波器以合理的精度进行计算。

针对于模糊图像复原，psf复原，加权数组去模糊，FUN复原图像