基于平稳小波变换的飞行数据去噪方法

为更有效地去除飞行数据中的噪声,分析了平稳小波变换的基本原理,将小波系数相关性与阈值收缩去噪方法相结合,提出一种基于系数相关性的改进阈值函数去噪方法。该方法采用平稳小波变换,先对小波系数进行相关性分析,而后使用改进的阈值函数对小波系数进行阈值处理,最后进行信号重构。实验结果表明:该方法不仅能够很好地保持信号的形状,而且信噪比较高、均方误差较小;在实际的飞行数据处理中能够获得较好的去噪效果。     

鼠笼式异步电机转子故障程度诊断方法

针对异步电机启动阶段转子断条故障检测问题,提出了一种基于同步压缩小波变换SWT的瞬态电流特征分析方法,通过时频分布图来判断转子是否存在故障。在此基础上,通过曲线拟合的方法给出了导条电阻与SWT系数能量谱之间的关系,进一步给出了确定故障预警值和报警值的方法。最后提出了一种判断故障程度的指标。采用Ansoft Maxwell软件建立笼型异步电机故障仿真模型,仿真实验结果表明,该方法能有效地诊断转子不对称故障并评估出故障程度。     

基于SWT自适应模糊萎缩的SAR图像降斑算法

提出了基于小波域高斯混合模型贝叶斯估计模糊萎缩的SAR图像降斑算法.该算法分析了SAR图像在平稳小波变换(SWT)域中的统计模型,并用高斯混合模型对其进行描述,推导出基于贝叶斯估计的信号最小均方误差(MMSE)的模糊萎缩因子.籍此再根据小波域相邻尺度间小波系数的相关性,采用分区域模糊萎缩思想,很好地得到无斑点真实信号小波系数的估计.仿真结果表明该算法在大大抑制斑点噪声的同时,有效的保持了边缘,其性能优于改进Lee滤波,小波软阈值和SWT萎缩降斑算法.     

一种基于嵌入式Linux图形用户接口的实现

介绍了Java技术在嵌入式L inux图形用户接口(GU I)中的应用,分析了Java GU I的标准窗口构件工具箱(SW T)以及嵌入式L inux GU I的结构和特点。然后实现了一种基于嵌入式L inux GU I系统架构SW T+G tkFB,并作了深入而全面的分析,最后展望了其发展前景。     

基于SWT的电力系统基波检测

在噪声混入含有基波的信号时,传统的时频分析方法在基波提取过程中易出现模态混叠。为了准确检测出基波分量,利用时频分析精度较高的同步挤压小波变换(Synchrosqueezing Wavelet Transform, SWT)实现基波检测。首先,采用SWT将含有基波的信号分解为一组内蕴模态类函数(Intrinsic Mode Type functions, IMTs),第一个分量IMT1即代表基波。然后,该分量经Hilbert变换实现基波频率和幅值的测量。在谐波幅值瞬变、噪声混入、基波频率波动、间谐波频率靠近基波和谐波的情境下进行算法验证。实验结果表明,SWT能够准确提取基波,频率精度最高可达10?8量级,具有较强的抗噪性,且SWT的基波提取能力强于谐波和间谐波。     

基于SWT的Windows手势研究和开发

随着个人计算机的普及,如何使操作系统便于用户使用显得尤为重要,其中复制、粘贴、删除、打开、返回到上一层界面、最小化当前界面这些操作最为频繁。论文详细介绍了开发这些基本操作的Windows手势的过程。给出了关键技术和系统的详细设计,以及实现的类说明,最后对该系统的前景进行了展望。     

BP神经网络在车辆组合导航中的应用研究

针对车辆GPS/DR组合导航系统在GPS信号被遮挡时无法完成DR零点更新的问题,提出了基于BP神经网络的DR位置误差预测模型来解决该问题。在GPS有效时,该算法采用基于平稳小波变换的扩展卡尔曼滤波器对GPS/DR信号进行数据融合得到车辆实时的精确位置,与经平稳小波变换软阈值模平方去噪法处理的DR位置数据进行平稳小波多尺度比较获得DR位置误差;然后用BP神经网络建立DR位置误差预测模型,为了提高所用网络的泛化能力,采用了贝叶斯正则化规则训练网络。在GPS失效时,利用已建立的预测模型预测DR位置误差来修复DR位置数据,实现车辆行驶在复杂路径下的实时精确导航定位。仿真表明,该算法对车辆GPS/DR组合导航系统有效。     

抗倾斜的中文文本图像文件识别技术

针对实际应用场景中如何在大批量图像文件中快速找到中文印刷体文本图像文件进行OCR （Optical Character Recognition）识别的问题，本文在笔画宽度变换算法（SWT）的基础上，设计了针对中文文本固有特点的启发式规则，并将水平投影技术与离散傅里叶变换相结合，提出了一种适合倾斜角度在-90至90°之间的中文印刷体文本图像文件识别技术.实验结果显示，在1606张测试集图像文件的识别中，本文算法针对文本图像文件整体识别F值（F-Measure）为0.95，平均识别耗时为0.65 s.     

Deep learning based enhanced tumor segmentation approach for MR brain images

Automation in medical industry has become one of the necessities in today’s medical scenario. Radiologists/physicians need such automation techniques for accurate diagnosis and treatment planning. Automatic segmentation of tumor portion from Magnetic Resonance (MR) brain images is a challenging task. Several methodologies have been developed with an objective to enhance the segmentation efficiency of the automated system. However, there is always scope for improvement in the segmentation process of medical image analysis. In this work, deep learning-based approach is proposed for brain tumor image segmentation. The proposed method includes the concept of Stationary Wavelet Transform (SWT) and new Growing Convolution Neural Network (GCNN). The significant objective of this work is to enhance the accuracy of the conventional system. A comparative analysis with Support Vector Machine (SVM) and Convolution Neural Network (CNN) is carried out in this work. The experimental results prove that the proposed technique has outperformed SVM and CNN in terms of accuracy, PSNR, MSE and other performance parameters.