排序方式: 共有56条查询结果,搜索用时 15 毫秒
21.
22.
23.
24.
25.
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。 相似文献
26.
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。 相似文献
27.
28.
BP神经网络在车辆组合导航中的应用研究 总被引:1,自引:0,他引:1
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。 相似文献
29.
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. 相似文献
30.
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. 相似文献