基于非下采样Contourlet域高斯尺度混合模型的图像降噪

提出了一种图像去噪方法,将高斯尺度混合(GSM)模型引入非下采样Contourlet变换(NSCT)域,构造了基于NSCT分解系数的邻域模型,并利用Bayes最小均方(BLS)估计进行局部去噪。仿真实验结果表明,通过本文提出的方法能够有效去除高斯噪声,较完整地保持图像中的边缘等细节信息,在峰值信噪比(PSNR)提高与视觉效果上优于其它的去噪方法。实验结果验证了方法的正确性。     

光学4f系统灰度误差补偿的实现

为补偿光学4f系统灰度误差,提出基于直方图匹配和径向基函数(RBF)神经网络的灰度误差补偿方法。首先利用径向基函数神经网络拟合经光学4f系统输出图像的直方图与对应输入图像的直方图之间的非线性变换,得到输出图像与输入图像的直方图匹配变换曲线的最优估计;再依据直方图匹配曲线的最优估计对经光学4f系统的输出图像进行直方图匹配,得到灰度误差补偿后的图像。利用实际的光学4f系统进行光学实验,灰度误差补偿后图像的信噪比平均提高了2.96dB,视觉效果明显改善。实验结果表明,该方法能有效补偿光学4f系统灰度误差,提高基于光学4f系统的光学信息处理的精度。     

水平荷载作用下填充墙高度对RC框架结构受力性能影响的非线性分析

采用ANSYS软件对3个单层单跨开洞率不同的填充墙钢筋混凝土框架水平荷载试验模型进行了非线性分析,由分析结果可得计算值与试验结果吻合良好。用同样的模拟方法,对5个单层双跨不同填充墙高度的钢筋混凝土框架模型进行了水平荷载作用下的全过程模拟分析。研究结果表明,随着填充墙高度的增大,填充墙框架结构侧移刚度和水平承载力显著提高,结构延性相对降低;框架结构开裂荷载有所提高,但框架柱原有的"强剪弱弯"性能可能改变,出现箍筋先于纵筋屈服的不利情况;框架柱上段剪力值比原纯框架柱有明显增大,各跨墙高不等时,增幅更大;按照现行结构设计方法,框架柱正截面和框架梁弯、剪承载力设计是安全的,但是框架柱斜截面抗剪承载力的设计存在极大的安全隐患。     

基于经验模式分解和最小二乘支持向量机的胎儿心电信号提取

针对心电信号的非平稳特性,将非平稳信号处理方法与非线性估计方法相结合,提出一种从母体腹壁混合信号中提取胎儿心电信号的新方法。采用经验模式分解(EMD)方法将非平稳的母体心电信号分解为有限个本征模函数(IMF)和一个残差信号;母体腹壁混合信号中的母体心电成分为母体心电信号的非线性变换,采用最小二乘支持向量机(LSSVM)拟合这一非线性变换;将EMD分解所得的本征模函数和残差信号经由所拟合的非线性变换得到母体腹壁混合信号中母体心电成分的最优估计,从母体腹壁混合信号中减去该最优估计得到胎儿心电信号。引入基于特征值分析和基于互相关系数计算信噪比的方法,评估胎儿心电信号提取方法的性能。实验结果表明,在胎儿心电信号和母体心电信号QRS波分离或者重叠的情况下,通过本文提出的方法均可得到清晰的胎儿心电信号,且信噪比相对于传统方法有明显提高。实验结果验证了该方法的有效性。     

基于ICA方法和遗传算法的胎儿心电信号提取

现有独立分量分析(ICA)方法易陷入局部极优值,从而使提取出的胎儿心电信号(FECG)中常混有部分母体心电(MECG).为解决该问题,本文提出一种基于独立分量分析和遗传算法(GA)的新的胎儿心电信号提取方法.该方法首先利用遗传算法在全局空间内搜索最优值,然后又通过基于峭度的固定点算法的迭代核加强局部搜索,因而增强了算法的分离能力.该算法适用于超高斯和亚高斯信号同时存在的情况,并且具有遗传算法所有的收敛性强的优点.实验结果表明,该算法可以成功地分离混叠信号,而且与传统的独立分量分析方法相比,具有更优异的分离能力,提取出的胎儿心电信号噪声小,几乎不混有母体心电.     

基于最小二乘支持向量机的胎儿心电信号提取

该文针对胎儿心电信号难以提取的问题,提出一种从母体腹壁混合信号中提取胎儿心电信号的方法。首先利用最小二乘支持向量机(LSSVM)拟合母体心电信号传导至腹壁所经历的非线性变换,然后将母体心电信号经由所拟合的非线性变换得到腹壁混合信号中的母体心电成分的最优估计,再从腹壁混合信号中减去母体心电成分的最优估计得到含噪声的胎儿心电信号,最后通过经验模式分解(EMD)抑制胎儿心电信号中的基线漂移和噪声,得到清晰的胎儿心电信号。在胎儿心电信号和母体心电信号QRS波完全重叠的情况下,通过该方法能够提取出清晰的胎儿心电信号。实验结果验证了该方法的有效性。     

使用多尺度递归图和视觉转换器的心律失常分类

心电(ECG)信号反映心脏电生理活动状态,其准确分类对于心脏疾病的自动诊断非常重要,为此,提出一种使用多尺度 递归图和视觉转换器的心律失常自动分类方法。 首先使用小波变换将心电信号分解为低频分量和若干个高频分量,并采用递 归图方法将其分别变换为二维纹理图像;然后针对样本不平衡问题,采用多分类 Focal loss 替代交叉熵损失函数,对视觉转换器 模型进行改进;最后基于心电信号的多尺度递归图表示,使用改进的视觉转换器进行心律失常分类。 采用 MIT-BIH 心律失常 数据库中的数据进行实验,所提出的心律失常分类方法的平均准确率为 97. 38% 。 实验结果表明,提出的方法能有效识别心律 失常类型,且其性能明显优于传统的心律失常自动分类方法。     

使用时频盲源分离和小波包去噪的胎儿心电信号提取

提出一种使用时频盲源分离(TFBSS)和小波包去噪的胎儿心电信号提取新方法。首先通过重排时频谱时频盲源分离方法进行胎儿心电信号的初次提取,并将初次提取得到的母体心电信号和噪声对应的各路分量置零,其余分量由混合矩阵进行重构;然后再利用重排时频谱的时频盲源分离方法对重构信号进行胎儿心电信号的二次提取,得到含噪声的胎儿心电信号;最后通过小波包去噪抑制胎儿心电信号中的基线漂移和噪声。在胎儿心电信号和母体心电信号的QRS波无重叠、部分重叠或完全重叠的情况下,通过该方法能有效抑制母体心电信号和噪声的干扰,提取胎儿心电信号。实验结果表明该方法能提取清晰的胎儿心电信号。     

基于回归支持向量机的胎儿心电提取

针对胎儿心电难以提取的问题,提出一种从母体腹壁混合信号中提取胎儿心电的方法.首先利用回归支持向量机(Support vector regression machine,SVRM)拟合母体心电传导至腹壁所经历的非线性变换,然后将母体心电经由所拟合的非线性变换得到腹壁混合信号中的母体心电干扰的最优估计,再从腹壁混合信号中减去母体心电干扰的最优估计得到含噪声的胎儿心电,最后通过小波包去噪技术抑制胎儿心电中的基线漂移和噪声,得到清晰的胎儿心电.在胎儿心电和母体心电QRS波完全重叠的情况下,通过该方法能够提取出清晰的胎儿心电.实验结果验证了该方法的有效性.     

使用广义回归神经网络的胎儿心电提取

针对胎儿心电难以提取问题,提出一种从母体腹壁混合信号中提取胎儿心电的方法。利用广义回归神经网络（GRNN）估计母体心电信号传导至腹壁的非线性变换,将非线性变换后的母体心电信号从腹壁混合信号中减去,再通过小波包去噪技术抑制胎儿心电的基线漂移和噪声,得到清晰的胎儿心电。应用合成心电信号和临床心电信号完成实验,在胎儿心电和母体心电QRS波完全重叠情况下,提取出清晰的胎儿心电。实验结果验证了方法的有效性。