CCD读出电路中数字补偿式一阶模拟滤波器设计

CCD读出电路中低通滤波器在改善系统输出信噪比的同时,不可避免地会产生像素串扰,造成信息畸变.本文针对CCD读出电路中像素串扰造成的信息畸变问题进行理论分析,推导出信息畸变度与一阶低通模拟滤波器截止频率的关系.并针对视频模拟滤波电路中高阶滤波器的实现困难,提出一种数字补偿式一阶低通模拟滤波器的设计方法,该方法根据本文对信息畸变理论的分析,采用一阶低通滤波器,在满足信息畸变度的前提下,极大降低系统截止频率,达到了应用系统的带宽要求,从而可以在应用系统设计中以一阶滤波器替代高阶滤波器.并设计实验进行验证,证明了该方法的正确性与有效性.     

基于多尺度卷积特征融合的癫痫脑电信号识别

脑电信号(electroencephalography,EEG)已成为医生诊断神经系统疾病最 广泛使用的工具,实现癫痫EEG的自动识别对 于癫痫患者的临床诊断和治疗具有重要意义。为了提高癫痫EEG的识别精度,提出了一 种基于多尺 度卷积特征融合的癫痫EEG自动识别模型。首先采用多尺度卷积特征融合方法提取多粒 度数据特征, 实现卷积神经网络(convolutional neural network,CNN)中不同层次的信息互补;然后经过长短期记忆网络(long short-term memory network,LSTM)提取时间 特征,利用 softmax分类器给出最终的识别结果。为了评估提出方法的识别性能,在波恩大学癫痫病研 究中心数据集 中进行实验,并与CNN-LSTM模型、单一的LSTM等模型的识别性能进行了比较,实验结果表 明,提出 方法的识别精度明显高于其余方法, 平均可达到99.19%。该模型能够 有效识别癫痫EEG类别,具有较高的识别性能和临床应用潜力。     

基于同步压缩和DCGAN的癫痫脑电信号检测方法

脑电信号智能识别是癫痫病检测的重要手段,为更加准确地预测癫痫发作,针对目前的深度学习方法特别是卷积神经网络在脑电信号分类方面存在的一些问题,如算法复杂度过高、样本量太少导致分类效果差等,提出基于傅里叶同步压缩变换和深度卷积生成对抗网络的癫痫脑电信号检测方法。首先同步压缩方法将短时傅里叶变换处理后的信号时频能量进行压缩,使得频谱图像精度更高;其次构建深度卷积生成对抗网络来提取特征;最后实现癫痫发作预测。实验在CHB-MIT脑电数据集上进行,结果表明该方法具有97.9%的检测准确率。使用生成对抗网络有效解决了样本量不足的问题,结合同步压缩处理方法后,具有良好的识别准确性。     

基于生成对抗网络的高光谱图像分类

为了解决简单卷积神经网络(convolutional neural network, CNN)不能有效提取与充分利用高光谱图像特征信息的问题,提出了一种 基于残差网络的多层特征匹配生成对抗网络模型。提出的模型引入残差网络以挖掘高光谱图 像的深层特征,生成可分性更高的高光谱图像,并通过一个特征融合层进行特征融合,充分 利用网络的各层特征。提出的算法在Indian Pines、Pavia University和Salinas数据集 上的分类精度分别达到了97.6%,99.3%,99.1%,与径向基函数支持向量机(radial basis function-support vector machine, RBF-SVM)、堆叠自动编码器(stacked autoencoder, SAE)、深度置信网络(deep belief network, DBN)、PPF-CNN (CNN based on pixel-pair feature)、CNN和三维卷积网络 (three-dimensional convolutional neural network, 3D-CNN)方法相比较,其分类精度具有明显的提高。实验结果表明,提出的方法是一种有效 的高光谱图像分类方法。     

基于模拟技术的图像增强方法

量化过程大量减少了图像中低对比度信息,也会造成超出量化量程的图像信息完全丢失。本文针对不能采用数字算法对以上图像进行有效增强的问题,提出使用模拟技术进行图像增强的方法。该方法实现了模拟信息定位、提取、放大,从而正确添加原始信息,提高图像分辨精度。其分辨能力远高于采用高分辨模数变换芯片所能达到的精度,最终实现了数字方法无法获取的图像增强效果。