基于GA的心电信号稀疏分解MP算法改进

基于遗传算法(GA)的信号稀疏分解算法运算量较大。为解决该问题,提出一种基于 GA 的心电信号匹配追踪改进算法。结合心电信号的特征,根据信号特征波形建立窗函数,将信号分为能量集中和稀疏部分,分别采用不同的算法流程和参数。实验结果表明,该改进算法的运算量较原算法降低了1/3,能提高心电信号稀疏分解的运算速度和压缩处理性能。     

基于小波稀疏的心电信号压缩感知

为降低可穿戴心电监护系统的实时数据量,以方便数据存储、传输,探讨了小波稀疏域下心电信号压缩感知采样和重构过程,以得到小波稀疏域下的心电信号最优压缩感知方法.从压缩率、重构精度和重构耗时角度,分析了心电信号在以Daubechies、Coiflet、Symlet、Biorthogonal、ReverseBior等小波构建的变换矩阵下的稀疏性能,研究了伯努利、循环、高斯、哈达马、托普利兹等观测矩阵的采样性能,完成了不同重构算法的结果分析,提出了基于db4小波滤波稀疏、伯努利观测矩阵采样、GOMP重构的心电信号压缩感知采样方法.基于MIT-BIH数据库的实验结果表明:该方法在心电信号压缩比(CR)达68.75％时,重构均方根差百分比误差(PRD)约为1％,且重构用时短,具有显著的应用优势.     

基于改进稀疏分解的心电信号波形特征点检测及识别

心电信号波形特征点的检测及识别是实际中开展心电监护与评价的基础。本文提出了一种基于稀疏分解及其改进的心电数据分析算法,将检测与识别一体化,具有可靠性较高、易于操作的优点。该算法中原子集由离散化的心电信号典型特征波段经拉伸、平移变换形成,并采用匹配追踪投影寻优。经PhysioNet心电数据库检验,该算法的QRS波群检测灵敏度率达到98.5%,T波和P波的波检测灵敏度也达到93.2%和83.8%。     

基于稀疏编码的手背静脉识别算法

为提高静脉特征提取的有效性,提出了基于稀疏编码的手背静脉识别算法。首先,在图像采集过程中,依据实时的质量评价结果对采集系统参数进行自适应调整,获取高质量静脉图像;其次,针对主观选择的特征有效性主要依赖于经验的缺陷,提出了基于稀疏编码的特征学习机制,从而获得客观优质的静脉特征。实验结果表明,基于所提算法获得的静脉特征具有较好的类间区分性与类内紧凑性,令使用该算法的系统具有较高的识别率。     

拉普拉斯稀疏编码的图像检索算法

由于稀疏编码中过完备的码本和独立的编码处理,在编码过程中图像块相似性信息被丢失。为了保留块与块之间的相似性信息,提出了拉普拉斯稀疏编码的图像检索算法。给定编码特征的初始稀疏码,计算拉普拉斯矩阵,将相似性合并到稀疏目标函数,结合特征符号搜索算法和黄金分割线搜索算法,逐个更新每个稀疏编码系数。实验表明,拉普拉斯稀疏编码增强了稀疏编码的鲁棒性,与SPM模型算法相比,拉普拉斯稀疏编码的图像检索算法有较高的准确率。     

基于稀疏矩阵的低复杂度安全网络编码算法

针对安全网络编码复杂度较大的问题,提出一种基于稀疏矩阵的安全网络编码算法。利用稀疏矩阵占用较少的存储空间和运算速度快的优点,在信源处将信源信息与稀疏矩阵进行矩阵变换操作,使得随机网络编码能以较高的概率达到信息论安全的要求。仿真结果表明,该算法能提高编解码速率,降低复杂度,减少存储空间。     

基于稀疏表示的联合多通道肌电信号手势识别

为了改善传统肌电信号手势识别过程的复杂性,将稀疏表示用于表面肌电信号手势识别。针对不同的动作模式下对表面肌电信号提取的特征总是有较大的差异,稀疏表示的过程可以将差异放大,从而改善分类效果。本文首先采集不同手势的多通道表面肌电信号,然后将多通道信号进行切割;通过求解测试样本在训练矩阵下的稀释表示,达到分类识别的目的,并通过实验仿真验证了算法的可行性和优越性。     

基于时空稀疏模型的穿戴式心电信号压缩感知方法

基于时空稀疏模型,提出一种穿戴式心电信号的压缩感知方法,利用信号的时间相关性和空间相关性,来实现心电信号的重构.同时,还提出了一种"分-合"式字典学习算法,通过利用心电信号内在的聚类结构,对训练样本进行字典学习,从而构造出符合心电信号特点的字典,并对其进行稀疏表示.从而进一步提高了心电信号的重构性能.为了验证提出的心电信号压缩感知方法的有效性,采用OSET数据库中的心电数据,将其与其他两种基准算法进行了对比.仿真实验结果表明,所提出的心电信号压缩感知方法能有效地提高心电信号重构的质量.     

基于变异系数的分形图像压缩稀疏编码算法

针对分形图像编码算法复杂度高、编码时间冗长的问题,提出正交稀疏编码和纹理特征提取表示图像块的方法.首先,灰度级的正交稀疏变换提高了图像的重建质量和解码时间.其次,相关系数矩阵度量范围块和域块之间的变异系数特征降低了冗余度和编码时间.仿真实验结果显示,该方法与传统的分形图像编码算法相比,图像重建质量更好,编码速度更快.     

深度稀疏自编码网络识别飞行员疲劳状态

针对飞行员疲劳状态识别的复杂性和准确性,提出一种基于脑电信号的深度学习模型.首先对飞行员脑电信号进行滤波分解,提取delta波(0.5~4 Hz)、theta波(5~8 Hz)、alpha波(7~14 Hz)、beta波(14~30 Hz),提取基于脑电节律波的频域特征,作为识别模型的输入向量.其次,将一种基于深度稀疏自编码网络–Softmax模型用于飞行员疲劳状态识别,并与单层的稀疏自编码网络–Softmax和传统方法主成分分析(PCA)–Softmax模型识别结果进行比较.最后,实验结果显示,针对飞行员疲劳状态识别问题,所建立的学习模型具有很好的分类识别效果,具有较好的工程推广价值.     

基于稀疏编码的动态纹理识别

目的 线性动态系统有效地捕捉了动态纹理在时间和空间的转移信息。然而,线性动态系统属于非欧氏空间模型,无法直接应用传统的稀疏编码进行分类识别,为此提出一种基于稀疏编码线性动态系统的求解方法并应用于动态纹理识别。方法 基于约束凸优化公式,将稀疏编码和控制论中相似性变换结合,优化学习模型参数,解决应用稀疏编码进行分类识别的问题,实现有效的动态纹理识别。结果 在公开的动态纹理图像数据库UCLA上进行实验并与其他方法进行比较,实验结果表明,本文方法具有更好的性能,识别率可达97%,且对遮挡具有更好的鲁棒性。结论 本文方法对动态纹理及遮挡情况具有更好的识别率。     

基于局部非负稀疏编码的掌纹识别方法

为了更有效地提取出图像的局部特征,在传统的非负稀疏编码(Hoyer-NNSC)算法的基础上,提出了一种新的具有稀疏度约束的局部NNSC (LNNSC)算法。该算法考虑了特征基向量的稀疏度约束和特征的最大化代表性,能够得到强化的图像局部特征;同时利用拉普拉斯密度模型作为特征系数的稀疏惩罚函数,保证了图像结构的稀疏性。在特征提取的基础上,进一步利用径向基概率神经网络(RBPNN)分类器,实现了掌纹的自动识别。仿真实验结果表明,与基于非负矩阵分解(NMF)、局部非负矩阵分解(LNMF)和Hoyer-NNSC的掌纹识别方法相比,该算法在掌纹识别研究中有较高的可行性和实用性。     

基于稀疏编码的人脸识别算法

介绍了一种基于稀疏编码的人脸识别算法。先对10副自然图像应用稀疏编码,学习到基函数和图像稀疏表示的拟合分布的参数。在人脸识别中,用稀疏编码和已得到的基函数表示图像的稀疏,再经过拟合分布函数得到人脸图像的最终表示,然后应用多分类线性支持向量机（SVM）来完成识别算法。通过在人脸数据库上的实验表明,该算法具有很高的识别正确率。     

稀疏编码的最近邻填充算法

针对K最近邻填充算法(K-nearest neighbor imputation,KNNI)的参数K值固定问题进行了研究,发现对缺失值填充时,参数K值固定很大程度上影响了填充效果.为此,提出了基于稀疏编码的最近邻填充算法来解决这一问题.该算法是用训练样本重构每一缺失样本,在重构过程中充分考虑了样本之间的相关性;并用e1范数来学习确保每个缺失样本用不同数目的训练样本填充,以此解决KNNI算法参数K值选取问题.基于数据性能分析指标RMSE和相关系数的实验比较结果表明,该算法比KNNI算法的效果要好.该算法能很好地避免了KNNI算法存在的缺陷,适用于数据预处理环节需要对缺失值进行填充的应用领域.     

一种融合神经稀疏编码机制的层次目标识别算法

针对基本层次化目标识别计算模型缺乏明确学习概念和有效学习方法的问题,利用神经稀疏编码的学习规则,生成原型向量集合。通过模拟复杂细胞的感受野特性,实现层次化的稀疏编码过程,提出基于神经稀疏编码的层次目标特征提取算法。并利用简化的分类器设计,完成复杂场景下的广义目标识别问题。在Caltech101数据库上进行实验对比,结果表明本文算法相对Serre计算模型在识别正确率上有较大提高,时间复杂度增加并不明显,且更加符合生物视觉机理。     

基于稀疏编码局部时空描述子的动作识别方法

针对已有动作识别算法训练速度慢且识别精度不高等问题,提出了基于稀疏编码局部时空描述子的动作识别方法。该方法首先对深度图像进行法线提取,同时应用基于运动能量的自适应时空金字塔对动作帧分块;然后局部聚集法线,得到显著性局部时空描述子;对局部时空描述子进行稀疏编码得到一组字典向量来重构样本数据;最后利用简化粒子群（sPSO）优化SVM分类器找到最适合样本数据的分类模型。实验在MSRAction3D和MSRGesture3D公开数据集上达到了93.80%和95.83%的识别率,且训练速度较传统方法有明显提升,证明了该方法的有效性和鲁棒性。     

虹膜识别的过零检测循环编码方法

研究了虹膜特征提取和编码识别算法。首先对虹膜图像进行预处理获得归一化的虹膜图像,然后对归一化后的虹膜图像进行高斯平滑滤波和小波过零检测,对得到的特征矩阵通过二次循环编码以得到虹膜的特征值序列,最后通过改进的欧氏距离对虹膜进行判别。实验结果表明,识别率可以达到96.3%。该算法运算简单,能够解决虹膜识别中的旋转不变性问题,得到了较好的识别效果。     

基于移不变字典学习和稀疏编码的滚动轴承故障识别算法

针对现有旋转机械故障识别算法过度依赖专家先验知识的问题,提出了一种基于移不变字典学习和稀疏编码（SIDL-SC）的自适应故障识别算法。首先,将不同故障状态下的振动信号进行分段和平滑预处理以降低数据处理复杂度,接着将加入自适应惩罚因子的移不变字典学习算法用于提取不同故障状态下的移不变基函数;然后,利用高效的特征符号搜索算法求解待识别信号在不同基函数下的稀疏系数以实现对待识别信号的重构;最后,以重构残差作为对该信号故障状态识别的判断依据。滚动轴承振动数据库和实测航空发动机振动信号的实验结果表明,该算法相较于现有算法具有更高的故障识别准确率,在实际中具有较强的可行性。