希尔伯特-黄变换和小波变换用于谐波分析的比较研究

电力系统的谐波分析方法应该有良好的计算效率,并有良好的时域和频域分辨率。迄今为止,小波变换被广泛地应用于这个领域,但是小波基的选取等问题还需要进一步研究。近几年来,希尔伯特-黄变换的应用越来越多,该方法运用简便,而且并不涉及频率分辨率和时间分辨率的矛盾问题,是一个有很好应用前景的分析方法。把上述两种方法应用于电力系统的谐波分析,比较了两者的优缺点。结果表明,希尔伯特-黄变换有较好的计算效率,以及较好的时域和频域分辨率,但存在端点飞翼和瞬时频率轻微波动两个问题。     

基于希尔伯特-黄变换的多项式相位信号检测

本文运用适合非线性非平稳信号分析的希尔伯特-黄变换,通过对含噪多项式相位信号进行经验模式分解和Hilbert谱分析,采用曲线拟合和最小二乘迭代方法,准确地估计出单一幅度恒定的多项式相位信号,从而提出了一个适合非线性非平稳信号的检测方法.仿真结果表明该方法在信噪比>10dB情况下能够准确有效地检测出非平稳信号,与基于Wigner-Ville分布的信号检测方法相比,具有更好的准确性和有效性.     

基于希尔伯特-黄变换的距离保护及其应用

距离保护作为电力系统的重要继电保护形式,对保证电力系统的安全稳定运行有着重要的意义。当电力系统发生故障时,故障暂态信号中的谐波分量与衰减直流分量对距离保护的准确性有着不利的影响,如何克服故障信号中暂态分量的影响成为提高距离保护可靠性的关键。本文提出了一种基于希尔伯特-黄变换的距离保护形式,利用希尔伯特-黄变换实现了故障信号中基频分量的提取,有效避免了故障暂态分量的影响,大大提高了距离保护的可靠性。     

水下目标特征提取中希尔伯特黄变换方法的应用

由于传统时频分析方法的水下目标特征提取受到一定的制约,为解决之一问题,采用希尔伯特黄变换的方法可进行水下目标特征的提取,结果说明,希尔伯特黄变换方法对于信号的时频特性具有较高的分辨能力,其比较适用于水声平稳信号的分析。     

基于深度卷积神经网络算法改进

深度卷积神经网络在近年发展迅速,特别是在深度学习被提出来后。但在真实的人脸检测中,大的视觉变化,如背景,照明等,需要一种精确的判别模型来区分人脸和背景。于是,本文给出基于深度卷积网络算法的改进。     

基于希尔伯特黄变换的癫痫自动检测

希尔伯特黄变换是由经验模态分解和希尔伯特变换所组成的,在非线性、非稳态信号处理方面具有独特的优势。本文首先对脑电波信号进行模态分解,然后根据希尔伯特变换求得各本征模态函数的瞬时频率并依此计算出均值、方差及其核心频率区间等特征,并选取若干个本征模态函数的频率特征组成一个长的特征向量,称之为希尔伯特黄频率特征环。根据该特征向量,本文进一步采用支持向量机对癫痫和非癫痫脑电波信号进行学习和分类,并采用格点搜索的方法来选取支持向量机中的最优参数。通过在典型癫痫脑电波数据集上的5重交叉验证得出本文所提出的新方法在分类准确率上已经超越或接近现有的分类方法。      

基于一维卷积神经网络的心电信号质量分类

研究一种基于单导联心电信号质量二分类方法.为了改善传统方法在进行心电信号质量分类下需要手动提取特征的复杂性以及选取规则包含主观性的缺点,基于Tensorflow框架设计了一个一维卷积神经网络,利用MIT-BIH和NSTDB数据库构建训练数据集,通过不断调整网络模型自动学习分类特征,使用2个公开测试集与1个私有测试集验证...     

基于深度卷积神经网络的红外图像行人检测

红外图像中的行人检测一直是计算机视觉领域的研究热点与难点。针对传统的红外行人检测方法需要人工设计目标表达特征的弊端,本文从深度学习的角度出发,提出一种可以自动构建目标表达特征的红外行人检测卷积神经网络。在对卷积神经网络的实现原理进行分析的基础上,设计了红外行人检测卷积神经网络的初始结构,然后通过实验对初始结构进行调整,得到最终的检测神经网络。对实拍红外人体数据库进行行人检测的实验结果表明,该方法在保持低虚警率的同时可以对红外图像中的行人进行稳健检测,优于传统方法。     

基于深度分离卷积神经网络的高速高精度SAR舰船检测

随着人工智能的兴起,利用深度学习技术实现SAR舰船检测,能够有效避免传统的复杂特征设计,并且检测精度获得了极大的改善。然而,现如今大多数检测模型往往以牺牲检测速度为代价来提高检测精度,限制了一些SAR实时性应用,如紧急军事部署、迅速海难救援、实时海洋环境监测等。为了解决这个问题,该文提出一种基于深度分离卷积神经网络(DS-CNN)的高速高精度SAR舰船检测方法SARShipNet-20,该方法取代传统卷积神经网络(T-CNN),并结合通道注意力机制(CA)和空间注意力机制(SA),能够同时实现高速和高精度的SAR舰船检测。该方法在实时性SAR应用领域具有一定的现实意义,并且其轻量级的模型有助于未来的FPGA或DSP的硬件移植。      

基于Jetson TK1和深度卷积神经网络的行人检测

近几年随着ADAS(高级驾驶辅助系统)以及无人驾驶等技术的逐渐兴起,作为ADAS和无人驾驶的关键技术,行人检测成为计算机视觉领域的热点问题。文中针对目前汽车电子系统大多是低功耗的嵌入式系统,提出采用低功耗嵌入式设备为平台配合深度卷积神经网络实现行人检测系统。实验结果表明该系统具有较高的识别率和较快的检测速度,基本满足实时性。     

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法。该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知。实验结果表明：与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率。     

基于改进深度卷积神经网络的纸币识别研究

针对如何提高纸币识别率的问题,该文提出一种改进深度卷积神经网络(DCNN)的纸币识别算法。该算法首先通过融合迁移学习、带泄露整流(Leaky ReLU)函数、批量归一化(BN)和多层次残差单元构造深度卷积层,对输入的不同尺寸纸币进行稳定而快速的特征提取与学习;然后采用改进的多层次空间金字塔池化算法对提取的纸币特征实现固定大小的输出表示;最后通过网络全连接层和softmax层实现纸币图像分类。实验结果表明,该算法在分类性能、泛化能力与稳定性上明显优于常用的纸币分类算法;同时该算法也能够满足纸币清分系统的实时性要求。     

面向心电检测的混合多模卷积神经网络加速器设计

随着医疗资源日益匮乏以及人口老龄化日趋严重,心血管疾病已对人类健康造成了极大的威胁。具有心电(ECG)检测的便携式设备能有效降低心血管疾病对患者的威胁,因此该文设计了一种面向心电检测的混合多模卷积神经网络加速器。该文首先介绍了一种用于心电信号分类的1维卷积神经网络(1D-CNN)模型,随后针对该模型设计了一种高效的卷积神经网络(CNN)加速器,该加速器采用了一种多并行展开策略和多数据流的运算模式完成了卷积循环的加速和优化,能在时间上和空间上高度复用数据,同时提高了硬件资源利用率,从而提升了硬件加速器的硬件效率。最后基于Xilinx ZC706硬件平台完成了原型验证,结果显示,所设计卷积神经网络加速器消耗的资源为2247 LUTs, 80 DSPs。在200 MHz的工作频率下,该设计的整体性能可达到28.1 GOPS,并且硬件效率达到了12.82 GOPS/kLUT。     

基于深度卷积神经网络的场景自适应道路分割算法

现有基于机器学习的道路分割方法存在当训练样本和目标场景样本分布不匹配时检测效果下降显著的缺陷。针对该问题,该文提出一种基于深度卷积网络和自编码器的场景自适应道路分割算法。首先,采用较为经典的基于慢特征分析(SFA)和GentleBoost的方法,实现了带标签置信度样本的在线选取;其次,利用深度卷积神经网络(DCNN)深度结构的特征自动抽取能力,辅以特征自编码器对源-目标场景下特征相似度度量,提出了一种采用复合深度结构的场景自适应分类器模型并设计了训练方法。在KITTI测试库的测试结果表明,所提算法较现有非场景自适应道路分割算法具有较大的优越性,在检测率上平均提升约4.5%。     

基于两通道深度卷积神经网络的图像隐藏方法

现有的基于深度卷积神经网络(DCNN)实现的图像信息隐藏方法存在图像视觉质量差和隐藏容量低的问题。针对此类问题,该文提出一种基于两通道深度卷积神经网络的图像隐藏方法。首先,与以往的隐藏框架不同,该文提出的隐藏方法中包含1个隐藏网络和2个结构相同的提取网络,实现了在1幅载体图像上同时对2幅全尺寸秘密图像进行有效的隐藏和提取;其次,为了提高图像的视觉质量,在隐藏网络和提取网络中加入了改进的金字塔池化模块和预处理模块。在多个数据集上的测试结果表明,所提方法较现有的图像信息隐藏方法在视觉质量上有显著提升,载体图像PSNR和SSIM分别提高了3.75 dB和3.61%,实现的相对容量为2,同时具有良好的泛化能力。     

基于卷积长短时记忆网络的心律失常分类方法

心律失常等慢性心血管疾病严重影响人类健康,采用心电信号(ECG)实现心律失常自动分类可有效提高该类疾病的诊断效率,降低人工成本。为此,该文基于1维心电信号,提出一种改进的长短时记忆网络(LSTM)方法实现心律失常自动分类。该方法首先设计深层卷积神经网络(CNN)对心电信号进行深度编码,提取心电信号形态特征。其次,搭建长短时记忆分类网络实现基于心电信号特征的心律失常自动分类。基于MIT-BIH心律失常数据库进行的实验结果表明,该方法显著缩短分类时间,并获得超过99.2%的分类准确率,灵敏度等评价参数均得到不同程度的提高,满足心电信号自动分类实时高效的要求。

     

基于卷积神经网络与全局优化的协同显著性检测

针对目前协同显著性检测问题中存在的协同性较差、误匹配和复杂场景下检测效果不佳等问题,该文提出一种基于卷积神经网络与全局优化的协同显著性检测算法。首先基于VGG16Net构建了全卷积结构的显著性检测网络,该网络能够模拟人类视觉注意机制,从高级语义层次提取一幅图像中的显著性区域;然后在传统单幅图像显著性优化模型的基础上构造了全局协同显著性优化模型。该模型通过超像素匹配机制,实现当前超像素块显著值在图像内与图像间的传播与共享,使得优化后的显著图相对于初始显著图具有更好的协同性与一致性。最后,该文创新性地引入图像间显著性传播约束因子来克服超像素误匹配带来的影响。在公开测试数据集上的实验结果表明,所提算法在检测精度和检测效率上优于目前的主流算法,并具有较强的鲁棒性。     

基于分裂基-2/(2a)FFT算法的卷积神经网络加速性能的研究

卷积神经网络在语音识别和图像识别等众多领域取得了突破性进展,限制其大规模应用的很重要的一个因素就是其计算复杂度,尤其是其中空域线性卷积的计算。利用卷积定理在频域中实现空域线性卷积被认为是一种非常有效的实现方式,该文首先提出一种统一的基于时域抽取方法的分裂基-2/(2a) 1维FFT快速算法,其中a为任意自然数,然后在CPU环境下对提出的FFT算法在一类卷积神经网络中的加速性能进行了比较研究。在MNIST手写数字数据库以及Cifar-10对象识别数据集上的实验表明：利用分裂基-2/4 FFT算法和基-2 FFT算法实现的卷积神经网络相比于空域直接实现的卷积神经网络,精度并不会有损失,并且分裂基-2/4能取得最好的提速效果,在以上两个数据集上分别提速38.56%和72.01%。因此,在频域中实现卷积神经网络的线性卷积操作是一种十分有效的实现方式。     

基于深度卷积神经网络的气象雷达噪声图像语义分割方法

针对新一代多普勒气象雷达的散射回波图像受非降雨等噪声回波干扰导致精细化短时气象预报准确度降低的问题,该文提出一种基于深度卷积神经网络(DCNN)的气象雷达噪声图像语义分割方法。首先,设计一种深度卷积神经网络模型(DCNNM),利用MJDATA数据集的训练集数据进行训练,通过前向传播过程提取特征,将图像高维全局语义信息与局部特征细节融合;然后,利用训练误差值反向传播迭代更新网络参数,实现模型的收敛效果最优化;最后,通过该模型对气象雷达图像数据进行分割处理。实验结果表明,该文方法对气象雷达图像的去噪效果较好,与光流法、全卷积网络(FCN)等方法相比,该文方法对气象雷达图像中真实回波和噪声回波的识别准确率高,图像的像素精度较高。     

基于深度卷积神经网络的无参考低照度图像增强

针对低照度图像增强算法在实现细节增强的同时对噪声抑制考虑的不足问题,该文提出一种基于深度卷积神经网络的无参考低照度图像增强方法。首先,基于Retinex理论从输入的低照度图像中提取照射分量和反射分量,并分别对二者进行优化,随后将优化后的照射分量和反射分量相乘得到增强后的图像;同时,将3D块匹配(BM3D)的去噪效果融合进反射分量的优化过程中;最后,采用无参考图像训练的方式,并配合改进后的趋势一致性损失对网络参数进行更新。实验结果表明,该文算法相较于现有的主流算法,可有效地提升低照度图像的对比度和亮度,同时保持图像的自然性。