分形算法在BP网脉象识别系统中的应用

首先介绍了传统人工脉象识别的缺点,而后介绍了现代脉象分类的优点和当今主要特征提取方法,针对其提取特征的特点提出了利用分形理论提取脉搏信号的分数维,以此作为波形的重要特征,用于脉象分类识别。利用这些特征矢量在BP神经网络系统中对实测的脉象数据进行了分类,取得了令人满意的分类正确率。     

基于小波变换的脉象信号特征提取方法

为了较好地区分正常人与心脏病人的脉象信号，利用小波变换奇异性检测功能与多尺度分辨特性，提出了两种提取脉象信号特征的方法：连续小波变换法和二进小波变换法。在此基础上，构造了两种特征向量：小波变换系数的尺度——主波峰值和小波变换的尺度——能量值。经过对临床采集的235例脉象信号的处理与分析统计，所得数据具有较好的重复性与稳定性，可以作为用于脉象信号识别的特征向量。     

基于小波包分析和BP神经网络的中医脉象识别方法

利用小波变换具有揭示信号时频两域细节和局部特征的能力,提出了将脉象信号的小波包分析和BP神经网络相结合以达到识别中医脉象的新方法。首先对脉象信号作三层小波包分解,利用小波包分解系数重构信号。然后计算第三层从低频至高频八个频带的信号能量,以此能量构造出脉象信号的特征向量送入改进的BP神经网络进行训练。大量样本的实验证实该方法具有识别正确率高、速度快的优点。     

基于小波变换和分形维数的车牌汉字识别

提出一种基于小波变换与分形维数的车牌汉字识别方法.对字符图像进行预处理和小波变换,应用改进的微分盒维法计算图像分形盒维值,并构造特征向量,利用支持向量机分类器对字符进行分类与识别.实验结果表明,该方法对模糊字符的识别具有鲁棒性,可提高汉字识别率.     

小波变换和特征加权融合的人脸识别

在人脸识别领域,提取人脸特征和降低维数是人脸识别的关键。传统的基于小波变换的人脸识别算法仅在小波分解的低频分量上提取用于分类的图像特征,造成了高频分量中部分对识别有利信息的丢失。为了更有效地提取人脸图像特征,提出一种基于小波变换和特征加权融合的人脸识别算法。首先通过小波变换对人脸图像进行降维处理,然后对4个小波子图分别运用主成分分析法(PCA)提取特征,并把这4部分特征加权融合,最后利用支持向量机(SVM)进行分类识别。在ORL人脸库上进行实验验证,识别准确率可达到97.5%,实验结果表明该算法能够有效提高人脸识别能力,与传统识别算法相比具有较高的识别准确率和识别速度。     

基于覆盖算法和PLS的人脸识别方法

本文介绍了一种结合覆盖算法和偏最小二乘（PLS）新的人脸识别方法。这种方法先使用小波变换作基本的处理,然后利用PLS剔除冗余特征,提取主要特征对原始图像降维,最后利用覆盖算法分类相结合的方法进行识别。     

基于深度学习与二维离散小波分解特征相融合的adaboost人脸识别模型

为了提高人脸识别的效率,本文提出了一种将小波分析、深度学习和adaboost分类器相结合的人脸识别方法。传统的基于小波变换的人脸识别算法仅仅提取了小波分解的低频分量用于分类图像的特征,为了更有效地提取人脸图像特征,提出了一种将传统特征和深度特征相融合的人脸识别算法。首先,通过二维离散小波变换函数对人脸图像进行二维离散小波变换,提取出人脸图像的低频部分作为特征值,接着通过深度残差网络提取人脸深度特征,最后将融合后的特征应用adaboost分类器进行分类识别。通过在ORL人脸库实验证明,融合后的方法能有效地提高分类识别率。     

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。     

基于Gabor小波变换的人脸表情识别

对基于Gabor小波变换的人脸表情识别方法进行了研究.对图像进行预处理以提高后续处理的准确度,通过分析二维Gabor小波变换的优点和人脸表情特征的变化情况,利用二维Gabor小波变换提取脸部表情特征,使用弹性模板匹配算法来识别图像中的人脸表情.实验结果表明,这种方法与传统的识别方法相比,系统具有很好的鲁棒性,达到较高的识别率.     

基于小波变换的多分类器融合分类系统

利用计算机进行模式识别需要完成模式特征的选取、特征维数的压缩以及分类器的设计.本文在人脸识别的研究中,根据选取的代数特征,提出了一种基于正交小波变换的多分类器融合分类系统.首先利用正交小波变换将高维特征变换为多个低维的特征,达到特征维数压缩的目的;然后采用基于模糊的BP神经网络(FB-PNN)并行地对这些特征空间的模式进行分类;最后,利用FBPNN对这些分类结果进行融合,得到最终的分类结果.实验结果表明这种分类系统具有很好的分类效果.     

脉象信号的频谱分析

根据人体脉象信号的特点,介绍了信号采集系统对脉象的采集,提供了脉象信号的一种频域分析方法--功率谱分析,应用快速傅里叶变换方法对脉搏信号进行分析,并通过读功率谱特征的分析和比较,最后,提出了利用径向型网络对4种脉象信号进行分类,以脉象信号的频谱特征作为神经网络输入时的训练结果的差异.尽管文中的训练样本有限,但仿真结果表明:对脉象信号的一些特定的特征值,利用神经网络进行识别是一种可行而有效的方法,在自适应、自学习能力方面较传统的模式识别方法具有明显的优越性.     

脉搏信号调理电路设计

脉搏作为人体重要的生理及病理指标之一,具有重要的医学研究价值。针对其信号微弱、频率低且易受干扰的特点,提出了信号调理电路设计的要求;针对性地选择元器件并设计硬件电路,其中包括:一级放大电路、调零电路、50Hz限波电路、带通滤波电路及二级放大电路;最后对所设计的硬件电路进行实际测试。测试结果表明,该调理电路具有输出波形稳定、噪声小和共模抑制比高的特点,提高了脉搏信号采集的精度。     

基于柔性阵列传感器的脉象检测系统的设计

当前的脉象仪大部分采集手段单一,取脉压力的调节性差,无法模拟医生的布指方式,而且只能实现脉搏图的描记及分析,无法给出脉象的三维信息。针对这一问题研制了基于柔性阵列传感器的脉象检测系统,用硅胶制作了专门的脉搏换能器;设计了压力控制系统,实现压力自动调节,完成了对最佳取脉压力下脉象的采集;搭建了信号处理电路,实现了对脉象信号的提取和预处理;以USB-7660为核心构建了A/D采集系统,实现了对多路脉象信号的显示、存储。实验表明,该系统不仅可以有效采集到受试者的七路二维脉图,而且能清晰地观测到受试者的脉道宽度,并重建出相应脉搏波的三维传导地形图。     

人体脉搏系统传递函数模型的参数估计与脉搏波仿真

为了揭示和研究人体脉搏系统的作用机理,文章从一种新的角度———系统分析和信号处理的角度建立了人体脉搏系统传递函数模型,获得脉搏系统传递函数的一般形式,结果表明传递函数只有极点而没有零点。根据脉象信号的实验测量数据对模型参数进行了估计。并运用此模型在计算机上成功地模拟了人体四种脉象信号,仿真结果与实际结果相符。     

脉冲信号发生~4/比较法的CPLD设计

本文讨论了一种新的脉冲信号的数字设计方法4/比较法,该方法通过对信号频率、占空比、余数的比较来产生频率、占空比均步进可调的脉冲信号。实验表明,该方法是行之有效的。本文着重介绍了其CPLD设计原理和实现方法,同时介绍了以CPLD为数字处理核心、在PC机的控制下实现脉冲信号产生的系统设计方案。     

连续波背景下多信号处理方法

对接收到的信号进行短时傅里叶变换，通过分析短时傅里叶变换中每一个时间片内的信号频谱，检测出连续波背景下的脉冲信号。滤除线性调频脉冲信号成分，保留连续波信号成分，得到调频连续波信号具有周期性的时频变化曲线。根据连续波信号时频变化曲线的频谱特征，估计出其主要参数，然后滤除脉冲信号出现时间内信号中的连续波成分，并采用相应的方法估计出其参数。仿真结果表明，本文算法可以准确估计出线性调频连续波（LFMCW）信号和线性调频（LFM）脉冲信号的参数，当LFMCW信号的信噪比高于-8dB，并且其功率比脉冲信号功率小6dB以上时，算法具有良好的估计精度和稳定性。     

雷达脉内调制信号时频分布特征提取方法

针对复杂体制雷达辐射源信号分类识别问题,提出了一种基于时频分析的雷达脉内调制识别算法。首先对时频矩阵在时间域进行等间隔分区,然后通过检测区间内信号时频能量峰值提取其时频特征,最后用支持向量机实现了分类识别。该方法以信号时频能量峰值分布的差异区别不同的雷达脉内调制方式,有效降低了特征维数。仿真结果表明,该方法对雷达脉内调制具有较好高识别正确率,而且具有较强的抗干扰能力。     

智能化高精度脉宽数字滤波电路的设计

在信号的传输过程中,噪音信号不可避免地会干扰正常信号.如何对混合信号进行信噪分离,是目前业界普遍关注和研究的问题.针对高频方波信号的信噪分离问题,提出了智能化脉宽数字滤波的技术方案,并设计了一种实用的脉宽数字滤波电路,消除了测量信号中的尖峰干扰成分.实践证明：该电路能有效地实现高频方波信号与尖峰脉冲干扰信号的信噪分离.     

表面肌电信号脉搏伪迹的消除方法研究

许多生物电信号的获取过程中都夹杂了脉搏伪迹,表面肌电信号(SEMG)也是一样。本文通过相邻部位同时采集两路SEMG,一路为待处理信号,另一路作为参考信号。采用小波变换提取参考SEMG中的脉搏波,与待处理的SEMG构建独立分量分析的输入,最后用FastICA算法分离出待处理SEMG中的脉搏波,得到去除脉搏伪迹的SEMG。实验结果表明,该方法用于SEMG中的脉搏伪迹的消除是非常有效的。