动态非线性连续时间系统的小波神经网络辨识

将小波神经网络应用于动态非线性连续时间系统的辨识, 同时为了使神经网络的训练达到全局最优和加速小波神经网络训练的收敛速度, 提出了信赖域算法, 并研究了信赖域算法的收敛性. 随后进行了算例仿真, 证明了所提辨识方法的有效性.     

基于Haar小波变换的快速指纹识别算法

指纹中不同的空间频率和纹理方向代表了指纹图像的内在特征。为了提取这些特征,提出了基于Haar小波变换的快速指纹识别算法。该算法在提取指纹特征有效区域的基础上,直接对指纹灰度图像进行Haar小波变换以获取指纹特征向量。与传统的基于指纹细节特征的识别算法相比大大减少了计算量。另外,还将指纹识别算法移植到嵌入式安全领域。在基于Arm7处理器(主频100MHz)架构的嵌入式平台上,对FVC2000标准指纹数据库进行了实验,得到了很好的FAR,FRR关系图,并且整个识别过程耗时在1 s左右。实验结果表明,本文算法在快速指纹识别方面是成功的。     

基于鲁棒小波网络的非线性系统辨识

分析了传统小波网络的不足,同时考虑到实际中学习样本可能被非高斯白噪声干扰的情况,提出用于辨识非线性系统的鲁棒正交小波网络,并对辨识精度和收敛性进行了分析。理论分析和仿真研究表明,该文提出的方法是有效的。     

基于Haar函数的分布参数系统辨识

借助于正交函数序列对分布参数系统进行辨识，是一种妊之有效的辨识方法。     

基于小波变换的含噪系统辨识

提出了基于小波变换的含噪声系统辨识方法（COR-WT-LS“三步法”，即“互相关函数—小波变换—最小二乘”）．COR-WT-LS法不仅参数估计值与真实值接近，而且具有较好的预报性能．仿真研究显示，当系统输出的噪信比很高时,该方法仍能获得较准确的参数估计．     

基于小波逼近和尺度变换的非参数辨识方法

提出一种以非正交小波为基函数并应用小波多尺度分析的系统脉冲响应辨识方法，该方法以小波级数的形式逼近脉冲响应过程．从理论上证明了经小波尺度变换后系统随机噪声的方差值减小，即噪声得到有效的抑制，从而大大提高了辨识精度．应用实例验证了所得结果的正确性和算法的实用性．     

基于Haar小波变换和分块DCT的人脸识别

提出一种新的基于二维离散小波分解和分块离散余弦变换的降维方法.该方法与模式识别领域中用于特征提取和降维的PCA-LDA方法进行了比较.结果表明,此方法与PCA-LDA方法在识别率上大体相当,但它比其更具有计算量小、降维速度快的优点.因此,该方法对于人脸识别是一种有效降维手段.     

基于分块形态Haar小波变换的盲水印算法

提出了一种基于形态Haar小波变换的数字水印算法。该算法对载体图像按分块进行形态Haar小波变换,水印的嵌入和提取在子块的形态小波域中完成,每个子块嵌入水印的一个像素信息。该算法能实现水印的快速盲提取。实验证明,与分块DCT法和分块DWT法相比,算法不仅简单快速,而且大大提高了水印的不可觉察性和鲁棒性,在抵抗噪声攻击方面更有优势。     

基于小波调制的连续系统模型辨识

介绍了连续模型辨识的调制函数法，其于小波分析理论，提出构造多分辨小波调 制函数的新思路，设计了高斯小波调制函数.以二阶系统为例，研究了调制窗口参数与辨识 精度的关系,并以此得到调制函数参数的设计依据.典型算例表明本文算法的有效性.     

基于强跟踪滤波器及小波变换的非线性系统参数辨识及应用

本文采用强跟踪滤波器为主要框架, 通过线性化和状态扩展解决非线性系统时变参数和状态的估计问题. 在普通强跟踪滤波器的基础上, 以小波变换估计量测噪声, 采用滤波增益调整系数解决过跟踪问题, 给出了主要的计算公式和参数的取值方法, Monte Carlo仿真和在弹道方程参数辨识中的应用结果表明, 本方法不但对突变参数具有强跟踪能力, 在噪声方差发生变化的情况下, 仍可以对非线性参数进行准确的辨识, 状态与参数估计精度高于 普通的强跟踪滤波器.     

Identification of linear time varying systems by Haar wavelet

This study addresses the identification of linear time varying systems. The identification is based on the expansion of all time functions in the state equations by Haar wavelets. The unknown time function can thus be identified in terms of Haar wavelets. A Haar wavelet is a set of complete, orthogonal basis and is easy to use computations. Several good properties of Haar wavelets are utilized in the algorithm. Both numerical and experimental results verify the analysis.     

基于Haar小波的眼睛定位方法

积分投影方法是一种眼睛定位的基本方法,但传统的投影函数在光照干扰条件下容易失效。针对上述缺陷,提出用圆差异算子的平均波动值代替灰度平均值做积分投影,增强抗光照干扰能力,利用Haar小波对投影曲线进行过滤规整,有效地过滤了杂波,使得极值点定位非常容易,其中包括利用左右眼睛垂直投影的相似性识别眼睛的方法。在Yale 照片库上的实验证明该方法简单有效,抗光照干扰能力强。     

基于Haar小波的眼睛定位方法

积分投影方法是一种眼睛定位的基本方法,但传统的投影函数在光照干扰条件下容易失效。针对上述缺陷,提出用圆差异算子的平均波动值代替灰度平均值做积分投影,增强抗光照干扰能力,利用Haar小波对投影曲线进行过滤规整,有效地过滤了杂波,使得极值点定位非常容易,其中包括利用左右眼睛垂直投影的相似性识别眼睛的方法。在Yale 照片库上的实验证明该方法简单有效,抗光照干扰能力强。     

基于Haar小波域自学习的图像超分辨率方法

图像超分辨率重构是指由低分辨率图像来获得高分辨率图像的过程.为了能够有效的重构出高分辨率图像,提出一种基于Haar小波域自学习的图像超分辨率重构算法.该算法将高分辨率图像通过Haar小波变换后得到的近似子块L与已知的低分辨率图像联系起来,然后通过Bp神经网络来自学习Haar小波变换细节子块之间相近的自相似性,从而预测出高分辨率图像通过Haar小波变换后的三个细节子块H,V和D.最后由逆Haar小波变换重构高分辨率图像.实验表明由该算法重构的高分辨图像有很好的视觉效果和峰值信噪比.     

基于小波子空间法的MIMO系统辨识研究

针对线性时不变多输人多输出(MIMO)系统的输出存在随机噪声情况下,提出直接利用小波域的输入输出数据,辨识MIMO系统的方法.子空间状态空间法是时域辨识MIMO系统的主要方法,通过数据矩阵投影,对数据矩阵进行QR分解和奇异值分解,辨识出系统的阶数和系统的状态方程矩阵.运用小波变换,将时域信号转换为小波域的信号,利用小波子空间状态空间辨识算法对MIMO系统辨识,通过仿真,得到辨识的结果与时域子空间状态空间法相比较,证明提出方法是有效的.     

基于形态Haar小波变换的多聚焦图像融合

针对多聚焦图像融合问题,提出一种基于形态Haar小波分解和重构的新方法。通过形态Haar小波分解源图像,在低频分量中保留图像边缘和细节,并采用加权平均法进行融合。高频分量先经Gauss滤波去除噪声和边缘效应,再按取大值的原则进行融合。结合形态Haar小波重构融合后的高低频系数获得融合图像。实验结果表明,该方法能最大限度地保留图像边缘和细节信息,与总体平均法和小波变换法相比,融合图像的熵较大,总体交叉熵较小。     

基于Haar小波的自适应数据压缩方法

在无线传感器网络中,传感器节点的通信带宽有限,节点输出数据量需要与之匹配。针对该问题,设计高频系数选择算法确定待传输的Haar小波系数选择、量化和编码,通过自适应调整数据压缩率控制输出数据量。理论分析与仿真结果表明,该方法可充分利用节点通信带宽,当温度和湿度数据压缩率为0.9时,数据重构均方差小于0.1。     

基于Haar小波的图像变换方法的研究

系统地介绍了基于快速滤波器组卷积算法的第一代小波和基于提升方案的第二代小波。通过对图像先行后列分离,结合惰性滤波器进行奇偶分割,由欧几里得算法求出预测算子和更新算子,实现了由此提升方案构造的Haar小波1级图像分解。实验结果表明提升方案构造的Haar小波实现起来相当容易,简化了很多复杂的计算过程,其本身的诸多特点更便于在实际中应用,且在变换后的效果上,与第一代基本无差异。     

Identification Scheme for Fractional Hammerstein Models With the Delayed Haar Wavelet

The parameter identification of a nonlinear Hammerstein-type process is likely to be complex and challenging due to the existence of significant nonlinearity at the input side. In this paper, a new parameter identification strategy for a block-oriented Hammerstein process is proposed using the Haar wavelet operational matrix(HWOM). To determine all the parameters in the Hammerstein model, a special input excitation is utilized to separate the identification problem of the linear subsystem from the complete nonlinear process. During the first test period, a simple step response data is utilized to estimate the linear subsystem dynamics. Then, the overall system response to sinusoidal input is used to estimate nonlinearity in the process. A single-pole fractional order transfer function with time delay is used to model the linear subsystem. In order to reduce the mathematical complexity resulting from the fractional derivatives of signals, a HWOM based algebraic approach is developed. The proposed method is proven to be simple and robust in the presence of measurement noises. The numerical study illustrates the efficiency of the proposed modeling technique through four different nonlinear processes and results are compared with existing methods.