基于自适应可调Q因子小波变换的海杂波背景下的目标检测技术

本文针对海杂波背景下的慢速微弱目标的检测问题,根据海杂波和目标的振荡特性差异,提出了一种基于自适应可调Q因子小波变换(Adaptive Tunable Q-factor Wavelet Transform,A-TQWT)的海杂波背景下的目标检测算法.通过迭代计算、搜索出最能匹配海杂波和目标振荡特性的可调Q小波变换(TQ...     

基于小波变换和余弦变换的Fisher脸识别

结合几种现有的人脸识别特征提取算法,先对人脸图像进行小波分解去噪;然后通过离散余弦变换对低频分量作进一步特征提取和压缩,保留人脸图像中对光照、姿态、表情变化不敏感的识别信息;接着利用PCA和LDA相结合得到最终的识别特征,最后采用欧式距离和最近邻分类器识别人脸。实验采用ORL标准人脸库验证了这种组合的有效性。     

基于小波变换和余弦变换的Fisher脸识别

结合几种现有的人脸识别特征提取算法,先对人脸图像进行小波分解去噪;然后通过离散余弦变换对低频分量作进一步特征提取和压缩,保留人脸图像中对光照、姿态、表情变化不敏感的识别信息;接着利用PCA和LDA相结合得到最终的识别特征,最后采用欧式距离和最近邻分类器识别人脸。实验采用ORL标准人脸库验证了这种组合的有效性。     

小波变换在运动想象脑电分类中的应用

脑机接口技术是一项不依赖人的外周神经和肌肉组织而实现人机交互通信的技术,使人类可以拥有一条不通过肌肉组织与外界交流而实现人机通信及控制的通道。在总结前人研究成果的基础上,采用了小波变换Mallat算法对实验数据进行特征提取,重点研究了时间窗的选取和利用频率范围选取有用信号的问题。通过SVM的分类结果为准确率84.2856%,精密度85.2721%和灵敏度92.0006%。     

基于松散型WNN的运动想象脑电信号解码研究

基于运动想象的脑机接口可以控制外部设备,在医疗康复领域中有着重要的临床意义。为了提高运动想象脑电信号的分类准确率,提出一种松散型小波神经网络,即双树复小波变换与神经网络分开进行计算再组合。利用DTCWT对预处理后的脑电信号进行分解,计算复小波系数的多个特征值并构建特征向量,将组合后的特征向量送入神经网络中进行分类识别。实验结果表明,该算法在BCI Competition IV的数据集2a上的平均准确率为76.03%。通过与不同分类器和现有方法的比较,验证了松散型小波神经网络的有效性。     

基于小波变换的运动想象脑电信号分类

在脑-机接口的研究中,针对运动想象的两种思维任务的脑电信号的特征提取,提出了一种基于小波包变换的特征提取方法。该方法利用想象运动中,脑电信号Mu/Beta节律事件相关同步化/去同步化特性,采用BCI2003竞赛数据,输入Matlab的Classify分类函数进行分类,正确率达到88.57%。     

基于WCSP-LSTM的脑电运动想象意图识别研究

基于皮层脑电图的脑机接口系统中,由于皮层脑电信号采集难度大数据量少导致提取特征和分类准确率不理想。为此,提出重叠式加窗的共空间模式和长短期记忆(Window CSP-LSTM,WCSP-LSTM)深度神经网络结合对病例的皮层脑电进行深层次特征扩充和提取,利用全连接进行运动想象意图识别,同时用相位锁定值来构建脑功能网络分析样本的脑功能机制。所提出的算法最高识别准确率达到100%,十折交叉验证平均准确率为93.423%。通过脑网络分析表明,在执行运动想象过程中病例的顶-枕叶连接更紧密。结果表明,WCSP-LSTM算法在基于脑机接口系统的癫痫康复方面具有巨大的潜力。     

基于小波包融合微分熵的运动想象脑电信号处理

针对脑电信号特征提取导致有效信息丢失的问题,提出了一种基于小波包融合微分熵提取脑电信号特征的方法,可以充分提取脑电信号的有效信息。首先对脑电信号进行小波包分解,选取与运动想象相关的频率进行重构,得到脑电信号的时频信息;考虑到脑电信号的非线性特征,提取脑电信号微分熵特征。实验在脑电大赛数据集上进行验证,在不同分类器上分类准确率分别达到了88%和91%,结果表明小波包融合微分熵的脑电信号处理方法准确率明显提高。     

基于双向运动补偿的三维小波变换方法

提出了基于双向运动补偿的三维小波变换方法,与以往的三维小波变换方法相比较,该方法在三维小波视频编码方法中应用了双向的运动估计/补偿,进而实现了两种时域可扩展方式的组合,提高了视频编码的可扩展性。     

光学小波变换中尺度因子的极限

分析了光学小波变换中实际光学系统对尺度因子选取的限制 ,确定了小波函数对应光学系统尺度因子的最小值 ,分别给出几种小波函数在 4 F系统中尺度因子的最小值 ,为小波变换应用于实际光信息处理系统提供了有意义的参考数据。     

Motor Imagery EEG Fuzzy Fusion of Multiple Classification

Due to the volume conduction, electroencephalogram (EEG) gives a rather blurred image of brain activities. It is a challenge for generating satisfactory performance with EEG. This paper studies the multiple areas fusion of EEG classifiers to improve the motor imagery EEG classification performance. Two feature extraction methods are employed to extract the feature from three different areas of EEG. One is power spectral density (PSD), and the other is common spatial patterns (CSP). Classifiers are designed based on the well-known linear discrimination analysis (LDA). The fusion of the individual classifiers is realized by means of the Choquet fuzzy integral. It is demonstrated that the proposed method comes with better performance compared with the individual classifier.     

基于信噪比门限判断和小波变换的SAR干涉图滤波法

该文首先研究了一种基于离散小波变换(DWT)的干涉图滤波算法,对该算法的噪声模型和处理流程进行了详细的分析,并在其基础上做了基于静态小波变换(SWT)的改进。接着利用实测数据对这两种方法做了实验,通过对实验结果的分析,提出了一种高噪声环境下,在保证残点数降低率的同时,还能提高干涉条纹质量的滤波方法。在此滤波方法的基础上, 进一步提出了基于信噪比门限判断的干涉图两级处理滤波法,并对其处理流程做了详细的讨论。利用实测数据对该方法进行了仿真,实验结果验证了该方法的有效性。     

基于独立向量分析的脑电信号中肌电伪迹的去除方法

脑电数据经常被各种电生理信号伪迹所污染。在常见伪迹中,肌电伪迹特别难以去除。文献中最常用的方法包括诸如独立分量分析(Independent Component Analysis, ICA)和典型相关分析(Canonical Correlation Analysis, CCA)等盲源分离技术。该文首次提出一种基于独立向量分析(Independent Vector Analysis, IVA)的新方法,用以去除脑电中的肌电伪迹。IVA同时使用高阶统计量和二阶统计量,因此该方法能够充分利用肌电伪迹的非高斯性和弱相关性,兼具ICA方法和CCA方法的优势。实验表明,使用IVA方法可以在保留脑电成份的同时极大抑制肌电伪迹,效果显著优于ICA法和CCA法。     

基于脑电和眼电的运动想象多尺度识别方法研究

基于脑电信号对同一肢体不同动作想象模式进行识别的正确率低,已成为基于脑机接口对肢体瘫痪患者进行运动想象训练监控的方法,获得临床应用前必须解决的瓶颈问题.针对该问题,本文提出一种利用运动想象时眼睛的活动状态与所想象肢体动作之间存在的耦合关系,进行运动想象多尺度识别的新方法.该方法首先在大尺度上,利用脑电信号对运动想象是否发生进行识别,再结合同一运动想象过程眼电信号协同变化模式的识别结果,基于决策融合在更精细的尺度上,对同一肢体不同动作的想象模式进行识别.实验结果表明,仅基于脑电进行右臂三种动作想象模式识别的平均正确率为63.0%,而应用所提出方法可以将其提高到91.4%.所提出方法可望有临床应用前景.     

基于先验特征的矿下人员定位校准方法

针对目前人员定位方法普遍存在易受环境影响,累计误差大等问题,该文提出一种利用地图先验知识与井下人员行进方向识别相结合的位置校正方法。该方法首先通过线性判别分析(LDA)降低传感器特征集的维度,之后利用随机森林(RF)与设置阈值的方法对井下人员的行进方向分类并标记特殊点,将特殊点与巷道结构的先验知识进行匹配,修正并更新通过步行者航位推算算法(PDR)得到的井下人员的初步运动轨迹。实验结果表明：LDA的预处理方法能够有效提高后续分类器的精度高达6%以上。该文提出的位置估算方法能够有效减小累积误差,具有较高的准确性和鲁棒性,活动识别精度能够达到98%,可以实现可靠的实时定位。     

基于小波变换和独立分量分析的含噪混叠语音盲分离

含噪混叠语音的分离是语音信号处理中的重要研究问题。该文针对语音信号的非平稳特性与不同语音源之间的相互独立性,提出用小波变换与独立分量分析相结合的方法来进行分离。首先利用小波变换分别对各含噪混叠语音进行消噪,然后用独立分量分析的方法对消噪后的混叠信号进行分离,最后进一步对分离信号作矢量归一和再消噪处理,得到各个语音源信号的最终估计。仿真结果表明这种方法取得了很好的分离效果。     

基于二维小波变换的独立分量分析方法及其在图像分离中的应用

该文提出了一种新的基于二维小波变换的独立分量分析方法。研究表明,当各个源信号的概率密度分布相同时,自然梯度算法的稳态误差与源信号峭度的平方成反比。因此,对峭度更大的小波域高频子图像进行独立分量分析可以获得更高的分离精度。同时,高频子图像的大小为源图像的1/4,计算量大大减小,因此算法收敛的速度更快。最后,将该方法用于混合图像的盲分离,通过一系列实验,证实该方法是有效的。     

基于结构相似的小波域图像质量评价方法的研究

 小波域的图像处理已经成为图像处理领域的重要组成部分,研究能嵌入在小波域图像处理算法中的图像质量评判方法显得至关重要.空间域结构相似度SSIM具有计算简单、与主观评分相关性高等优点.本文通过对小波域图像结构特性的研究,提出了小波域结构相似度(DWTSSIM)的图像质量评价方法.实验结果表明DWTSSIM比SSIM更加符合人眼的视觉特性,可以更好地评判图像质量,并且能容易地嵌入在小波域图像处理算法中,在图像处理过程中指导或调节算法.     

基于脑功能网络和样本熵的脑电信号特征提取

针对脑-机接口(BCI)研究中采用单一特征对运动想象脑电信号(EEG)识别率不高的问题,该文提出一种结合脑功能网络和样本熵的特征提取方法。根据事件相关同步/去同步(ERS/ERD)现象以及皮层与肢体运动想象间的对侧映射机制,选取小波包变换消噪重构后的\begin{document}$ \mu$\end{document}节律脑电信号,用左侧27个通道、右侧27个通道分别对左半球脑区和右半球脑区构建脑功能网络,计算网络的平均节点度和平均聚集系数作为运动想象的脑功能网络特征,并结合C3, C4通道节律的样本熵构筑分布性和指向性相结合的特征向量。选用支持向量机(SVM)对左右手运动想象脑电信号进行分类,结果表明基于脑功能网络和样本熵的特征提取方法能够实现更优的分类效果,分类准确率最高可达90.27%。     

基于峰值变换的信号稀疏表示及重建

压缩感知(CS)近年来的出现引起了学术界的极大关注,其要求信号本身是稀疏的或者在某种正交基下可以稀疏的表示。该文针对信号本身及小波变换下均不稀疏的情况(如线调频信号),结合峰值变换(PT),提出了PTCS的信号压缩感知算法,对于PT变换产生的峰值变换点序列采用可逆数字水印中的数值扩展方法,将峰值变换点序列嵌入测量信号中,避免了由于引入PT变换而额外增加测量点。通过PT变换,可以将不稀疏的小波系数变为稀疏系数,从而大大提升信号重构效果。仿真结果表明,该文提出的PTCS算法恢复信号与已有的基于正交匹配追踪算法的CS算法相比较,恢复信号质量有着较大的提高。