基于BP神经网络的心电图ST段的模式识别

心电图ST段对心脏疾病的诊断具有重要意义.在正确读取采集于郑州大学一附院的运动心电图数据基础上,利用小波变换更准确地确定其ST段的起始和终止位置,初步探讨了BP神经网络用于心电图ST段识别的方法,并用此方法识别出心电图ST段的三种类型-正常、水平压低和抬高.实验结果较好.     

基于BP神经网络的主分量分析人脸识别算法

提出了基于BP神经网络的主分量人脸识别算法。该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为BP神经网络的输入,由BP神经网络和后验概率转换器构成人脸识别器。针对ORL人脸库的实验结果表明该方法具有较高的识别率。     

基于DNA的BP网络在心电图ST段形态识别中的应用

心电图ST段的状态在心脏疾病诊断中有着重要参考价值。本文采用DNA优化的BP网络进行了ST段识别的研究,首先采用小波变换的方法将ST段从心电周期中分离出来,然后建立神经网络并采用DNA算法来优化神经网络,最后采用MIT/BIH数据库的数据对本文的算法进行测试。结果发现,本文的算法识别准确率优于GA-BP和BP,且具有更快的收敛速度。     

基于神经网络心电图ST段形态识别

心电图ST段是心电图诊断中一项重要指标,ST段具体形态的识别对心血管疾病诊断意义重大.针对心电图ST段形态的多样性,传统时域方法对具体形态识别显得不足,心电信号是微弱信号,易受到低频和工频信号的干扰,有效地滤除基线漂移和工频干扰为ST段准确识别提供保证.通过零相位巴特沃斯有效滤除基线漂移和工频干扰,利用神经网络与时域分析相结合的方法实现ST段多种形态的快速识别,减少神经网络输出层的形态分类,能够准确识别出ST段形态,实验结果满意,为心电图ST段诊断提供了依据.     

基于BP神经网络的盲数字水印算法

该文将二值水印嵌入到宿主图像的小波变换域的低频分量中,利用BP神经网络很好的非线性映射和自学习、自适应学习特点实现水印信息的盲提取,仿真实验结果表明该算法既能抵抗常规的图像处理攻击,也能抵抗一定程度的几何攻击,如JPEG压缩、剪切、加噪和滤波等,具有较好的鲁棒性和不可见性。     

基于BP神经网络的盲数字水印算法

该文将二值水印嵌入到宿主图像的小波变换域的低频分量中,利用BP神经网络很好的非线性映射和自学习、自适应学习特点实现水印信息的盲提取,仿真实验结果表明该算法既能抵抗常规的图像处理攻击,也能抵抗一定程度的几何攻击,如JPEG压缩、剪切、加噪和滤波等,具有较好的鲁棒性和不可见性。     

基于BP神经网络的车辆声音信号识别

声音信号包含着很多的信息量,且获取比较方便.近年来,声音识别技术被广泛应用于各个领域,有着重要的意义.本文主要介绍了小波理论和BP神经网络识别算法.通过对采集到的不同类型车辆的声音信号进行分析和预处理,采用小波变换提取低维的特征参数,构建并成功训练一个三层BP神经网络,从而有效地识别出了车型.     

实时心电信号监控中ST段改变检测方法

提出一种实时心电监控中的ST段检测方法,利用拟合法提取等电位线,采用小波变换监测QRS波群,结合J＋X法及T波起点检测方法达到准确检测ST段电位的目的,在实时监控中设计实现一种ST段报警记录信息。长时间的心电数据库验证及临床检验证明该方法具有较好的准确性及实用性。     

一种小波域内的BP神经网络图像压缩方法

通过时Mallat算法和提升小波变换的比较,并分析图像经过小波变换后系数的分布特点,提出了一种新的将提升小波变换和BP神经网络相结合的图像压缩方法.根据小波变换后图像的绝大部分能量都集中在小波变换的低频部分这一特性,利用BP神经网络,对不同的频带子图进行不同压缩比的压缩,从而得到高质量的重构图像.结果表明,该算法不仅有较高的压缩比,而且获得了质量较高的重构图像,对背景简单的图像压缩效果尤为明显.     

基于小波变换的ECG信号压缩及其FPGA实现

小波变换在ECG信号处理中的应用得到了很多研究人员的关注。本文研究了5层5/3提升小波变换及其反变换的FPGA实现,并将其应用于ECG信号的压缩,在均方误差可控的范围内获得了较大的压缩比,并利用设计的硬核实现了信号的重建。     

基于小波和余弦变换的神经网络人脸识别法

提出了利用小波变换和余弦变换与 BP 神经网络相结合的人脸识别方法。将人脸图像归一化后进行小波变换,再用余弦变换对低频信号提取特征向量,达到降维和去除干扰的目的,并把特征向量送进 BP 神经网络训练。识别时,对人脸图像进行相同的变换后,送入神经网络进行辨别。实验结果表明,该算法优于传统的人脸识别法。     

基于Huang变换和BP神经网络的时间序列预测方法

Huang变换是近几年发展起来处理非平稳信号的新方法。时间序列同信号一样具有非平稳的特性,研究了Huang变换在时间序列预测中的应用。首先将时间序列通过Huang变换分解为有限个固有模态函数和一个残余函数之和,每一个的固有模态函数反映了时间序列在各个尺度的特征,而残余函数则很好地反映了时间序列的总体趋势,然后应用BP神经网络对各个固有模态函数和残余函数进行预测,最后将所有的预测值重构叠加,就得到原始时间序列的预测值。实例证明,基于Huang变换和BP神经网络的时间序列的预测方法,优于小波变换和神经网络相结合的预测方法,提高了预测精度。     

基于小波变换和神经网络的车内噪声信号重构

为获取较高精度车内噪声主动控制(Active Noise Control, ANC)参考信号,提出了一种基于小波变换和BP神经网络的车内噪声信号重构方法。以在某轿车采集到的噪声信号为基础,用声学传递路径分析(TPA)方法确定影响车内噪声的关键点信号。鉴于噪声源信号对车内信号非线性关系的复杂性,建立BP神经网络的噪声重构模型,并利用小波分解来降低噪声信号的非平稳性。为对比重构效果,建立BP神经网络噪声重构模型。结果表明,本文提出算法的重构值与实测值之间的平均绝对误差比BP神经网络小,并且基于小波变换和BP网络重构模型的平均绝对误差均小于0.01。该方法能够对车内噪声信号进行准确、有效的重构。     

基于滑动平均预处理的BP网络储层识别方法

在油气勘探开发领域的储层识别研究中,神经网络技术是一种有效的工具。根据BP神经网络的逼近原理,提出了基于滑动平均预处理的BP神经网络储层识别方法。首先对学习样本中的每一组样本数据按照一定规则选取近邻点,然后根据近邻点信息,使用滑动平均的方法进行预处理得到新的样本数据,最后使用新的学习样本训练BP网络,进行储层判识。实验结果表明,该方法具有简单、高效、学习速度快的优点,能极大提高识别速度和预测精度。     

基于BP神经网络和CELTS-22的网络课程评价研究

基于对人工神经网络和CELTS-22的研究,建立了以CELTS-22中主要评价规范为参照的指标体系.该系统应用三层BP神经网络结构,设计出能模拟专家进行评价的计算机辅助评价模型,可以弥补评价过程中的人为失误.     

基于改进的BP神经网络的Overlay网络流量预测

随着网络规模的增长,Overlay网络流量预测已经日渐成为研究热点。与传统网络相比,Overlay网络本身的特性决定了传统的预测方法已不能适应它的要求。提出一种基于模拟退火的粒子群神经网络来预测Overlay网络的流量,运用反向计算方法,从理想最优值出发,近距离寻找最优解,缩短了求解时间并加大了找到最优解的几率。通过实验仿真可以看出,改进的BP神经网络方法的预测效果要明显好于传统的BP神经网络。     

基于改进BP网络的当前非法出入境活动发展趋势预测

提出了基于BP神经网络的当前非法出入境活动发展趋势预测方法,以某年相关原始数据为依据,通过Matlab编程对当前非法出入境活动的发展趋势进行了预测和分析,为有关部门的正确决策与规划提供一定的指导和依据.     

基于BP神经网络的网络控制系统调度

为了在复杂的网络环境下能更合理地分配网络资源,提出了利用BP神经网络,通过对网络调度器产生的历史和当前数据进行训练,预测调度器下周期可能产生的数据,进而对下一调度周期的死区大小进行调整。实验仿真表明,所设计的反馈调度器能进一步改善网络控制系统的性能,进一步提高应对负载变化的能力。     

基于BP神经网络的传感器交叉敏感性抑制

多传感器系统通常都存在交叉敏感性问题,传感器静态性不仅受某一个环境参量的影响,有时甚至受多个非目标参量的影响,致使测量精度低。提出一种基于BP神经网络的传感器的交叉敏感性抑制的方法,并应用到实际的检测系统中。通过对应用神经网络前后的数据进行比较分析,表明该方法大大降低了交叉干扰,提高了测量精度,达到了预期效果。