基于神经网络的多传感器火灾预测数据处理

为降低火灾报警系统的漏检、误报率,利用神经网络良好的非线性映射能力,对多传感器(温度传感器、烟雾传感器和CO传感器)同时探测到的数据进行智能化处理。仿真结果表明:基于神经网络的多传感器火灾报警系统能准确地识别各种火灾信号,减少了误报,增强了系统的抗干扰能力和对环境的适应性能.     

一种基于能量滤波和小波的车牌定位方法

提出一种基于能量滤波和小波的车牌定位方法。根据车牌在水平方向能量高且集中的特点构造能量函数．并将沿垂直方向变化的能量反映到投影图上,能量滤波后获取车牌的大致位置。再由小波分析获取车牌的水平细节图像和垂直细节图像,然后利用形态学对小波分解后的细节图像进行一系列处理,进一步消除无用信息和噪声,最后由投影法准确确定车牌位置。实验结果表明,定位准确率为96．2％．平均定位时间为3．62s。     

基于SVM混合网络的车牌字符识别研究

本文提出了一种基于SVM混合网络的车牌字符识别方法。首先根据国内车牌字符的排列特点依次构造汉字识别子网、英文识别子网、英文与数字识别子网以及数字识别子网。然后针对英文字符和阿拉伯数字的字体结构具有连通性这一特点．采用形态学方法进行滤波处理．以减少噪声干扰。预处理后提取字符的小波包系数和矩做为特征量，最后在各个识别子网中采用SVM识别方法对车牌中的汉字、英文字符以及阿拉伯数字进行了识别。实验结果表明，该方法效果良好。     

基于DCT增强和改进谱熵的语音端点检测方法

端点检测是语音信号处理过程中非常重要的一步，它的准确性直接影响到后面的学习及识别效果．提出了基于DCT（离散余弦变换）增强和改进谱熵的语音端点检测方法．首先，通过DCT（离散余弦变换）进行语音增强，然后再通过改进谱熵法判决去噪后语音的端点位置．仿真结果表明：此方法快速有效，具有较强的抗噪能力，特别适合低信噪比下的端点检测．     

新工科背景下师范院校电子信息类创新人才培养的探索与实践

针对新工科的要求并结合师范院校的实际情况,对电子信息类专业创新人才培养进行了探索.优化了课程体系结构,确保了课程开设的新颖性和实用性;提出了多途径培养的新模式,并构建了层次化的能力训练体系.实践证明,这些措施有效解决了教育资源不足、培养环节脱节等问题,增强了学生的工程意识和适应能力,提高了人才培养质量.     

基于超声散射回波的组织损伤程度监测方法

高强度聚焦超声(HIFU)治疗肿瘤过程中,根据组织损伤程度调整HIFU治疗剂量非常重要.本文从信号处理的角度出发,提出基于超声散射回波能量和声衰减系数并结合BP神经网络监测生物组织损伤程度的方法.将高强度聚焦超声打击新鲜猪肉组织前后获得的散射回波通过A/D转换输入到计算机,对接收到的组织散射回波信号进行预处理,再从中提取出超声散射回波能量和声衰减系数参量信息,比较不同参量对损伤程度的辨识效果.实验结果表明:综合超声散射回波能量和声衰减系数特征并输入BP神经网络,相对于仅使用某种特征参数而言能更好地监测HIFU治疗中生物组织的损伤程度,尤其在组织损伤严重时优势更加明显.     

基于SURF算法的HIFU治疗前后超声图像配准研究

高强度聚焦超声(HIFU)治疗过程中,医生通常将治疗前后的超声监控图像直接相减,得到治疗区域的图像来判断治疗效果。由于治疗后病人的体位可能会变化,导致治疗前后采集的图像发生偏移,通常需要先将HIFU治疗前后的超声监控图像进行配准。提出了一种基于加速鲁棒性算法(SURF)和超声监控图像散斑特征的快速图像配准方法。首先利用经典的SURF特征检测器分别提取治疗前和治疗后超声图像中的特征点,采用欧式距离匹配提取的特征向量,通过超声图像的固有属性散斑特征的分布规律优化配准参数并用RANSAC算法去除错误匹配点对,最后利用最小二乘法求出图像之间的映射关系完成配准。实验结果表明,该算法能自动搜索治疗前后超声监控图像中的对应特征点,比传统的人工筛选特征点效率更高,且利用散斑特征的分布规律优化后的SURF算法相比标准的SURF算法配准精度更高。     

基于混合特征参数和BP_Adaboost的方言辨识

着眼于非特定人孤立词湖南地区的方言辨识,提出一种将BP神经网络和Adaboost算法相结合的辨识模型。为反映方言的动态特性及其声道特性,采用LPCC、MFCC和各自一阶差分系数相组合作为方言特征系数。利用多个BP神经网络作为弱分类器对方言进行初步辨识,借助Adaboost迭代算法将这些弱分类器组合起来构成强分类器,得出最终辨识结果。实验证明,该混合模型较单纯的BP神经网络具有更强的噪声鲁棒性和较高的识别率。     

非下采样Contourlet变换自适应图像去噪方法

提出了一种基于非下采样Contourlet变换的自适应图像去噪方法。首先对噪声图像进行非下采样Contourlet变换,得到各个尺度各个方向子带的系数,再根据该系数的能量自适应地调整去噪阈值。实验表明,与Contourlet多尺度阈值去噪、Contourlet自适应阈值去噪相比,该方法在保留图像边缘细节的同时,能提高图像的PSNR值,减少了Gibbs现象。     

基于神经网络的多传感器火灾报警系统

为降低火灾报警系统的漏检、误报率,利用神经网络良好的非线性映射能力,对温度传感器、烟雾传感器和一氧化碳传感器同时探测到的数据进行智能化处理。仿真结果表明:基于神经网络的多传感器火灾报警系统能准确地识别各种火灾信号,减少了误报,增强了系统的抗干扰能力和对环境的适应性能。