驻极体麦克质量检测中图像信号背景去噪研究

小波图像去噪已经成为目前图像去噪的主要方法之一,介绍了基于小波变换系数门限值的去噪方法,并给出了4种不同的门限值确定规则,针对含有白噪声的驻极体麦克图像信号,通过选择合适的小波基和阈值进行去噪,取得了相对中值滤波和均值滤波更好的效果.     

基于图论的最小测试集的寻找

电路的测试与诊断已有了广泛的研究,但被测电路的最小测试集的寻找一直是个难题.本文引用图论中的有关概念,对使用离散事件系统理论进行建模的电路进行最小测试集的查找,能够方便快捷的获得被测电路的最小测试集.最后用实例对该方法进行了验证.     

一种基于嵌入空间的防遮挡的多目标跟踪算法

在视频监控中准确识别发生遮挡的目标是视频监控系统中面临一个难点,现在流行的运动目标跟踪算法由于基于检测之上,无法准确判断相互重叠之间的关系。提出一种基于基于嵌入空间识别遮挡关系的方法,在此基础上实现多目标的跟踪。具体的方法是构建遮挡关系函数明确表示发生遮挡目标之间的关系,并将之合并到跟踪算法框架内。同时,对联合状态预测函数进行分步处理,使得多目标的跟踪问题变成在嵌入空间中的分类问题。实验结果表明算法能在有遮挡情景下有效实施目标跟踪,并且,定量分析表明与其他算法相比提高一个数量级。     

求取电路最小测试集的优化算法的比较研究

离散事件系统（DES）理论的发展为数模混合电路中的数字信号和模拟信号的测试提供了一种统一、系统、有效的方法。在基于DES理论的电路可测试性研究中,其中重要的一项工作就是求取电路的最小测试集。首先介绍了目前求取电路最小测试集的几种优化算法的思想和实现方案,然后对它们进行了比较,并对下一步研究方向进行了展望。     

一种改进型的时空混合高斯背景建模

针对单固定摄像机的环境,提出一种结合三帧差法的时空混合高斯背景建模方法,改善了传统混合高斯背景建模只考虑单个像素在时间上的特性而忽略相邻像素空间上的相关性,从而对非平稳场景较为敏感的缺点。对于状态变化频繁的点,让其取邻域内的稳定点的灰度值,再与三帧差法的结果进行或操作。实验结果表明,与经典混合高斯背景方法相比,本文的方法能够有效改善背景中出现的非平稳波动,检测出的目标也更完整,并且对阴影的影响,也有一定的抑制作用。     

数字摄像法测量白天能见度算法设计

数字摄像法测量白天大气能见度,常用的方法是双亮度差法,此方法需尽可能保证标准的观测条件,例如两组目标-背景视线方向一致,尽量选择观测反射率低得可以忽略的人工实用黑体目标物等,否则会产生较大的误差。为此设计了一种新的基于数字摄像机的白天能见度算法:拍摄包含合适的目标物和天空背景图像,通过暗原色先验估计透射率,通过调节光圈大小获得散焦图像,把S变换应用到图像处理中,计算视觉距离,可以得出大气消光系数,从而反演出大气能见度值。实验数据表明,该算法在能见度的值在4 000~8 000 m范围内最大误差小于9%,测量结果比双亮度差方法误差减小2.1%~3.4%。     

Delphi技术在测试软件中的应用

详细介绍了用Ｂｏｒｌａｎｄ Ｄｅｌｐｈｉ３．０开发自动测试系统过程中的一些高级技术的应用,这些技术包括：动态封面的动作;动画的生成和播放;利用多媒体控件实现语音提示,数据库的组建,添加和删除;ＤＬＬ的调用;引进ＭＳＣｏｍｍ３２．ＯＣＸ实现串行通信。     

分布式微机系统在粮情监控中的应用

介绍了利用分布式微机系统原理组成的大型粮库粮情监控系统的研制情况。着重讨论了该系统的组成原理、通讯接口和通讯程序设计方法。     

BP神经网络对驻极体麦克图像特征识别的研究

人工神经网络是特征识别的有力工具。在研究对驻极体麦克图像识别方法的基础上,本文提出了一种用改进的BP神经网络进行图像特征的识别和学习算法,并给出了动量系数和学习率的调整方法。对比传统方法测定的结果,使用改进的BP神经网络在识别不规则特征时：减少了输入信息冗余,网络结构相对简单;神经网络输出的各项指标明显提高了精度,对麦克图像特征的平均识别正确率达到92．7％;识别速度也满足在线实时检测的要求。理论分析和实验均表明该算法能实时有效地检测出驻极体麦克图像的特性。本文为研究图像不规则特征的识别提供了一种新的方法。     

多尺度卷积神经网络检测睡眠呼吸暂停

睡眠呼吸暂停综合征作为一种常见的与睡眠相关的呼吸障碍性疾病,受到众多的关注。由于其复杂的检诊断过程及昂贵的价格,吸引了众多研究学者探索基于单通道信号的快速、便捷检测方法。基于心电信号(ECG)提出了一种多尺度卷积神经网络睡眠呼吸暂停快速检测方法,与常规的单尺度卷积神经网络方法相比,该方法可以有效地结合信号的细节信息和抽象信息,提升卷积神经网络的特征呈现能力。通过PhysioNet提供的Apnea-ECG数据库进行验证,多尺度卷积神经网络获得了85.2%准确率、83.1%敏感性和86.5%特异性。与现有方法相比,该方法进一步提升了睡眠呼吸暂停的检测性能。