旋转机械振动信号整周期重采样技术的研究

针对频谱泄漏及栅栏效应问题,建立了基于整周期重采样技术提高振动分析精度的方法,采用振动信号同步采集的频率计算整周期采集所需的时间,利用此时间可以对波形实现整周期重采样,并且在相位计算时,对各个通道补偿因循环采样所产生的相位误差.研究结果表明:该方法对振动信号可以实现整周期重采样,并能显著提高振动信号的幅值及相位精度,具...     

基于粒子群优化的不均衡数据学习

为了提高重采样算法在不均衡数据学习的性能,提出一种基于粒子群优化的不均衡数据学习方法。通过粒子群优化,以不均衡数据分类评价准则作为目标函数,来优化重采样算法中最佳的采样率,同时对特征进行选择,从而达到最佳的数据分布。该算法在大量UCI数据集上进行了测试,与其他不均衡学习算法进行比较,结果表明该算法具有更高的分类性能; 并验证了同时优化采样率和特征集合,可有效地改进不均衡数据分类效果。     

可分级视频编码中重采样滤波器设计

针对可分级视频编码中重采样技术的下/上采样滤波器分立设计而导致滤波器性能变差的问题,提出一种匹配的数字图像下/上采样滤波算法。该算法利用已获得的图像下采样滤波器参数,推导出与其对应的上采样滤波器,从而达到两者匹配的目的。这样不仅能够提高视频质量,更可以提升空间可分级的编码性能。与JSVM标准的实验仿真结果相比,匹配的重采样滤波器在性能上有较大提高,其峰值信噪比平均增加1.6dB。     

一种改进的多单元粒子滤波算法

针对粒子滤波重采样时运算量大的问题,提出一种改进的多单元粒子滤波算法,该算法在多单元粒子滤波的理论基础上,通过加入数据采样步骤,对多个单元的粒子数据进行分组,对其采样选取各组数据的最大值,有效减少系统重采样时的粒子数,提高系统运算效率。实验结果表明：在相同的条件下,相对于多单元粒子滤波,该算法运行时间减少10倍,精度提高20倍,能够满足实时应用要求。     

基于粒子滤波重采样与变异操作的改进粒子群算法

针对标准粒子群优化(PSO)算法在求解过程中存在求解精度低、搜索后期收敛速度慢等问题,提出一种基于粒子滤波重采样步骤与变异操作相结合的改进PSO算法——RSPSO。该算法充分利用重采样中具有较大权值的粒子被保留和复制、较小权值的粒子被舍弃的特点,并利用已有的变异操作方法克服粒子匮乏的缺点,大大增强了PSO算法中后期搜索阶段的局部搜索能力。在不同基准函数下对RSPSO算法和标准PSO算法以及文献中其他改进算法进行对比。实验结果表明, RSPSO算法的收敛速度较快,同时其搜索精度和解的稳定性均有所提高,且能够全局地解决多峰问题。     

阶次分析方法用于减速器故障诊断

应用重采样的阶次分析技术进行减速器的输出特征值选取,并在LABVIEW中进行了振动和转速信号的仿真计算。频谱图和阶次谱图仿真对比结果验证了阶次分析方法的可行性和优越性。     

一种基于整体平差的图像拼接方法

提出了一种基于整体平差的概格图像拼接方法，该方法把整幅图纸的４个角点作为拼接控制点，然后利用相邻扫描图像块重叠区中连接点的传递特性，通过量测与整体平差，算得各扫描图像块相对于图幅坐标系的几何变换参数，最后经重采样实现图像的自动拼接．所列试验表明，新提出的拼接方法速度快、精度高．     

重采样对脉搏间期序列谱分析的影响

研究了重采样对脉搏间期序列谱分析的影响,提出以平均脉率为重采样率对脉搏间期序列进行重采样,为脉率变异性分析提供理论支持。采用最近邻点插值、分段线性插值、分段三次Hermite插值和三次样条插值4种方法对仿真脉搏间期序列重采样,并对比相应的Welch周期图法和AR(Auto regressive)自回归模型法的谱分析结果。提出以平均脉率作为重采样率,并与其他多个重采样率进行比较。结果表明,以平均脉率为重采样率,采用三次样条插值方法及Welch周期图法进行谱分析时,所得误差最小,适合用于脉搏间期序列的谱分析。采用该方法对30例健康者和30例冠心病患者的脉搏间期序列进行了谱分析,结果显示冠心病患者的谱分析结果显著低于健康者,验证了本方法的有效性。     

一种不平衡数据的分类方法

针对数据挖掘和机器学习领域中常遇到的数据不平衡问题,分析了数据的不平衡性及目前解决不平衡问题的主要策略,提出了一种基于组合的不平衡数据分类方法,该方法将数据重取样与权重润饰结合,以降低分类器对大类别的偏好。实验结果表明,权重润饰能够较好的弥补重取样方法的某些不足,该组合方法可有效提高不平衡数据分类精度。     

Feature sensitive re-sampling of point set surfaces with Gaussian spheres

Feature sensitive simplification and re-sampling of point set surfaces is an important and challenging issue for many computer graphics and geometric modeling applications.Based on the regular sampling of the Gaussian sphere and the surface normals mapping onto the Gaussian sphere,an adaptive re-sampling framework for point set surfaces is presented in this paper,which includes a naive sampling step by index propagation and a novel cluster optimization step by normalized rectification.Our proposed re-sampling scheme can generate non-uniformly distributed discrete sample points for the underlying point sets in a feature sensitive manner.The intrinsic geometric features of the underlying point set surfaces can be preserved efficiently due to our adaptive re-sampling scheme.A novel splat rendering technique is adopted to illustrate the efficiency of our re-sampling scheme.Moreover,a numerical error statistics and surface reconstruction for simplified models are also given to demonstrate the effectiveness of our algorithm in term of the simplified quality of the point set surfaces.