数字语音信号的非均匀采样的实现

该文主要叙述数字语音信号的基于FFT的非均匀采样的技术实现问题,涉及WAV文件格式、分段、对其进行非均匀降速重采样频率的选择原则及生成和语音信号重构,并对实际的WAV格式的数字语音文件用VC++6.0编写的程序实现了基于FFT的重采样;分析方法、实现程序不仅对WAV格式的数字语音文件有效,而且也适用于其它格式的数字语音文件和非语音信号的非均匀采样的实现。     

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。     

图像配准在中药贴剂图像处理中的应用

中药贴剂外观是中药贴剂质量的重要指标。把基于特征与基于区域的图像配准算法结合运用,进行中药贴剂图像配准。该方法将贴剂图样进行Harris角点检测,通过标准Fourier-Mellin匹配方法进行校验,重采样的图像融合,实现对检测过程中采集到的中药贴剂图像进行无缝拼接,应用于中药贴剂上方图像检测仪。实验用不同大小、不同形状的褶皱对中药贴剂外观表面进行标记,以便检测该算法配准精度。结果表明,该算法应用合理,能够保证中药图像配准的高精度要求。     

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。     

数字宽带波束形成的仿真与验证

提出了宽带恒定束宽响应数字波束形成的整个流程和方法,通过运用数字延时线和Farrow分数延时滤波器相结合的技术对来波信号进行精确的预延时,运用空间重采样法对不同阵元宽带信号各离散频点的加权系数进行了求解,并根据这些加权系数构建了线性相位FIR滤波器来实现该波束形成算法。仿真和分析结果表明整套设计方法正确、实用、有效。     

远距离纯方位跟踪的改进粒子滤波算法

粒子滤波是一种基于蒙特卡罗采样和递推贝叶斯估计的滤波方法,不受模型非线性和非高斯噪声的限制,因而被用于各种非线性滤波和参数估计问题。但是对于先验信息较少和信噪比较低的问题,其庞大的计算量和缓慢的速度限制了它在实时系统中的应用。这里介绍了粒子滤波基本原理,通过改进权重计算、重采样算法,使计算速度得到提高。这种改进算法用于对海洋远距离纯方位目标进行跟踪仿真,其结果表明,具有速度快,精度高的特点。     

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。     

基于局部粒子密度的粒子滤波跟踪方法

定义了欧氏空间内的局部粒子密度的概念,针对四种不同的情况作出分析,对优选粒子的优劣作出评价并指导后续的粒子重采样和模板更新过程,并在此基础上给出了一种新的基于局部粒子密度的目标跟踪方法.比较实验显示,相对于原始粒子滤波方法和其他粒子重要性重采样方法,该方法在保证跟踪有效性的同时,提高了跟踪效率.     

信息取证中图像重采样检测

经过重采样后的数字图像,实质是原始图像信号和周期信号的叠加。通过期望最大化算法对两种信号进行聚类分析,便可以检测其中的重采样痕迹。通过对已有的模型进行改进,将原始信号分布代替均匀分布并增加了先验概率的迭代,使得分布情况更符合实际。同时,通过增加小补偿量的方法避免EM算法可能遇到的奇异点。实验证实该算法可以检测出对于未压缩图像的缩小、放大和旋转及图像是否被JPEG压缩过。     

一种基于重取样的代价敏感学习算法

大多数非均衡数据集的研究集中于纯重构数据集或者纯代价敏感学习,本文针对数据集类分布非均衡和不相等误分类代价往往同时发生这一事实,提出了一种以最小误分类代价为目标的基于混合重取样的代价敏感学习算法。该算法将两种不同类型解决方案有机地融合在一起,先用样本类空间重构的方法使原始数据集的两类数据达到基本均衡,然后再引入代价敏感学习算法进行分类,能提高少数类分类精度,同时有效降低总的误分类代价。实验结果验证了该算法在处理非均衡类问题时比传统算法要优越。