分形多重相关方差X线颅颌影像边缘检测

针对X线颅颌影像片边缘检测十分困难的问题,提出一种基于多重相关方差的计算多重分形谱的算法.构建一个X线图像的五邻域多重相关空间,定义图像的多重分形谱的概率测度,对数字X线头影侧位片进行多重分形性质的分析.通过图像的多重分形谱与权重因子相关性的分析,进一步判定线形区间及适当的权重因子,得到X线头影片图像的多重分形的线性区间,验证X线头影片图像的多重分形的几何性质,实现对X线头影侧位片的整体轮廓的边缘提取.该算法具有保持和加强图像的局部特性,突出图像的细微处的特点,克服了多重分形谱对噪声敏感的缺点,能有效抑制图像中的噪声.     

基于多重分形和小波变换的声目标信号特征提取

研究了基于关联积分的广义维数谱的定量计算方法,提出了声目标信号的多重分形特 征,并对其特征即广义维数谱的有效性进行了分析;同时利用小波变换分析既能反映信号在变 换域特性又保留其时域信息的特点,提出基于小波变换的子空间能量及主要能量集中子空间时 域信息的特征提取方法,并通过模糊神经网络识别系统对声目标信号的广义维数谱、子空间能 量及时域信息的组合特征进行了验证.     

多重分形去趋势波动分析及改进决策树在电能质量分析中的应用

通过多重分形去趋势波动分析方法分析了6种常见的电能质量信号,证明了电能质量信号具有多重分形特征.据此提出基于多重分形去趋势波动分析的电能质量特征提取方法,选取多重分形谱参数(hqmax、αmin、α0)和信号能量E作为特征向量矩阵,结合改进决策树分类,进行电能质量分析和识别.该方法与DTCWT、HHT和EEMD方法进行...     

滚动轴承故障诊断的多重超阶分析方法

多重分形去趋势波动分析(MF-DFA)可以获得能够表征信号内在动力学机制的多重分形谱,但是在提取滚动轴承振动信号故障特征时存在参数接近、状态混叠等问题,导致分析结果易受信号噪声等因素干扰,影响分类精度。为解决此问题,提出了多重超阶分析(MF-SOA)的方法。该方法将极值增量方法引入了多重去趋势波动分析中,对时间序列进行取极值操作;然后计算并分析获得的极值增量序列的重分形特征,通过MF-SOA方法获得的特征可以更清晰地表现出序列的内部动力学机制。最后将所提出的方法应用于滚动轴承的故障诊断中。试验数据分析结果表明,该方法对于信号的不规则程度十分敏感,并且有效改善了MF-DFA方法的缺陷,对于模式相近的故障类型有更优的区分度,提高了滚动轴承故障诊断的精度。     

交通时间序列的多重分形特征分析

通过分析2006年8月1日0时11分到8月10日14时11分的北京玉泉营高速路的交通流量时间序列,发现其具有多重分形特征.首先利用幂谱、统计矩的方法研究流量时间序列表明了该序列自相似性.进一步借助多重分形谱的宽度、极大值以及谱曲线不对称程度对交通流量时间序列进行研究,结果表明,交通流量时间序列具有较好的多重分形特性.这将为多重分形在交通时问序列分析的研究提供重要的理论基础.     

基于多重分形的摩擦振动信号研究

为提取摩擦振动的特征信号和实现摩擦振动特征信号的表征,在摩擦磨损试验机上进行船用柴油机缸套-活塞环摩擦副摩擦磨损模拟试验,应用总体经验模式分解对缸套-活塞环摩擦副的非线性、非平稳的摩擦振动信号进行降噪,并应用多重分形对摩擦振动信号进行分析,得到多重分形谱图及其参数。研究结果表明,随着摩擦磨损试验的进行,缸套-活塞环摩擦副摩擦振动信号振幅分布多重分形谱和频率分布多重分形谱呈现一定的变化规律;多重分形谱图及其参数能够实现摩擦振动信号特征的表征,可以用于摩擦副摩擦振动状态的识别。     

基于多重分形的聚类层次优化算法

大量初始聚类结果之间存在强弱不同的相似性,会给用户理解与描述聚类结果带来不利影响,进而阻碍数据挖掘后续工作的顺利展开.传统聚类算法由于注重聚类形状及空间邻接性,或者考虑全局数据分布密度的均匀性,实际中均难以解决这一类问题.为此,提出了基于分形的聚类层次优化算法FCHO(fractal-based cluster hierarchy optimization),FCHO算法基于多重分形理论,利用聚类对应多重分形维数及聚类合并之后多重分形维数的变化程度来度量初始聚类之间的相似程度,最终生成反映数据自然聚集状态的聚类家族树.此外,初步分析了算法的时空复杂性,基于合成数据集和标准数据集的有关实验工作证实了算法的有效性.     

基于多核处理器的自相似测试流量生成技术

研究并实现一种自相似测试流量生成技术,比较多种典型自相似流量分析模型,利用多分形小波作为自相似测试流量的生成模型,设计自相似测试流量生成算法。将该算法应用于基于IXP2400可编程多核多线程处理器构建的网络测试系统,在区间（0.5、1．0）内生成满足不同Hurst值的自相似测试流量,通过实验验证该技术的可用性和有效性。     

MF-DFA在癫痫发作期及发作强度检测中的应用

癫痫患者的脑电特征是临床诊断、分类和预报癫痫的重要依据.作为测度时间序列内在模式变化的近似熵和样本熵成为一种临床癫痫分类和发作预报的重要方法,由于受到序列长度、嵌入维数以及阈值设置的影响,难以准确检测序列内模式突变的时刻.为准确检测脑电癫痫样放电时刻及其强度,提出了一种癫痫发作及强度检测的多分形去趋势波动分析方法(MF-DFA),并与基于样本熵的癫痫放电检测作进一步比较分析.采用头皮表面脑电与颅内脑电临床数据做测试实验,结果表明:MF-DFA能够精确捕捉到发作时刻,并能够定量刻画癫痫发作强度.     

基于多重分形的雷达目标的模糊检测

利用多重分形的概念对海杂波和舰船雷达目标回波进行了分析,并提取出其多重分 形特征用于舰船目标检测.实验表明,广义维数谱具有良好的可分性和稳定性.在检测中,将 待查信号分为两类:海杂波目标和舰船目标,将广义维数谱作为特征矢量,计算其相对于两 类目标的隶属度并作出判断.多组检测实验证明了该方法的有效性和实用性.