离散Walsh变换在超声治疗无损测温中的应用

利用高强度聚焦超声对新鲜的离体猪肉进行辐射,并通过B超获取辐射前后的超声图像。采用二维离散Walsh变换法,从辐射前后的超声图像的差图像中分离出低频分量,作为反映温度信息的参数。选取确定系数作为衡量误差的参数,通过曲线拟合,发现二维离散Walsh变换直流分量与温度呈近似线性关系,且多组数据的斜率非常接近,与传统的灰度均值测温法相比,实验结果表明,该方法误差更小,温度分辨率更高,使用正交矩阵变换,符合计算机语言的逻辑,仿真检测时间较短,在实际应用中能为超声无损测温提供准确可靠的依据。     

通信原理课程的多维度教学设计

阐述通信原理课程的教学现状,通信原理课程的教学目标和教学实践,形成了面向新工科的通信原理课程教学大纲、课程教学教案、课程教学课件、教学案例的改革成果,对新工科专业相关课程改革起到了示范作用。     

基于小波系数Hu矩的生物组织损伤监测方法

提出了一种基于B超图像的小波系数Hu矩特征值并结合支持向量机监测生物组织损伤的方法。利用高强度聚焦超声(HIFU)对新鲜离体猪肉组织进行辐照,实时获取辐照前后的B超图像,并对其进行预处理获取减影图像。提取减影图像的Hu矩、小波系数均值和基于小波系数的Hu矩3个特征值,分别利用支持向量机对生物组织样本进行学习、分类处理。结果表明:小波系数Hu矩特征值比Hu矩和小波系数均值的总辨识率分别高出2.70%和2.05%,从而可以更有效地监测HIFU治疗中生物组织损伤情况。该方法可以帮助临床医生客观地监控HIFU治疗过程,对提高HIFU疗效有实际意义。     

基于迁移策略的分布式遗传算法多用户检测器

针对简单遗传算法多用户检测器的收敛速度慢和“早熟”问题,利用解相关算法的抗多址干扰能力和分布式遗传算法的快速全局寻优优势,提出了一种基于迁移策略的分布式遗传算法解相关多用户检测器。计算机仿真结果表明:该多用户检测器的检测性能明显优于简单遗传算法多用户检测器和解相关多用户检测器,更易于实现。     

基于SOM神经网络和支持向量机的方言辨识

建立了一个基于SOM神经网络和支持向量机(SVM)的汉语方言辨识系统。该系统以湖南方言作为研究对象,借助SOM神经网络对不同方言的MFCC特征参量进行聚类,并用SVM作为最终的决策辨识器。实验结果表明:该系统与传统系统相比实时性和辨识率较好,特别适用于信噪比低的情况。     

基于互相关函数法的超声无损测温研究

生物组织的声速随温度变化明显。利用信号处理技术中的互相关函数分析方法,计算超声散射回波信号的时间延迟。通过分析超声散射回波的时间延迟和组织温度的关系,提取生物组织的温度信息。实验结果表明:当以最高温度时的超声散射回波信号为基准信号时,不同温度时的超声散射回波信号与基准信号的时间延迟随着温度的降低而增大。该种处理方法可有效检测到超声散射回波信号的时间延迟随温度变化的趋势。     

基于改进C-V模型的B超图像分割

图像分割是医学超声图像学中的难题之一.针对传统的水平集图像分割法速度较慢,提出了一种基于改进Chan-Vese(C-V)模型和加强中值滤波的B超图像分割方法,并与传统的C-V模型分割方法进行比较,最后用最大香农熵等方法评价分割结果.实验结果表明:改进的C-V模型B超图像分割法具有较好的分割性能,并且耗时方面明显优于传统C-V模型分割方法,可以将其应用于医学超声图像的分割中,能够到达实时性的要求.     

多层媒质中声聚焦控制及其用于热疗的分析

基于伪逆算法提出了一种可对多层生物组织中的肿瘤进行声聚焦控制的方法.对一10×10个正方形阵元的相控阵在肿瘤位于不同深度处时产生的声场进行了仿真,同时计算了生物组织内不同时刻的温度分布,并对不同声辐射功率下加热到相同热剂量时的温度分布进行比较.研究结果表明,该方法能快速有效地对不同深度不同尺寸的肿瘤进行准确地声能聚焦控制;声辐射功率越大时,治疗区域中相同等温曲线所围区域较窄;激发频率、声辐射功率及照射时间均相同时,肿瘤在深度较浅位置时治疗区域温度要高,且此区域较粗短,而在较深位置时治疗区域温度相对较低,且此区域变得狭长.     

基于核模糊C均值的眼底视网膜血管分割算法

针对眼底视网膜图像对比度差、背景不一致的问题,提出了一种基于核模糊C均值的眼底视网膜血管分割算法。首先采用二维高斯匹配滤波预处理以增强血管,然后采用核模糊C均值算法对增强眼底图像进行分割,并根据血管与各类隶属度的关系自动合并聚类图像得到最终的血管图像。实验结果表明,该算法分割结果令人满意。     

基于MFCC和GFCC特征融合的汽车鸣笛声识别方法

对鸣笛声的准确识别是机动车鸣笛抓拍系统得以运用的关键。为了克服单一特征对鸣笛声表征不足的缺陷,提高识别的准确性,文章将Mel频率倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）与Gama频率倒谱系数（Gammatone Frequency Cepstrum Coefficient,GFCC）融合得到M-GFCC特征,并分别使用支持向量机（Support Vector Machines,SVM）和BP(Back Propagation,BP)神经网络算法进行分类。实验结果表明,与使用单一的MFCC特征相比,BP神经网络对鸣笛声识别的有效率提高了10.4%,SVM的有效率提高了4.4%;相较于单一的GFCC特征,BP神经网络的有效率提高了6.6%,SVM的有效率提高了4.2%,证明了该融合特征能提高鸣笛声识别准确性。