多级提取奇异点的算法及基于奇异点的粗匹配

提出了一种分别基于Poincare指数和梯度场零点检测的分级算法来提取奇异点(核心点,三角点).该算法分为两级:首先是粗定位,根据指纹块方向场的Pioncare指数确定奇异点所在的分块和该奇异点所属的类型,同时得到核心点的方向;然后精定位,用梯度场零点检测的方法在该块中精确确定奇异点的位置(精确到像素级);最后利用奇异点的位置和方向信息对指纹做粗匹配,尽可能地排除明显不可能的候选待匹配指纹.实验证明,提取奇异点的算法快速、准确并且有很强的鲁棒性,而且与全图平方方向场滤波算法相比节省27%的计算时间.后阶段粗匹配的算法则能够拒绝30%的候选指纹系统的处理时间.     

校正几何失真和像素失真的印刷数字水印算法

针对印刷图像存在的几何失真和像素失真问题,提出一种数字水印算法.该算法采用Harris角点检测和Hausdorff距离来校正几何失真,采用非线性灰度变换来纠正像素失真.水印嵌入算法首先对图像进行一级离散小波变换后,再对低频子图进行奇异值分解;然后,在奇异值上嵌入水印序列,并在提取水印前校正失真.实验表明,该算法对打印扫...     

一种快速的时间序列线性拟合算法

提出一种新的基于关键点的时间序列分段拟合算法.通过一次扫描数据,该算法依次利用三个连续数据形成的夹角和非单调序列中的极值点,选择反映序列趋势变化的关键点,实现时间序列的线性拟合的同时剔除了噪音干扰,能精确定位单调序列中的突变转折点,发现序列中的尖峰状态.实验结果表明该算法具有良好的分段拟合性能.     

基于小波边缘检测理论的在线跟踪算法设计与分析

首先分析了小波特性和小波边缘检测理论,定义了局部Lipschitz指数,然后利用局部Lipschitz指数设计了长序列的在线跟踪算法,实现了对奇异点的判断和定位,最后利用3-样条小波进行了跟踪仿真实验,结果表明该算法能够准确地判断与定位误跟踪,保证了在线跟踪的实时性和准确性.     

改进的指纹奇异点检测算法

为解决传统指纹奇异点检测算法不能检测拱型、计算量大等缺点,提出了一种拱型指纹奇异点定义和一种新型的类Poincare指数,并给出了基于类Poincare指数的改进的奇异点检测算法.首先计算指纹奇异点可能出现的区域,然后根据可能区域内类Poincare指数值的变化曲线精确确定奇异点的位置.引入了可能区域,降低了检测过程中的计算量,因此大大提高了提取奇异点的速度.该方法也适用于其他类型的指纹.在FVC2004指纹库上进行实验,能准确检测拱型和其他类型指纹的奇异点,且检测速度大大提高,证明该方法可行有效.     

基于SSA的时间序列交叉相关分析中指数趋势的去除

去趋势交叉相关分析是考察非平稳时间序列的长程交叉相关性的一种标度指数.在对含趋势信号的时间序列进行交叉相关分析时,标度会出现交叉点,从而影响相关性分析.针对时间序列中常见的指数型趋势,提出一种采用奇异谱分析法去除该类趋势后再进行交叉相关分析的算法,消除了标度指数图中的交叉点,使得分析结果更为准确.采用二元分数求和滑动平均模型产生两个交叉相关时间序列并叠加指数趋势进行仿真实验,结果表明,奇异谱分析法可以有效地去除指数型趋势,求得的交叉相关标度指数与原始时间序列的标度指数几乎完全吻合,具有较高的精度.     

基于三方向图的多尺度平滑指纹奇异点检测

为解决低质量指纹图像定位奇异点位置偏移及定位区域过大的问题,提出了一种基于三方向图的多尺度平滑奇异点检测算法.首先,计算指纹图像的方向场和频率场估计并用Gabor滤波器对指纹图像进行增强.然后,计算指纹图像中脊线上像素点的方向并对其进行三方向划分得到指纹脊线方向图.最终,去掉噪点并填补非脊线区域,同时检测多个平滑尺度下的奇异点位置并通过信息融合剔除伪特征点,精确定位奇异点.对FVC2002,FVC2004和FVC2006指纹图像库进行实验,结果表明:该算法对低质量指纹图像奇异点检测的准确率有明显提升,奇异点检测的总准确率达92.35%,可将奇异点精确定位在2×2像素区域内.     

多尺度复数滤波器及PI值相结合的奇异点检测

为了有效检测指纹奇异点,提出了一种结合多尺度复数滤波器及PI(Poincare Index)值的奇异点检测算法.首先,计算多个尺度下的指纹图像方向场并对每个尺度的方向场进行复数滤波;其次,计算各个尺度的方向场的中心点和三角点滤波器响应,若响应值是邻域内的极大值且大于某一阈值,则进一步计算PI值,并依据PI值是否满足奇异点判定条件,则将其标记为候选奇异点;最后,将多个尺度下的奇异点进行信息融合,检测出指纹的奇异点.将提出算法和同类算法进行主客观的实验比较,对公用指纹数据库FVC2004DB1检测的实验结果表明:算法能很好地应用于低质量指纹图像中,正确的奇异点检测率为93%,高于同类算法,且检测到的奇异点位置不发生偏移.     

奇异谱分析在GPS站坐标监测序列分析中的应用

利用SSA(奇异谱分析)对测站坐标时间序列进行数据处理,包括数据补缺、趋势项和周期项的识别和提取.奇异谱分析是一种从时间序列的动力重构出发并与经验正交函数相联系的统计技术,可以较好地从含噪声的有限尺度时间序列中提取趋势和周期等信息,目前已应用于多种时间序列的分析中.将奇异谱分析的优点应用到GPS时间序列分析中:利用奇异谱分析对中国地壳运动观测网络GPS数据服务提供的测站坐标(NEU)时间序列(以BJFS(北京房山)站为例)进行补缺,各向插补的均方误差均为mm级;根据降噪重构序列提取坐标时间序列中的趋势成分(N方向-11.688 mm·年-1,E方向29.585 mm·年-1,U方向2.557 mm·年-1)和周期成分(N,U方向上存在年周期和半年周期,U方向上还存在着1.5年和0.25年左右的周期,E方向上只存在年周期);对完整序列进行重构降噪,即从原始序列中提取有用信息而丢弃一些干扰信息,起着平滑作用.试验结果表明,BJFS站的各方向上均存在显著的变动周期和明显的趋势,也有较多的噪声信息.     

单向时延测量的实时时钟同步算法

对已有分段聚类算法进行改进,使用软件方法对单向时延序列进行分析,在线检测时钟调整位置.采用变宽度的滑动窗方法对单向时延数据进行过滤,减少时间序列大小,同时保证时钟调整位置信息不丢失.使用自底向上算法对时间序列进行线性分段,检测时钟调整或时钟频率跳变点,算法的时间复杂度大大降低.针对在线时钟同步的要求,为了消除滑动窗不具有离线算法的全局寻优缺点,提出使用基于滑动窗自底向上算法的实时单向时延时钟同步算法.实际测试实验表明:该算法大大降低了时间复杂度并提高了分段精度.     

基于趋势特征聚类的多元相似时间序列的提取

历史相似时间序列的提取在数据挖掘、工业故障检测以及故障根源分析等领域应用非常广泛。针对工业报警系统中异常根源分析方法存在的问题,提出了一种基于趋势特征聚类的多元相似时间序列的提取方法,可以有效地辅助现场工作人员分析关键变量发生异常变化的根源。首先对多元时间序列进行分段线性表示,获得变量的趋势特征信息;然后采用基于密度峰值聚类分析算法对获得的趋势特征在高维空间中聚类,从而实现历史数据的相似性提取;最后可根据关联变量的幅值变化量分析导致主变量发生异常变化的根源变量。数值仿真和实际工业数据案例验证了所提方法的有效性。     

基于数据挖掘的金融时序频繁模式的快速发现

针对金融时间序列分析中注重快速作出趋势判断的特点,利用数据挖掘的思想和工具,提出一种金融时间序列模式快速发现算法.与传统的预测算法相比较,该算法对数据的分布和平稳性等方面的要求不高,不基于任何假设,能够非常快速地发现时间序列中的频繁模式,经过模式匹配后,可以用于金融时间序列的分析与预测.以实际汇率数据为例,证明了该算法的有效性.     

基于模态重构与多维评价的时间序列趋势提取

为了准确提取时间序列的趋势特征，提出一种基于模态重构与多维评价的时间序列趋势提取算法。定义重要点作为时间序列分段点的候选集，运用自适应噪声的完备经验模态分解方法对时间序列进行分解和模态重构得到全局因子，使用全局因子度量重要点在整体维度上的重要程度，给出特征因子和边界因子的定义并分别用来度量重要点在单点维度和局部维度上的重要程度，根据3个评价因子综合评价重要点来选取分段点。仿真实验结果表明，该方法具有良好的去噪能力，在相同压缩率情况下的拟合精度比现有方法高，在对心电图趋势提取的实验中也验证了方法的有效性。     

一种时序关联规则挖掘算法的研究与实现

针对时间序列,研究和分析时序关联规则挖掘,提出时序关联规则数据挖掘的基于滑动窗口和时序树特殊结构的新的挖掘算法,并利用该算法挖掘超过给定支持数阈值频繁时序,为用户的决策支持及趋势预测提供支持,并通过实验验证算法的有效性和实用性。     

基于分数微分的时间序列相似性度量及其应用

时间序列的相似性度量是时间序列聚类、分类以及其他相关时间序列分析的基础.传统基于距离的相似性度量方法，忽视了时间序列可能存在的时间上的联系，而将时间序列看作一系列孤立点的集合.对于序列间可能存在的前后联系，基于分数阶微分的遗传特性和记忆特性，提出一种新的时间序列聚类的相似性度量.根据时间序列的分数阶微分计算新序列间的点距离，将其作为聚类算法的输入对时间序列进行聚类.仿真实验结果表明，与基于原始序列矢量距离的聚类结果相比，新的分数阶相似性度量方法表现更好.     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

基于残差融合的时序数据离群点检测算法

物联网的快速发展产生了海量的高维时序数据,然而时间序列易受到外界变化的环境因素影响而产生离群点。针对现有的离群点挖掘算法不能兼顾时序数据的趋势性、季节性、循环性、不规则性的特点,从而导致检测效果不理想的问题,提出一种基于残差融合的时序数据离群挖掘(residual integration outlier,RIO)算法。首先利用线性自回归移动平均模型(autoregressive integrated moving average model,ARIMA)拟合数据,得到在相同时间粒度下的残差序列,并将该序列作为非线性模型长短期记忆网络(long short-term memory,LSTM)模型的输入,输出残差序列预测值,而后将经由ARIMA模型与LSTM模型处理的序列在相同时间粒度下融合,得到一条经由混合模型两次处理的残差序列。最后,利用基于直方图的离群点模型(histogram-based outlier score,HBOS)检测出该二次残差序列的离群点。实验表明,RIO算法的准确度得到了较为明显的提高,具备良好的实用价值。     

基于小波和分形理论的多径衰落信号分析

首次将小波理论和分形理论相结合来分析多径衰落信号，从多径衰落信号产生的动力学机制出发，指出了多径衰落信号具有分形的特征，进一步研究多径衰落信道的多重分形特性，分析并指出了多重分形维数是描述无线信道传播特性的重要参数，根据多径衰落信道参数突变，首次指出了多径衰落信号具有局部奇异性，其局部奇异性对信道参数估计和信号重构有着重要的作用，中提出了短时网格分形维数的定义和给出了其计算的详细算法，用Lipschitz指数来表征局部奇异性，利用小波检测多径衰落信号奇异性和信号重构。仿真实验结果表明：小波重构后信号具有很好去噪性能；多径衰落信号不同尺度下小波变换系数具有自相似性，论证了多径衰落信号的分形特性，不同移动速度时多径衰落信号的多重分形特性仿真实验表明：随着移动速度增大，其短时网格分形维数也变大。     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。     

基于正负相位和奇异点偶识别规则的煤矸识别技术对比研究

采用数字信号处理技术对煤和矸石撞击刮板运输机产生的振动信号进行适当处理,可以完成煤矸实时识别,即时做出对液压支架的控制。文章对所采集到的放煤阶段产生的5组振动信号,分别采用时域一阶差分分析和小波域内模系数极大法分析。在时域内定义了振动信号的正负相位概念,在小波域内定义了正向、负向奇异点偶概念。由所定义的正负相位和奇异点偶概念分别导出煤和矸石识别规则,以实现动态的煤矸自动识别操作。从可靠性和算法的高效性看,正负相位法识别规则优于奇异点偶法识别规则。从深层数据规律看,奇异点偶法识别规则优于正负相位法识别规则。