基于压缩传感的全息图压缩研究

提出将压缩传感理论用于数字全息图的压缩研究.研究了2种不同变换域对全息图稀疏化的影响,针对全息图的特点选取合适的稀疏域,然后根据压缩传感理论直接获取图像的压缩表示,最后利用得到的压缩数据采用2种不同算法重构全息图并对比其重构效果.实验证实这种压缩方法是可行的,并且在傅里叶稀疏域下使用正交匹配追踪(OMP)重构算法能获得1.5%的压缩率.     

基于小波和神经网络的图像压缩方法

针对图像压缩中压缩率与图像质量的折衷问题。综合利用小波变换和神经网络各自的优点,采用小波和神经网络的方法进行图像压缩．该算法先对图像进行小波分解,保留低频系数,然后将高频系数输入训练的网络进行矢量量化编码达到压缩的目的．最后根据保留的低频系数和还原的高频系数重构图像．     

用于脑电数据压缩的改进的BP小波神经网络

用一种改进的BP小波神经网络对脑电图(EEG)数据信号进行压缩．对小波神经网络采用最速梯度下降法优化网络参数，并对学习率采用自适应学习速率方法自动调节．利用小波神经网络的函数逼近特性，对脑电随机信号进行逼近，最终压缩比可达15以上．实验结果显示，小波神经网络在大量压缩数据的同时，能较好地恢复原有信号。     

二维小波在图像压缩方面的应用

讨论了二维小波分解和重构两种算法.给出了两种算法的比较和Matlab实现过程.结果证明,只保留原始图像中低频信息的压缩方法是一种简单的压缩方法,不需要经过其他处理即可获得较好的压缩效果.运用小波树进行图像压缩时,通常在给定小波基函数条件下,阈值越大,系数为零的数目就越多,重构图像文件压缩率也越高,重构的图像失真程度亦随之增大.     

基于小波分析的BP网络含噪图像压缩算法的探讨

近年来BP神经网络在图像压缩技术中的应用已成为图像压缩的热点问题之一。与经典的压缩算法相比,具有更高的压缩比和重构图像质量。但实际上,原始图像经常受到噪声的污染,使得图像质量明显下降。通过研究小波图像去噪的方法,结合小波变换和BP神经网络,研究了基于小波域的BP神经网络图像压缩方法。先在小波域内对图像进行去噪,再用BP神经网络进行压缩,从而得到高质量的重构图像。结果表明,该算法对合噪声图像的压缩,获得了良好的图像质量,同时也证明了这种方法的有效性。     

一维信号小波压缩的能量动态自适应阈值算法

提出了一种基于小波系数能量的动态自适应阈值算法,用离散小波变换对信号进行多尺度分解,依据小波系数在各层的能量分布以及每层小波系数的能量集中度,获取每层小波系数的压缩阈值。通过这种方法,可保留大部分小波系数能量,并兼顾压缩率性能。经仿真验证,本文阈值算法在多种小波和不同的分解尺度上的压缩性能稳定,与Birge-Massart策略阈值和全局阈值比较,在压缩率和保留能量综合性能评价上优于Birge-Massart策略阈值和全局阈值算法。     

用小波变换法定量压缩地震数据

应用模型数据对3种常用无损压缩数据方法进行了测试,得到的压缩比在1．5左右,不足以满足实际数据压缩要求。为此提出了一种利用小波变换定量压缩地震数据的方法,并重点分析了小波方法的压缩比与分解的通道数、能量比与压缩效果以及压缩比与镜像滤波器长度间的定量关系。对模型资料和实际资料的测试结果表明：①在数据压缩的多种方法中,小波变换法有很强的变焦功能,比一般的压缩方法具有更高的压缩率,数据压缩比达到21时,仍能取得较理想的压缩效果;②在满足分解次数的条件下,应尽量选取较多的通道数;③压缩效果可以用能量比来描述,对于地震资料的有效压缩,能量比值应大于80％;④在小波压缩中,一般应取较长的镜像滤波器,但并不是越长越好,一般在10个点以上即能满足要求。     

用小波变换法定量压缩地震数据

应用模型数据对 3种常用无损压缩数据方法进行了测试 ,得到的压缩比在 1.5左右 ,不足以满足实际数据压缩要求。为此提出了一种利用小波变换定量压缩地震数据的方法 ,并重点分析了小波方法的压缩比与分解的通道数、能量比与压缩效果以及压缩比与镜像滤波器长度间的定量关系。对模型资料和实际资料的测试结果表明 :①在数据压缩的多种方法中 ,小波变换法有很强的变焦功能 ,比一般的压缩方法具有更高的压缩率 ,数据压缩比达到 2 1时 ,仍能取得较理想的压缩效果 ;②在满足分解次数的条件下 ,应尽量选取较多的通道数 ;③压缩效果可以用能量比来描述 ,对于地震资料的有效压缩 ,能量比值应大于 80 % ;④在小波压缩中 ,一般应取较长的镜像滤波器 ,但并不是越长越好 ,一般在 10个点以上即能满足要求。     

时滞小波神经网络的稳定性分析

利用BROUWER不动点原理证明了时滞小波神经网络的平衡点的存在性,利用压缩映象原理证明了平衡点的唯一性．利用HALANAY时滞微分不等式,讨论了时滞小波神经网络的全局指数稳定性,并得出了几个判定定理．     

基于压缩感知的心电信号稀疏采样与重构算法

实时心电监测的数据量过大，给系统的传输和存储带来很大压力.为降低采集端的功耗，达到既减轻采样复杂度又降低传输数据量的目的，使用压缩感知技术对心电信号进行压缩采样及重构.以信号重构时间和重构误差为关键指标，研究不同重构算法和小波基的性能表现.结果表明，当压缩率在30%以内时，基追踪作为信号重构算法的百分比均方根差小于4%，同时其重构耗时最短;当压缩率在70%以内时，子空间追踪的误差小于10%，且始终保持较低的重构耗时.最优小波基往往和具体压缩率有关.     

一种基于小波神经网络的图像融合方法

图像融合结合图像处理、信号处理、计算机和人工智能等相关技术．通过对多源图像数据信息的提取合成,从而获得同一场景目标较为准确全面的图像描述．神经网络具有强大的非线性映射逼近能力,将神经网络用来进行滤波融合,避免了传统滤波图像变模糊问题．通过小波神经网络自适应动量快速学习算法进行图像滤波融合,能从根本上避免局部最优,且加快收敛速度,具有很强的学习和泛化能力,也避免了网络结构盲目设计．仿真实验表明,用本方法实现的融合图像更加符合人的视觉特性．     

电力设备基于小波神经网络故障检测方法的仿真研究

提出了一种基于小波神经网络非线性观测器的故障检测方法。它是将规范正交的小波函数作为基函数网络中的基函数,得到小波神经网络。通过小波的去噪和神经网络的自学习功能,获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判决,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法的有效性。     

小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性，而小波变换具有良好的时频局部化特性．将二者结合在一起构成小波神经网络，网络隐层采用morlet小波函数，输出层采用线性函数，使得该网络兼具神经网络和小波变换的优点．分别用小波网络和BP网络逼近一非线性函数，其结果表明，在相同的误差条件下，小波网络的收敛速度要远远快于一般的BP网络．     

基于神经网络的小波变换矢量量化图像压缩

根据神经网络的特性，提出了一种基于小波变换的矢量量化图像数据压缩方法，基本思路是利用小 变换实现图像的多分辨率分解，用矢量量化（VQ）对分解后的图像进行编码，利用神经网络做矢量量化编码器，从而实现通过神经网络的鲁棒性来加强对某些非典型矢量的容错能力，结果表明，该方法提高了整个系统的性能，最终提高了重构图像的质量。     

金属断口图像的非线性模式识别方法

针对金属断口图像模式识别的特点,提出应用小波变换技术提取断口图像特征的方法,在此基础上,利用神经网络的基本原理设计了一种断口图像模式识别的非线性分类器·通过实验确定了分类器的网络结构,给出了相关参数选择的方法·对几种典型的金属断口图像进行了计算机实验研究·实验结果表明,其平均正确识别率达93 75%,单独以能量作为特征值,其平均正确识别率可达到95%·这说明采用非线性分类器进行断口模式识别比采用线性分类器能取得更高、更可靠的正确识别率·研究结果显示出,这种基于小波变换技术和神经网络原理的非线性模式识别方法能对纹理变化复杂、规律性不强的断口图像进行有效识别,具有更好的适应性·     

基于信息融合的集成小波神经网络故障诊断

以非线性Morlet小波基作为激励函数,形成神经元,结合小波变换与神经网络各自的优点,建立了集小波分析与神经网络于一体的紧致型小波神经网络,并给出了具体的算法·基于信息融合技术的思想,从设备故障诊断的实际出发,建立了基于信息融合技术的集成小波神经网络故障诊断系统,即通过故障特征信息的有效组合,用各种子小波神经网络从不同侧面对设备故障进行初步诊断,然后对诊断结果进行决策融合·给出了系统的实现策略和子网络的组建原则·从诊断实例中可以看出,此诊断系统充分利用了各种特征信息,可以有效提高确诊率·     

基于改进小波神经网络的汇率预测研究

选取2010-01-01—2010-10-31期间内,美元兑人民币的汇率基准价,以Morlet为母小波基函数,采用紧密结合的的小波神经网络对汇率基准价作非线性逼近,并在此小波神经网络基础上进行改进,并通过Matlab软件对原网络与改进网络的训练过程进行了数值仿真.仿真结果表明,改进网络模型对汇率基准价的预测是可行的,其预测精度更高.     

小波变换与神经网络结合用于示波计时电位测定

首次将具有数据压缩功能的小波变换与神经网络相结合用于Pb^2 等金属离子的示波测定，与反弹传播神经网络、小波神经网络相比，本方法具有更高的预测精度和更少的收敛迭代次数。这一方面是因为使用经小波压缩后的信号作为神经网络的输入，压缩后的信号不仅提取了原信号中的特征信息，而且使内络输入的数据点数大幅度,大大提高了网络的运算速度。另一方面，由于选用了较高次分解所得的高频部分作为网络输入，从而即使在原始信号中含有较高的噪音时也能获得较高的预测准确度，因此，将具有压缩功能的小波变换与神经网络相结合的方法必将得到广泛的应用。