基于取样积分技术的数据采集系统

为了实现从强噪声中提取微弱信号,设计了一种基于取样积分技术的数据采集系统,并就系统的结构、设计中的关键电路进行了研究,提出了一套完整的信号采集方案。系统中以积分电容作为取样信号的载体,积分的过程本身就是信号累加的过程,因此避免了在传统密集采样过程中数据量庞大及数据处理难的问题,实现了从强噪声中提取毫伏级信号。实验结果表明,取样积分方法改善了系统的信噪比,提高了信号的识别能力(在无需放大条件下,可检测的有效信号的动态范围达130 dB),在具体应用中取得了良好的效果。     

子模式判别型半监督非线性维数减少算法

维数减少是在损失较少特征信息的条件下处理高维图像数据的关键技术,已成为高维数据处理中的热点问题.样本的类内和类间散度判别信息被用于判断当前样本对属于相同类还是不同类,同时考虑未标签样本对算法性能的影响,提出了一种判别型半监督非线性维数减少算法(discriminativesemi-supervised nonlinear dimensionality reduction,DSSNDR),可有效避免奇异性.DSSNDR采用高斯核和多项式核组合得到的混合核,将原始数据以一系列"有用的"特征形式投影到一个较低维的嵌入空间,便于分类,同时能够保持已标签和未标签样本的内部特征,可有效执行半监督学习.引入样本数据的子模式,将DSSNDR推广到子模式特征空间下的非线性方法,简称Sp-DSSNDR,进一步增强了DSSNDR的学习能力,提高分类精度.多个典型数据集上的分类和可视化实验表明,不同类的样本数据的投影在DSSNDR和Sp-DSSNDR构造的特征空间中存在较少的混叠现象,具有更好的可分离性.当维数被减少到较低水平时,本文算法几乎总是取得最好的结果,甚至超过了经典的主成分分析(PCA),核主成分分析(KPCA)和核Fis...