基于小波分析和EMD的手写阿拉伯数字字符特征表示

经验模态分解(EMD)能有效地对信号结构做出精确的分辨, 利用这一特点本文提出了一种基于小波变换和EMD的票据手写体数字特征抽取方法。 通过对原始数字字符进行G小波变换极大模预处理,得到能反应字符特征信息的光滑轮廓, 进而对规范轮廓曲率序列作EMD分解,以获取浓缩曲率特征的主要信息,最后对此曲率特征数据进行聚类分析。 实验表明,与经典的字符特征提取算法相比,本文方法具有更好的聚类效果,提高了分类器的分类设计能力。     

基于小波包和EMD的异步电动机轴承的故障诊断方法

异步电动机轴承的故障信号为低频带周期冲击性特征故障数据,呈现非线性特征,倘若对此类特征信息直接做傅里叶变换,会被高频信号调制,使得故障信号严重失真。为此,提出一种新的集有小波包变换、经验模式分解和Hilbert包络谱分析相融合的滚动轴承故障诊断方法,旨在消除高频噪声信号,提升故障诊断效果。利用小波包变换对滚动轴承的振动信号进行降噪,使用经验模式分解把降噪后的故障信号分解成多个有效本征模态分量,并对筛选后的故障信号进行重构处理,最后对重构信号做Hilbert包络谱分析,计算得到滚动轴承故障频率。通过实验及分析,结果表明新方法应用效果良好。     

基于小波包和EMD处理的滚动轴承故障诊断

为解决异步电机故障轴承振动信号易受噪音影响信噪比较小的缺点,提出了一种新的故障诊断方法。首先,采用小波分析方法对测得的原始信号进行去噪,并根据频率对原始信号进行频带划分;其次,用经验模式分解(EMD)方法对小波包分解重构得到的低频段信号进行分解,获得若干固有内在模函数(IMF);最后,采用傅里叶变换对各个IMF函数进行时频分析获得频谱图,进而提取故障频率,根据故障频率和故障类型的对应关系得出最后的诊断结果。实验表明,该方法能有效地提取出故障特征频率,方便地判断出故障类型。对比分析了傅里叶变换和小波变换与本方法的优缺点,为滚动轴承的早期故障诊断提供了一个新的思路。     

利用EMD方法和小波变换进行信号奇异性检测

本文采用经验模式分解(EMD)与小波变换相结合的方法分析非平稳机械故障信号的奇异性，进行机械故障诊断。与直接对原信号进行小波分析相比较，该方法提取的奇异性特征明显。数值模拟和对故障轴承的振动信号分析表明了该方法的有效性。     

基于小波降噪和EMD方法的风力发电系统齿轮箱故障诊断

将小波降噪和经验模态分解相结合,提出一种风电机组齿轮箱故障诊断的方法。先对齿轮故障振动信号进行小波降噪预处理,再进行经验模态分解,对包含故障特征的固有模态函数用Hilbert变换得到包络谱,通过对包络信号做功率谱分析,提取故障特征频率,与未降噪信号处理的结果进行比较,降噪后诊断效果明显。     

基于小波和Beamlet变换的图像线特征提取

Beamlet变换是多尺度几何分析的有效工具之一。本文提出了一种基于小波变换和Beamlet的图像线特征提取算法,利用小波变换凸显图像的线特征,再通过Beamlet变换提取图像线特征,实验结果表明了该方法有效。     

基于EMD的前后置滤波语音增强算法

针对低信噪比下语音增强困难的问题及经验模态分解(empirical mode decomposition,EMD)在语音增强中的有效应用,提出了一种基于EMD的前后置滤波语音增强算法.将含噪语音信号进行卡尔曼滤波后做EMD分解,采用能量阈值法判断出含有残余噪声的本征模态函数(IMF),对其小波变换后与其余IMF重构为最终的语音增强信号.实验表明,在输入信噪比为-10~5dB的不同噪声环境下,以时域分段信噪比及语音质量感知评测PESQ作为评价指标,效果均优于单独的EMD、小波软阈值法及卡尔曼滤波算法,是一种有效的语音增强算法.     

基于多小波神经网络簇轮廓伸展的手写体数字识别

提出采用多小波神经网络簇伸展轮廓识别手写体数字的方法. 该方法的原理是： 跟踪待识别数字的轮廓, 对轮廓进行均衡化和重采样, 使其具有平移不变性和缩放不变性;采用多小波神经网络簇对轮廓壳进行伸展得到数级多分辨率和其平均值;将这些壳系数输入前馈神经网络簇, 以识别该手写体数字. 研究结果表明, 该方法可用于将轮廓壳进行多分辨率分解.     

基于EMD和SVD的虹膜特征提取及识别

为克服小波变换和Gabor滤波器提取虹膜特征时小波基函数固定和Gabor滤波器参数需优化选择的问题,提出了一种基于经验模态分解(EMD)和奇异值分解(SVD)的虹膜特征提取方法.首先,对预处理后的虹膜图像进行EMD,将获得的一系列固有模态函数和残差分量构成初始矩阵;然后,对该矩阵进行SVD,以其奇异值作为虹膜特征向量:...     

基于小波变换的数字调制信号特征提取

小波变换的多分辨率特性对暂态信号有很强的检测能力,数字信号在不同码元之间呈现出幅度、频率和相位瞬变现象.文讨论如何利用小波变换对数字调制信号的瞬变特征进行提取,实验表明该方法对数字调制信号幅度、频率和相位的瞬变特征能够进行有效的检测.     

基于压缩子结构特征的手写体数字识别

在对字符结构进行分析的基础上 ,提出了一种用于自由手写体数字识别的子结构特征 .由于绝对位置、笔画长度等特征因人而异 ,文中利用字符的拓扑信息来增强特征的稳定性 ,并将字符模式表达为一个矩阵 ,矩阵的每一列即为字符的一个子结构特征矢量 .由于子结构特征表达的模式可分性强 ,可通过矩阵运算对模式进行特征压缩 ,同时将不同模式等维化 ,利用一变结构神经网络构造分类器 ,避免了传统子结构特征规则匹配的缺点 ,提高了模式匹配速度 .利用信函分拣机提供的数字进行测试 ,识别率可达 97.58%.     

质心层次特征的无约束手写体数字识别

光学字符识别（ＯＣＲ）是模式识别最为成功的应用之一．目前,ＯＣＲ的研究重点是无约束手写体字符识别．采用了基于字符质心的层次特征对无约束手写体数字进行分类识别．基于字符质心的不均匀分块方法,在一定程度上可以克服无约束手写体数字字形千变万化所引起的不稳定性．层次特征将字符在空间的二维分布转化为一维,特征抽取过程简单,易于实现．将该算法应用于无约束手写体数字的信函分拣系统,单字的平均识别率达９７％以上．     

基于EMD和小波分析的建筑结构损伤检测探讨

采用经验模式分解(EMD)与小波分析相结合的方法探讨结构响应数据信号,进行建筑结构损伤检测诊断.与直接对原信号进行小波变换相比较,该方法能够更好地辨识出破损的时间局部特征信息.数值模拟和对建筑结构响应信号分析论证了该方法的有效性和实用性.     

基于粗糙集的手写体数字识别多分类器

提出了一种新的手写体数字识别方法.首先采用多分类器提取手写体数字的各类特征,以提高识别正确率;然后利用粗糙集对这些特征属性约简来提高识别速度.测试结果表明,该算法的提出是成功的.     

基于PCA和LDA融合的手写数字识别方法

提出一种融合主成分分析(PCA)和线性判别分析(LDA)的手写数字识别方法.由于PCA能减少不同特征间的相关性和冗余性,而LDA获得的特征子空间具有良好的判别能力,对PCA和LDA特征子空间进行融合能实现两者优势互补,提高手写字符分类性能.实验结果表明, 提出的方法能有效提高手写数字的识别率.     

基于子笔划的手写体汉字识别

该文给出一种汉字子笔划的提取方法 ,较好地解决了因子笔划相交 ,使提取的同类字符子笔划不稳定问题。引入了字符的固定部件划分方法及特征矩阵的概念。字符部件中包含各类子笔划的位置、长度等信息 ,特征矩阵是这些信息的集中体现。设计了一种新的遗传算法 ,由未知字符一个部件的一类子笔划表示的字符与某类模型的相似度 ,既由与其它 3类子笔划相应的相似度调节 ,又由与周围部件同类子笔划相应的相似度调节。实验表明 ,该手写体汉字识别方法是有效的     

基于编辑距离的手写数字Freeman链码匹配算法

提出了一种基于编辑距离的图像轮廓8方向Freeman链码模板匹配算法度量两个链码序列的相似度进行手写数字字符识别。通过对自备手写数字字符样本库的分类,实验结果表明该算法的有效性。     

手写字符轮廓曲率的特征提取和识别

首先对手写体字符图像进行平滑,同时获取字符的轮廓点.然后提出了一个字符轮廓曲率计算的有效方法,为了利用小波变换对曲率信号进行去噪和平滑,该方法不是直接从轮廓点出发,而是进一步抽样得出新的轮廓点.最后得到了不受字符旋转、平移、大小、位置影响的字符特征,以及相应的识别算法.实验结果表明,它在单一的特征识别方法中优于其他方法.     

基于简约码特性树的字母和数字识别

针对由大写英文字母和阿拉伯数字组成的符号序列图像进行识别．字母和数字经细化处理，得到其骨架线，采用八方向链码及特定的编码跟踪规则形成由多条子链构成的唯一链码描述，提出了包含较少冗余信息、便于提取系列骨架线特征的简约码及简约码特征提取方法，并建立了对特征向量各分量酌情分开使用、形成分类特征树的策略，成功地解决了25个字母和10个数字的识别问题测试结果表明，该方法及算法的平均正确识别率为98％，优于商用软件的识别率．