基于小波分析和EMD的手写体数字字符特征表示

针对经验模态分解(EMD)能有效地对信号结构作出精确分辨的特点,提出了一种基于小波变换和EMD的手写体数字字符特征表示方法.首先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;然后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和识别.实验结果表明,与经典的字符特征提取算法相比,文中方法具有更好的聚类效果,提高了分类器的分类设计能力.     

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.     

种用于单字符字体识别的汉字特征提取新算法

本文主要论述了在单字符字体识别中汉字特征提取的新算法。首先使用小波变换对汉字进行分解,然后提取分解后的高频子图像的能量特征;在根据汉字不同字体的特征提取低频子图像的字符轮廓结构特征。     

单历元GPS变形信息特征提取的EMD方法

为了准确地对单历元GPS变形信息特征进行提取,提出应用EMD（经验模式分解）方法对变形数据进行去噪处理。通过对实际工程算例进行分析并与小波变换及中值滤波方法进行对比,结果表明：EMD方法的去噪效果优于中值滤波方法,同时EMD方法具有自适应滤波去噪的功能．避免了应用小波去噪时其效果与小渡基函数的选择相关的缺陷。在对变形数据进行有效去噪的基础上,应用EMD方法可以完成对单历元GPS变形信息进行有效识别并提取出微弱的变形特征。     

基于小波预处理的神经网络字符识别方法

提出了一种基于小波变换预处理的神经网络法的字符识别法,利用小波变换对字符进行了预处理,提取文字字符的主要能量特征,减少了字符特征识别的维数,与直接采用神经网络方法进行字符识别相比,所用的神经网络规模小,收敛速度快,能有效识别含有噪声的低质量模糊文字字符.     

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.     

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EMD与小波阈值的爆破震动信号去噪方法

针对小波阈值法去噪效果有限和EMD低通法去噪存在信号失真问题,综合EMD方法分解、重构方便和小波阈值法灵活、可调的优点,提出一种EMD-小波阈值爆破震动信号去噪方法.基于某矿地表实测数据,借助EMD的自适应分解特性,在原始信号分解的基础上,识别属于高频噪声的IMF1和IMF2分量,并对其进行小波阈值去噪处理,提取淹没在噪声中的有用特征信息MF1和MF2,最后,将MF1、MF2与剩余IMF分量及余量R进行重构,得到干净信号.通过频谱和小波包能量分析知:EMD-小波阈值法既能有效去除噪声,又能很好保留真实信号,还可避免EMD分解的端点震荡效应,是一种高效的爆破震动信号去噪方法.     

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:...     

Hilbert—Huang变换在齿轮故障诊断中的应用

齿轮作为一种重要的机械传动设备,对其进行故障诊断具有重要意义。传统的齿轮故障诊断大都采用FFT或者小波分析方法,对处理具有非平稳性的齿轮故障信号效果不太明显。HHT由经验模态分解方法（EMD）和Hilbert变换两步组成。经验模态分解方法（EMD）把时间序列信号分解成不同特征时间尺度的固有模态函（IMF）,适合处理非线性和非平稳过程。Hilbert变换对具有调制现象的信号的分析有很大优势。能有效地诊断齿轮的故障。     

基于改进的小波变换的纹理特征提取算法

提出了一种基于改进的小波变换的纹理特征提取算法。首先介绍了基于金字塔小波变换的纹理特征提取方法,然后在分析金字塔小波变换和离散小波框架的基础上,提出一种基于改进的离散小波变换的纹理特征提取方法。最后,给出了上述算法的计算机实现方法,并进行了计算机仿真研究。     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

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。     

基于不完全树结构小波变换及FKCN 的纹理分割

提出了一种新的不完全树结构小波变换用于纹理特征提取，提出了一种与人类视觉过程相一致的多分辨率多通道纹理分析方法，它由(1)特征提取：使用不完全树结构小没变换抽取纹理特征；(2)基于模糊Kohonen聚类网络的特征粗分类：使用缩减的特征向量对网络进行训练，得到粗分割结果；(3)粗分割结果的细化等几部分构成。实验结果证明了本方法的有效性。     

Hilbert-Huang变换与大电机局部放电超声信号消噪

通过分析Hilbert-Huang变换(HHT)的核心经验模态分解(empirical mode decomposition, EMD)算法及其实现过程,提出了基于EMD算法的数据压缩消噪。运用仿真模型信号和实验信号对提出地消噪算法效果进行验证;对同样条件下的数据源,与基于db2小波、db8小波的数据压缩消噪的效果进行了分析比较。此外,运用研制地硬件系统,在重庆某电机厂进行实验,采集在电机运行地真实环境下局部放电超声信号,并对其进行基于EMD算法、db2小波和db8小波数据压缩消噪分析和比较。仿真和实验结果分析表明,基于EMD算法的数据压缩消噪,与基于db2小波、db8小波的数据压缩消噪能达到同样的消噪效果,甚至更优,而且不损耗原信号能量;在对真实信号处理方面,前者更优于后者。     

基于小波变换12-导联心电图特征提取方法

提出了一种基于小波多分辨分析的算法对心电信号进行特征提取和识别.通过小波变换对常规12-导联心电图进行分段和特征提取, 并利用支撑向量机和提取的特征向量对未知心电图进行分类.实验结果表明该方法具有较好的应用前景.     

一种基于小波变换的模糊聚类算法及其应用

为准确对输电线路故障性质、故障相等进行识别,提出一种基于小波能量比值的模糊C-均值聚类(FCM)算法,并研究了该算法在输电线路的永久性和瞬时性故障识别中应用的可行性.结合小波分析的时频分析能力、小波能量比值的特征提取能力和FCM的模式识别能力,建立一实际500kV输电线路的PSCAD模型,对单相故障产生时的暂态电流进行了聚类分析和识别.仿真结果表明:基于小波能量比值的FCM算法能较好地识别故障相与非故障相,且算法收敛速度快,识别结果准确.     

监督局部线性嵌入在人脸识别中的应用

为了提高人脸识别算法的识别率,提出了一种Gabor小波与监督局部线性嵌入(Supervised Locally Linear Embedding,SLLE)相结合的人脸特征提取算法。针对SLLE不能有效消除图像信息中冗余的高阶相关性,算法首先采用Gabor小波对人脸图像进行多方向、多分辨率滤波,提取图像在不同空间频率上的特征;然后采用监督的局部线性嵌入算法对该Gabor特征进行维数约简。在ORL和YALE人脸库上的实验显示,就算法有效提高了人脸识别的识别率。     

利用Relief特征加权进行基于小波变换的纹理分割

在利用小波进行纹理分割的相关研究中,通常小波分解的四个子带对分类的贡献是均匀的。为了考虑不同子带对图像分割的不同影响,提出了一种利用Relief算法对小波分解的子带特征进行加权的算法。首先对纹理图像进行标准金字塔结构小波变换,对小波变换后的各层四个子带进行特征提取作为纹理图像的四维特征;从粗尺度开始对纹理图像进行K均值分割,得到初步分割结果;然后把初步分割结果扩展到下一尺度,根据扩展后的分割标记图对相应尺度的纹理特征进行基于Relief的特征加权,得到加权后的四维特征;再进行K均值分割,经过多层迭代后,得到原纹理图像的分割结果。实验结果表明,与未加权的传统分割方法比较,该方法在分割错误率、边缘准确性以及区域一致性上都有明显改善。     

多层分组神经网络的手写体数字识别

手写体数字识别的应用研究是字符识别中具有挑战性的课题．提出一种基于二进小波变换与多层分组神经网络的自由手写体数字的多分辨率识别算法．该算法包含二进小波变换的多分辨率特征抽取单元及多层分组神经网络分类器,与传统的完全连接的神经网络相比,该网络结构简单、输入节点少,并且由于网络分为子网结构,不同子网学习的是不同的特征映射值,某一子网不收敛不会影响到其他子网的收敛,网络鲁棒性好．采用信函分拣机提供的字库测试表明,其正确率为９８％左右．