基于非负矩阵分解的癫痫脑电自动检测

针对多分类癫痫检测算法因特征维数多而导致识别率不理想的问题, 提出了一种基于分数阶傅里叶变换 (FrFT: Fractional Fourier Transform)和非负矩阵分解(NMF: Non-negative Matrix Factorization)的癫痫脑电自动识 别算法。 首先采用 FrFT 对脑电信号进行时频聚焦, 并利用短时傅里叶变换 (STFT: Short-Time Fourier Transform)提取脑电信号的时频特征; 再应用 NMF 对提取的时频特征进行降维; 最后将降维后的特征输入到支 持向量机(SVM: Support Vector Machine)分类器中进行识别。 实验结果表明, 该方法能识别正常、 癫痫发作间 期和癫痫发作期 3 类脑电信号, 其分类准确率可达 98. 8%。     

电力系统谐波抑制仿真研究

利用傅里叶转换与FTT转换技术对所建立的谐波模型进行了模拟,发现利用FTT的时频特征可以提取出该信号的时间-频率特征,能够有效地消除干扰,并能有效地探测出信号的频域特征,而傅里叶转换则能有效地反映出信号的频域特征。将傅里叶分析与FTT分析相比较,将其优点相融合,利用小波分析法对信号中的突变点进行了提取和除噪,再利用傅氏转换对各个稳态的频域和振幅进行精确的检测。     

基于傅里叶描述子的实装战技图像典型特征相似度检测方法

实装战技图像典型特征目标提取精度较差,存在相似度检测准确率较低、耗时长等问题,该文提出一种基于傅里叶描述子的实装战技图像典型特征相似度检测方法。通过Canny算子对实装战技图像进行典型特征检测,采用复合加权算法在频域与时域上提取实装战技图像的典型特征,并对傅里叶描述子进行初步归一化处理,使其具备尺度变换、平移、旋转不变性的特征,通过傅里叶变换与坐标逆变换,采集实装战技图像典型特征的全部相似区域节点,实现实装战技图像典型特征的相似度识别,并对实装战技图像典型特征的相似度进行检测。试验证明,该文方法的检测耗时和准确率远优于现有检测方法,大幅提升了检测效果。     

一种基于ELM与LDA的音频信号分类算法

针对多媒体信息中的音频信号,提出一种基于线性判别分析（LDA）与极限学习机（ELM）的分类方法．首先,使用傅里叶变换等方法从每一段音频中提取特征,并将它们按比例组成一个高维向量;其次,应用LDA对高维向量进行降维,使其成为用于分类的最优特征,作为ELM的训练和测试样本;最后,分别采用ELM,SVM,BP分类器对4种音频信号进行分类,并进行性能对比与分析．实验表明：提出的算法对于较难分的类也具有较好的分类效果,平均正确率为90％,同时运算速度比SVM快一千多倍．     

基于正弦调频傅里叶变换的自旋微动群目标分辨

近年来针对孤立目标的微动特征提取技术已较为成熟,但针对群目标的分辨与微动特征提取技术尚有待深入研究。本文以空间自旋微动群目标为例,提出了一种基于正弦调频傅里叶变换的自旋微动群目标分辨方法。首先建立了自旋微动群目标的回波模型,在此基础上采用正弦调频傅里叶变换来提取回波中的微多普勒特征分量。针对正弦调频傅里叶变换在分析多分量正弦调频信号时所特有的交叉项问题,提出了一种有效的交叉项抑制方法。最后,结合交叉项抑制方法,利用正弦调频傅里叶变换处理自旋群目标微动信号,实现了对自旋微动群目标的分辨,并准确地提取出各子目标自旋频率特征。     

一种基于离散Tchebichef正交多项式和傅里叶梅林矩的局部多特征图像检索算法

提出了一种基于离散Tchebichef正交多项式和傅里叶梅林矩的局部多特征图像检索算法。通过对图像进行正交变换和多分辨率重排序,在变换域中提取出纹理、颜色和形状特征,生成具有较强区分能力的图像特征。由于傅里叶梅林矩具有旋转不变性,因此在处理发生旋转变换和平移变换的图像时,检索效果较好。最后,对提出的算法用多个数据集进行了检索实验,并对实验结果进行了比较和分析。     

傅里叶描述子及DIP应用

计算机视觉常以物体特征为基础进行区别、分类,本文以傅里叶描述子描述物体的形状特征,同时借助快速傅里叶变换完成傅里叶描述子的程序实现,并作为数字图像处理DIP的基本技术应用在区域分类、物体轮廓识别等方面。     

基于区域过划分和再融合的全幅视觉图像分割

研究对移动机器人采集的视觉图像进行全局精确分割问题. 针对全幅道路图像分割问题提出:首先利用区域生长算法对视觉图像在HSV颜色空间下进行基于颜色特征的全局过分割,再利用傅里叶变换提取周向谱纹理特征,根据空间位置的相邻性和周向谱的分布特性,对过分割的全幅视觉图像进行基于纹理特征的再融合. 实验结果表明,该算法能够准确实现全幅图像的分割,比单纯利用颜色或纹理特征进行全幅图像分割具有更高的精度和可靠性.     

分维方法在肝癌超声图像纹理识别中的性能比较研究

研究描述超声肝图像纹理特征的分维方法。用14幅正常肝样本图像和14幅原发性肝癌样本图像检验并比较评估4种分维方法。用布朗运动方法、毯子法、傅里叶功率谱法和差分盒计数法4种方法得到的分维作为特征进行ROC(Receiver operating characteristic)分析,以SVM作为模式分类方法的分类正确率进行分析。研究结果表明:除了分数布朗运动方法外,由毯子法、傅里叶功率谱法和差分盒计数法获得的描述正常肝图像感兴趣区域的分维值明显小于描述原发性癌图像感兴趣区域的分维值;采用傅里叶功率谱方法得到最大的ROC曲线下的面积;用SVM(Support vector machine)方法进行分类也取得了与ROC分析类似的结果,即用傅里叶功率谱方法进行分类准确度最高,分数布朗运动和差分盒计数方法效果较差,毯子方法效果居中;傅里叶功率谱方法是描述超声肝图像纹理特征最适合的方法。     

突变信号的时幅拐点分析法

为解决发动机高速轴承振动数据时域信号中隐藏的突变信号难以精确时频定位的问题,提出一种突变信号的时幅拐点分析算法.该算法首先通过离散傅里叶变换对信号进行特征频率的提取,再针对该特征频率进行时移傅里叶分析,通过该频率时移傅里叶分析下的时幅拐点找出突变信号的进入时刻和消失时刻,最后通过对确定时段内的信号进行二次傅里叶分析获得该突发信号的幅值.理论分析、理论仿真和高速轴承振动数据工程仿真验证均表明,该算法能准确捕捉和提取突变信号的幅值及其在振动信号中的出现时刻和消失时刻.     

辣椒的傅里叶变换红外光谱分析

笔者利用傅里叶变换红外光谱法对小尖椒,线辣椒及灯笼椒进行了快速无损鉴别研究。结果表明：小尖椒、线辣椒及灯笼椒均有自己的特征红外光谱。根据红外光谱谱峰形状和位置可以容易的鉴别不同种类的辣椒粉;根据谱峰位置和吸光度比可以区分小尖椒,线辣椒及灯笼椒;根据谱峰吸光度比有可能鉴别辣椒粉的不同品种。该方法具有快速、简便、不需对样品分离提取等特点。     

栈式降噪自编码器在辐射源信号识别中的应用

针对传统辐射源信号识别方法在低信噪比条件下提取特征困难且识别率低的问题,提出了一种基于短时傅里叶(STFT)变换和栈式降噪自编码器(sDAE)的识别系统。首先对雷达辐射源信号进行短时傅里叶变化,然后对时频图像进行一系列预处理,将处理后的图像输入到栈式降噪自编码器中,将提取的特征输入到softmax分类器中,完成分类识别。通过仿真表明:该系统在SNR=-10dB的时候,识别率能够达到80%以上,在低信噪比的情况下,识别效果明显优于传统识别方法。     

基于多输入卷积神经网络的轴承故障诊断方法

为了解决现有轴承故障诊断方法提取特征能力不足的问题,提出了一种基于多输入卷积神经网络的诊断方法。首先对原始的轴承一维振动信号分别通过短时傅里叶变换(STFT)和连续小波变换(CWT)转换为两种时频域图像信号;然后将两种时频图像输入到相应的具有不同卷积网络结构的特征提取层进行特征提取;最后将提取的故障特征图进行叠加后输入到分类层实现故障分类。采用t-分布随机邻域嵌入算法(t-SNE)对所提方法的特征提取效果进行了可视化分析。结果表明,与传统的轴承故障诊断方法相比,所提方法具有更强的故障特征提取能力且故障分类准确率达到了99.6%。     

一种自适应频率窗经验小波变换的滚动轴承故障诊断方法

为解决强背景噪声下经验小波变换(EWT)难以准确提取滚动轴承故障特征的问题,提出了一种自适应频率窗EWT方法。首先对轴承故障振动信号进行傅里叶变换,引入一个带宽可变的滑动频率窗对其频谱进行分割;然后利用水循环优化算法(WCA),通过所提出的包络谱谐波噪声比指标,自适应确定滑动频率窗位置;最后进行EWT筛选出最佳的模态分量信号,通过包络解调分析提取轴承故障特征信息。采用所提方法对滚动轴承故障实验信号进行分析,结果表明,该方法可以有效用于滚动轴承微弱故障特征的提取,而传统EWT方法因为受强背景噪声影响较大,无法准确提取故障特征信息。     

基于能量特征的左右手运动想象脑信号的识别方法

提出了一种基于能量特征的左右手运动想象识别方法,利用快速傅里叶变换分析特定脑电(μ波和β波)的频率分布,然后利用小波分解去噪,再利用小波包分析脑电能量,提取能量特征,最后基于支持向量机(SVM)进行左右手运动想象的识别。本文把能量作为特征的支持向量机(SVM)识别法分别与自适应自回归系数法(AAR)和相同步分析法进行比较。仿真结果表明:在相同样本数据情况下,能量特征作为特征向量的SVM识别准确率明显高于其他2种方法。     

索氏提取法——一种直观定量表征硅橡胶功能涂层交联度的新方法

基于索氏提取法,建立了一种可直观、定量地表征硅橡胶功能涂层交联度的新方法,并通过傅里叶红外光谱法对索氏提取法的可靠性进行了验证。采用此方法,结合功能涂层中硅橡胶树脂微观结构、固化性能的分析,初步建立了硅橡胶功能涂层催化剂浓度与交联度的关联关系。最后,采用统计力学的方法对硅橡胶功能涂层临界交联度进行了计算,依据测定的交联度定量地研究了硅橡胶功能涂层的固化程度。     

基于短时傅立叶变换特征提取和卷积神经网络的LAMOST恒星光谱分类研究

光谱分类是研究恒星光谱的重要内容之一,对其进行准确分类识别在天文研究领域有着重要意义.提出一种新的光谱特征提取方法,利用短时傅里叶变换将一维光谱变换为二维傅里叶谱图像,然后利用卷积神经网络对得到的二维傅里叶谱图像进行分类,由于二维谱图像具有新的特征分布,提高了分类精度;在此基础上,为降低短时傅里叶变换中的采样过程造成的信息损失,在进行短时傅里叶变换前先利用一维卷积对一维恒星光谱数据进行处理,以提高分类准确率,实验结果显示证明了新的方法的有效性.     

一种非闭合曲线的傅里叶描述新算法

为实现非闭合曲线的精确识别,基于傅里叶变换和几何对称性,提出了一种用于识别非闭合曲线的新算法.首先,将非闭合曲线二值化,并生成表示此非闭合曲线的点集S1;然后,根据几何对称性生成新的点集S2,将点集S1和S2的首尾点相连,形成由S1和S2表示的封闭二值曲线;最后对新生成的封闭曲线进行傅里叶描述,生成描述此封闭曲线的傅里叶描述符.根据傅里叶变换原理,对傅里叶描述符进行归一化处理.同时,引入χ2置信度来衡量曲线的相似度.实验结果表明:所提出的傅里叶描述符可以实现非闭合曲线的精确识别和重构,且不失旋转、尺度及平移不变性;与传统的傅里叶描述符相比,该傅里叶描述符具有更低的置信度和更好的数据稳定度.     

基于免疫遗传优化支持向量机的普米语孤立词语谱图分类

基于免疫遗传优化支持向量机的普米语孤立词语谱图分类方法,首先利用短时傅里叶变(STFT)生成普米语孤立词语谱图;其次,提取普米语孤立词语谱图的二值特征;最后,利用免疫遗传优化支持向量机实现语谱图的分类.实验结果表明:普米语孤立词语谱图分类预测准确率为88%～91%.基于免疫遗传优化支持向量机的语谱图分类比基于语音信号分类效果更好.     

基于移频技术的短时傅里叶变换阶比分析

提出了一种基于移频技术的短时傅里叶变换阶比分析算法.该算法利用傅里叶变换在频域的卷积性质,对原始信号在时域乘以e-j2πfit使fi的频谱能量搬迁到零频处,按一定的频率间隔改变fi就可以在零频处得到其他频率的频谱能量,以此来提高短时傅里叶变换在时频分析中的频率分辨率.然后在时频面上进行局部阈值降噪,同时跟踪转速的变化,最终应用到变速机械的阶比分析中.与短时傅里叶变换分析结果对比表明,本文方法可以更加准确地跟踪到实际的转速.实际降速过程中轴承信号利用本文方法进行阶比分析,成功提取到轴承的故障特征频率.