光谱重叠峰的曲线拟合解析策略与实现

针对光谱分析中的重叠峰问题,提出了一种基于曲线拟合的光谱重叠峰解析算法,讨论了曲线拟合的参数调整和表达非唯一性等问题,提出了最小峰 峰间距（MRI）、可分离最小峰 峰间距（MSI）和拟合误差曲线的三个特征区间等概念;在峰位的确定中,引入由宽逐严的排除策略。含噪模拟光谱重叠峰解析结果表明,所提出的算法是有效的。     

小波变换用于示波计时电位法中重叠峰解析

基于小波变换的分频及时移不变性,将小波变换用于示波计时电位法中重叠峰解析的研究。探讨了极化电流大小、频率和示波信号中噪音、分解次数等因素对小波变换结果的影响。实验结果表明：小波变换能从含有噪音和背景的信号中提取有用信息,使信号中重叠峰获得了较好的分离,可用于多组分的定量分析。     

基于遗传算法和神经网络的色谱重叠峰解析

提出了一个新的色谱重叠峰解析方法———基于遗传算法(GA)和EMG模型的径向基函数神经网络(EMG-RBFNN)的色谱重叠峰解析。为了使EMG-RBFNN具有结构重组能力,用于色谱重叠峰解析的EMG-RBFNN采用了遗传算法。遗传算法具有鲁棒性和全局优化能力,若种群过小,则陷于局部极值点的概率将增高,而EMG模型是一个低效模型,选用过大的种群,必然使解析过程加长。为了提高算法效率,文中提出先用高效色谱峰近似模型———标准高斯模型进行繁衍,而后再用EMG模型的快速算法。     

基于树型小波变换和Hopfield神经网络的纹理图像分割

纹理分割是图像分析、模式识别、计算机视觉等领域的基础，也是个经典难题．采用树型小波变换方法提取纹理图像特征，并采用Hopfield神经网络进行象素聚类，从而实现对纹理图像的分割，实验结果表明该方法是有效的。     

连续样条小波变换解析高噪声重叠分析信号

采用连续样条小波变换方法对化学中高噪声重叠信号中峰位置和峰数目的提取进行了分析,讨论了信噪比、重叠程度、信号相邻峰高比对重叠信号解析的影响．结果表明：对于信噪比低至1的高噪声信号,采用连续样条小波变换处理能够得到重叠信号的峰位置和峰数目;连续样条小波变换对于高噪声重叠信号具有较好的解析能力,为低含量多组分物质的复合信号的定性定量分析提供了基础;该方法与离散小波变换法相比,数据点无须为2^n(n为整数),并且不需要对信号进行多次分解,因此简单快速。     

基于二次微分和小波变换的色谱重叠峰分析

色谱峰重叠现象的存在给化学成分的定性和定量分析带来了很多困难。利用小波变换的时域多分辨率特性可以较好地对重叠峰做出分离,但当色谱重叠峰的分离度较低时,分辨效果不佳。针对这一问题,提出了一种基于二次微分和小波变换的色谱重叠峰处理方法。仿真结果表明:本文方法在处理较低分离度的色谱重叠峰时具有明显优势。     

基于非洲秃鹫算法优化卷积神经网络的重叠峰解析方法

利用光谱仪器检测土壤中重金属时,由于仪器分辨率较低,峰位相近元素的特征峰会产生重叠。光谱重叠峰严重影响定量分析结果的准确性,为了得到准确的重金属含量需要进行光谱重叠峰分解。本文提出利用非洲秃鹫算法优化卷积神经网络(AVOA_CNN)的重叠峰解析方法。首先,利用高斯函数模型模拟出150个双高斯含噪光谱重叠峰和43个三高斯含噪光谱重叠峰,选择不同小波基函数进行光谱数据去噪,以信噪比和均方根误差(RMSE)为评价指标,最终确定coif3小波基函数,使用导数法进行光谱重叠峰预处理。然后,使用AVOA_CNN获得卷积神经网络(convolutional neural network,CNN)预测结果,解析结果表明,AVOA_CNN成功分解重叠峰且准确率高,双高斯光谱重叠峰和三高斯光谱重叠峰参数(峰强度,峰位,峰宽)的最大相对误差平均值分别为3.15%和5.90%。最后对比麻雀搜索算法优化CNN、CNN与AVOA_CNN,结果显示AVOA_CNN模型预测准确率最高。     

基于小波变换特征提取和神经网络分类的人脸识别

为提高人脸图像识别率,提出一种将小波分析与神经网络相结合的人脸识别方法。用二维离散小波变换函数对人脸图像进行二维离散小波变换,提取其低频系数作为人脸特征值,用三层神经网络进行分类、识别。实验证明,和单纯的小波方法及神经网络方法进行人脸识别相比,这种方法收敛步数少、用时短、具有较高的识别率。     

基于小波变换和神经网络伺服控制系统的设计

提出了基于小波神经网络控制的无刷电机控制系统新方法,该方法使用三层前馈式人工神经网络,采用基于梯度下降纠正误差法在线训练更新网络参数,使用离散小波变换的时频特性和连续小波变换检测信号边沿的原理进行无刷电机运行状态和故障状态的检测以便能实时保护.仿真结果表明该方法能大大改善调速系统的静态、动态性能,具有优良的控制效果,小波检测灵敏度高,对噪声有较高的鲁棒性,具有广阔的应用前景.     

基于解析信号的小波变换及其应用

提出对信号的解析进行小波变换，从而可直接计算出信号能量的时-频分布.使分析结果能象短时Fourier变换、Wigner分布那样直观地显示出来，解决了小波分析的可视性问题.用这种算法在调频信号的分析、消噪和故障诊断上应用说明了它的优点.     

基于小波变换和混合神经网络的图像压缩算法

提出了一种将空间方向小波零树编码与混合神经网络相结合，新的多尺度系数矢量量化策略．该算法在对图像进行多级小波变换后，利用3个方向上各自小波系数之间的相关性，构造符合图像特征的跨频带矢量，依据矢量能量和零树矢量的思想进行矢量分类，分别利用主元分析和自组织特征映射神经网络对3个方向的多尺度系数矢量进行基于视觉的加权矢量量化压缩编码．仿真实验结果表明该算法是合理可行的．     

具有滞后的Hopfield连续神经网络的稳定性

利用Ｌｉａｐｕｎｏｖ泛函方法分析了具有滞后的Ｈｏｐｆｉｅｌｄ连续神经网络系统的稳定性，得到了如下结论：对于具有滞后的Ｈｏｐｆｉｅｌｄ连续神经网络，当权矩阵的二范数与增益之积小于１时，系统的平衡点是唯一的全局渐近稳定的，此结论推广了Ｍａｒｃｕｓ的结论。     

一种基于BP神经网络和小波变换的网络流量预测模型

结合小波变换和BP神经网络,建立一种网络流量预测模型.首先对流量时间序列进行小波分解,得到多个尺度的小波系数序列,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

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。     

柱效关系用于RBF神经网络色谱重叠峰解析

将径向基函数(RBF)神经网络引入色谱重叠峰解析领域·为了使RBF神经网络能适应于色谱重叠峰解析的需要,先在RBF神经网络学习算法中引入了基于可行域约束和共享小生境技术的遗传算法,而后又用两阶段遗传学习算法训练该神经网络以使其具有了结构自学习和参数优化的能力,适应于组分数未知的色谱重叠峰解析的需要,最后又将柱效关系引入至遗传算法的适应度函数中,极大地限制了解的空间,减少了病态解发生的概率·实验表明本方法解析精度较高,很适用于多组分色谱重叠峰解析,并且具有不需人为干预,自动确定网络结构即组分数的优点     

基于峭度的组分分析方法解析重叠峰

基于峭度的组分分析方法用来解析重叠峰．其优点是半盲源分离，即只要确定出重叠峰所含组分的数目，就能从混合波谱中分离出纯组分谱．采用CABK来解析模拟两组分重叠峰体系和酒样的GC-MS混合谱，得到了令人满意的结果．     

应用三次样条插值和连续‘Mexh’小波变换对重叠峰的分离研究

对于分析化学中的重叠信号,是化学计量学的研究重点之一.本文应用模拟信号,应用三次样条函数进行插值以增加数据密度,然后由连续‘mexh’小波变换分析重叠信号.结果显示通过‘mexh’小波变换能分离重叠的信号,峰位值不变.对实验信号进行分析,获得理想结果,可为分析化学中重叠的色谱、光谱信号分析提供方法.     

一种提取含噪声信号中重叠峰位置的新方法

以二阶B-样条小波为分析小波，提出了一种提取分析化学中含噪声重叠峰位置的新方法——连续样条小波变换法．在合适的尺度下，处理后的信号类似于信号的四阶导数．结果表明，采用连续样条小波变换法能使峰变窄，并能提高信号的信噪比，同时还能从含噪声重叠信号中直接得到重叠峰的数目及其相应的峰位置．     

基于Hopfield神经网络的图象处理

本文应用Ｈｏｐｆｉｅｌｄ网络模型解决计算机视觉中图象匹配与识别问题,对于单幅幅物体的３条边与模型中３条对应力,通过求解一元人方程同三维物姿态,进一步应用Ｈｏｐｆｉｅｌｄ网络求出最佳匹配点,从而识别三维物体,本论文的方法将为计算机视觉中高怪次匹配问题提供一种新的并行处理的途径。     

基于小波变换和RBF神经网络的交通标志识别

提出一种基于小波变换特征提取及采用两级神经网络分类器的交通标志识别方法.使用小波变换对图像进行处理,消除图像像素间的相关性,提取图像的整体特征作为神经网络分类器的输入向量.因交通标志类型较多,采用两级神经网络结构进行识别,图像特征先送入第一级分类器得到图像的粗分类型,再送入相应的二级子分类器进行细分.实验结果表明,这种方法具有良好的效果.