基于小波能量谱的先天或风湿性心脏病异常心音分类算法研究

目的为解决先天性心脏病或风湿性心脏病异常心音分辨问题,应用离散小波频带能量对异常心音分类算法进行研究。方法采集22人的正常心音和116人的异常心音,对心音信号做离散小波变换,根据病理性心杂音在频域内的分布范围划分5层频带,计算得到各层频带的能量占比,根据单因素方差分析方法,提出了基于小波能量谱的心音分类指标。结果对正常心音和异常心音的4个听诊区域进行了分类,最优分类准确率为92%。区分动脉导管未闭和其余异常心音的最优分类准确率为81.9%。结论基于小波能量谱的心音分类算法无需对心音信号进行分割,提取特征值少,可准确有效地对心音信号进行分类,相较于传统的心音听诊,算法的引入能够在异常心音临床诊断中提供参考数据。

应用能量算子和改进MODWT的孤岛检测算法研究

针对传统孤岛检测法定位精度差、抗噪性能不强的问题,提出了一种应用能量算子和改进最大重叠离散小波变换(maximal overlap discrete wavelet transform, MODWT)的孤岛检测算法。为了有效解决MODWT算法的边界效应问题,在传统MODWT算法的基础上,采用环形边界系数更新原来的小波系数,并通过滑动窗口分析其能量。再将该算法应用于孤岛检测,用处理得到的细节系数和近似系数能量分析孤岛状态下公共耦合点的电压扰动信号特征。仿真结果表明,该算法可准确检测电压扰动信号的起始时刻和幅值变化,且在实际信号检测中不受母小波和分解层数影响、抗噪能力强且时延偏差小。

基于改进阈值和阈值函数的电能质量小波去噪方法

针对电能质量扰动类型多,成分复杂,扰动特征易被当作噪声去除等问题,提出一种改进小波阈值去噪算法。该算法通过计算每层小波系数的峰和比来确定该层噪声含量,使修正因子Fj可根据不同扰动信号的噪声分布特点自适应调整通用阈值。同时,提出了改进的阈值函数,可变参数a能调节自身软、硬特性从而确定合适的阈值函数。采用该算法对七种常见电能质量扰动信号去噪,仿真结果表明,改进小波阈值去噪算法在不同噪声干扰下,对各类扰动信号都能达到较好的信噪比,去噪效果稳定,重构信号波形恢复较好,且在去噪过程中保留了扰动特征,能为后续电能质量分析提供准确有效的信息。

基于特征融合一维卷积神经网络的电能质量扰动分类

现有基于特征选取的电能质量扰动分类算法存在鲁棒性差、抗噪性能不强等问题。提出了一种改进的一维卷积神经网络用于电能质量扰动信号的分类。首先通过三个卷积神经网络子模型分别提取电能质量扰动信号的特征向量,然后将提取的特征向量融合为一个新的特征向量,最后通过BP神经网络实现分类。与改进前的一维卷积神经网络模型以及现有的电能质量扰动分类算法相比,该算法提取的特征向量具有更大的区分度。仿真结果表明,该算法有更好的鲁棒性和识别率,且抗噪能力强,为电能质量扰动信号分类提供了一种新思路。

一种改进的室内指纹定位算法

针对指纹定位算法在建立离线指纹库时需要部署较多参考节点(RP)的问题,提出一种分区拟合近似算法(PFAM)。为减少指纹定位算法在离线阶段的工作量,对整个目标环境进行分区,并在每个分区内重新部署虚拟RP;采用三阶多项式对数距离路径损耗模型拟合得到每个分区的环境系数,并建立每个分区的误差向量;利用拟合模型和误差向量逆推得到虚拟RP的信号强度,并采用C均值聚类算法对离线指纹库聚类来减少在线阶段的计算量;在在线阶段采用加权K近邻算法(WKNN)对目标进行定位。实验结果表明,在RP部署较少的条件下,PFAM算法依然能达到较高的定位精度,平均定位误差约为1.2 m。累积分布函数(CDF)分析结果表明,有86%的定位误差分布在2 m以内。