一种基于小波预处理的改进总体经验模态分解方法

总体经验模态分解(EEMD)是一种基于多次经验模态分解(EMD)的信号分解方法,能够有效解决EMD方法中存在的模态混.叠问题,使得分解出来的分量更具有实际物理意义,但随之带来的问题是整个分解时间大大延长,这正是由于多次EMD分解造成的;为了能够同时提高EEMD方法的分解效率,提出了一种基于小波预处理的EEMD算法;通过实验结果可以发现改进后的EEMD算法在原始EEMD算法的基础上,分解效率平均提高了大约10.95%,得到的有效分量与原始信号的相关度也提高了大约8.68%;这就说明较原有EEMD算法相比,改进后的EEMD算法不仅能够提高信号分解速度,而且能够更为有效地提取出原始信号中的特征分量。

基于改进EMD的脑电信号去噪方法

以经验模态分解(EMD)为理论基础,提出一种相似波形加权匹配的方法,对脑电信号(EEG)端点进行延拓,改善EMD分解过程中存在的端点效应,利用延拓后的EMD方法对EEG进行去噪。基于美国加州理工学院数据库中EEG的仿真结果表明,延拓后的EMD方法可有效去除EEG波形中的噪声部分,使EEG的特征更明显。

LMD方法在脑电信号处理中的应用研究

局部均值分解(LMD)是一种新的非线性非平稳信号处理方法,该方法具有较强的自适应性,能将复杂信号分解为一系列具有物理意义的PF(production function)分量。但在信号分解过程中会产生端点效应,这将影响LMD分解精度,严重时会导致信号失真。在详细分析了LMD产生端点效应的原因之后,提出了一种基于相似波形加权匹配的端点延拓算法。通过对视觉诱发脑电信号进行仿真,并且和不做延拓的LMD分解结果做对比,说明该方法能够有效抑制LMD的端点效应,取得较好的分解效果。

基于改进MGR融合算法的视频信息融合框架

针对视频信息具有的多模态性质,提出了融合视音频多种模态特征信息的视频融合分析框架,用以提高视频检索的正确率和效率。该框架根据从视频底层提取出的多种图像特征、音频特征,采用基于图嵌入框架的降维算法MFA降维,根据降维后得到的各种特征向量,训练SVM分类器进行分类,并用改进后的MGR融合算法对SVM分类器输出的序号矩阵进行融合分析。实验结果表明该融合框架融合多种特征提高了分类识别的效率,采用了改进的融合算法降低了计算复杂度,提高了系统的整体性能。