基于ECG形状的心电数据分类压缩

本文提出了一种新的心电数据压缩方法。其基本思想是对一个心搏的波形进行恰当的非均匀采样并将之分解为Ｐ波、ＱＲＳ波和Ｔ波三个段，对每个段的波形分别按相似性或平均误差进行分类压缩，获得了较高的压缩比。

基于GEP的流数据分类压缩并行算法研究

针对数据挖掘中流数据分类精度不高,数据压缩率低的问题,提出一种基于粒度分析与转存式GEP的流数据分类压缩并行算法,实现流数据的快速并行分类压缩。首先使用粒度分析技术对流数据的属性求得极小粒度集,根据划分规则得到近似粒度空间,然后根据不同类型流数据建立不同的G EP分类器模型,最后采用动态转存记录集形式,将数据送至GEP压缩模型实施压缩。再将串行算法扩展到M PI+OpenM P混合编程模型后得到其并行算法,采用UCI数据、通讯账单验证算法的性能。实验结果表明,分类压缩效果耗时较理想,压缩比效果明显,其中在校学生通讯账单耗时在96 s左右,压缩比达到1/3。

高速铁路地基土压缩性分类及中低压缩性土变形特性研究

地基土压缩变形特性是影响高速铁路路基设计、施工、沉降评估等环节的重要因素。为进一步充分利用高速铁路地基土自身的承载变形能力,降低工程投资,通过开展综合勘察、土工试验及现场填筑试验等,提出基于变形控制为目的的高速铁路地基土分类标准,即高压缩性土、中高压缩性土、中低压缩性土及低压缩性土;并详细分析了各类地基土的物理力学指标。针对目前尚未充分利用的中低压缩性土,从室内试验压缩特性及现场填筑试验压缩性等角度分析了高铁路基荷载下,中低压缩性土地基承载变形快速收敛的特性。研究结果表明,在经过适当处理后,中低压缩性土变形可以满足高铁路基工程的要求。因此,将既有规范中中等压缩性土进一步细分为中低压缩性土和中高压缩性土,有利于优化高速铁路路基结构设计,为降低工程成本提供依据。

基于压缩多信号分类算法的森林区域极化SAR层析成像

该文研究了一种基于压缩多信号分类算法的森林区域极化SAR层析成像方法。其具体步骤包括:全极化的SAR接收成像区域的反射回波,利用各极化通道的信号建立多观测向量模型;应用小波基对高程向结构进行稀疏表示,采用压缩多信号分类算法对观测区域的高程向后向散射系数进行重建,实现对森林区域层析成像。最后,通过仿真实验、Pol SARpro仿真数据和德宇航E-SAR的P-波段数据验证了该方法在同等测量精度的要求下可以有效减少SAR层析成像所需的航过数,同时降低了虚假目标的出现概率。

并行层压缩树包分类算法

在层压缩树路由算法思想基础上提出了一种新的硬件包分类算法———并行层压缩树包分类算法.该算法是基于独立存储单元和多域并行处理并在FPGA内部实现的高速网络包分类算法,主要包括单通道并行搜索和多通道综合比较两大部分.仿真结果表明在40 MHz的搜索时钟频率下,该算法能够达到每秒2 M包头的处理速度,其空间性能明显优于其他算法,具有O(d)的时间复杂度(d为域的个数)和O(dN)的空间复杂度(N为规则数).

基于内容的压缩音频分类系统的研究

设计了一个对压缩音频进行基于内容分类的系统,并对系统各个模块的实现方法和原理进行了深入的分析和探讨。充分考虑到了人耳的听觉特性,利用编码器的计算结果和心理声学的研究成果,对从压缩音频中提取参数的含义做了透彻的分析,并通过实验检验了方法的有效性,从而在理论和实践两方面验证了方法的正确性和可行性。

层压缩树包分类算法研究

包分类技术是下一代网络设备的关键技术之一.研究有效的包分类算法是目前网络技术领域的热门课题.层压缩树包分类算法的基本思想是:对路径压缩之后的二叉树进行层压缩,使压缩树中的节点能够按序存储在数组中.通过对数组元素跳跃式的查找快速的对包头进行分类.仿真试验结果表明该算法在较大规则数下能够实现对包头的快速分类,分类速度可以达到每秒处理接近2M个包头,具有O(d)的时间复杂度(d为域的个数);在中等规模规则数下具有O(dN)的空间复杂度,并且其存储量优于其他算法(如Bitmap和区域分割包分类算法).由于层压缩树算法对包头的每个域独立查找,在硬件实现上采用并行查找各个域的处理方式将使该算法的查找性能得到更大的提高.

一种基于分类DCT的SAR图像压缩算法

提出了一种基于分类 DCT的 SAR图像压缩编码算法 ,该算法在国际静止图像压缩标准 JPEG基础上 ,将图像划分为平坦区域和波动区域 ,依据人的视觉生理特点 ,对不同区域采用不同的量化编码方式 ,结果 ,既可以获得较高的压缩比 ,同时也可保证良好的视觉效果。

面向高效边缘计算的可分类数据压缩传输机制

云中心和终端设备之间的海量数据传输可能会导致网络负载并延迟数据传输。针对该问题,提出了面向高效边缘计算的可分类数据压缩传输机制,利用自编码网络实现高效的同态数据压缩,并为边缘网络节点高效准确的数据分类提供有效保障。此外还提出一种基于编码机制来减少数据规模的数据特征重建机制,以减轻数据压缩导致的分类精度损失,并验证了该数据压缩机制的优良性能。实验表明,提出的压缩机制可以减少数据规模,提高数据处理效率。

目标保真的背景影像高倍率压缩

传统的分类压缩方法由于对背景采取一致性的有损压缩,在高压缩后不能保留细节,因此在图像重建时背景不能提供很多的信息,整图重建的效果取决于目标本身的分割质量。本论文在将目标提取后,再对背景进行细分类,保留与目标关系密切的部分背景,并把这部分区域与已分割出的目标划为同一类,其余背景划为一类,进行分类别压缩。这种方法允许分割的目标近无损,能增强目标的可理解性。

单脉冲测角的二维分级主旁瓣干扰联合抑制方法

针对矩形平面阵列天线同时存在主、旁瓣干扰的单脉冲测角问题,该文设计了2维分级自适应单脉冲波束形成算法(TDHJ-ADBF)。TDHJ-ADBF算法将矩形平面阵分为方位维和俯仰维两个正交维度,采用2维分级处理架构:第1级处理在测角维进行,采用低运算量的压缩多重信号分类法对测角维主瓣干扰进行快速识别与方向估计,构造阻塞矩阵滤除主瓣干扰,获得仅含旁瓣干扰和噪声的协方差矩阵,进而对和、差波束方向图进行指向与鉴角曲线联合约束,完成测角维旁瓣干扰抑制与波束形成处理;第2级在非测角维对残留的测角维主瓣干扰进行抑制。通过2维分级处理实现主、旁瓣干扰联合对抗,并保持单脉冲测角的鉴角曲线线性度。仿真结果表明,TDHJ-ADBF算法实现了对主、旁瓣干扰联合抑制,具有高精度的单脉冲测角性能。

改进的协同训练框架下压缩跟踪

针对基于传统协同训练框架的视觉跟踪算法在复杂环境下鲁棒性不足,该文提出一种改进的协同训练框架下压缩跟踪算法。首先,利用空间布局信息,基于能量熵最大化的在线特征选择技术提升压缩感知分类器的判别能力,分别在灰度空间和局部二值模式空间建立起基于结构压缩特征的两个独立分类器。然后,基于候选样本信任度分布熵的分类器联合机制实现互补性特征的自适应融合,增强跟踪结果的鲁棒性。最后,在级联的梯度直方图分类器辅助下,通过具备样本选择能力的新型协同训练准则完成联合外观模型的准确更新,解决了协同训练误差的积累问题。对大量具有挑战性的序列的对比实验结果验证了该算法相比于其它近似跟踪算法具有更优的性能。

基于压缩思想的低运算近场信号估计算法

针对近场源参数估计计算复杂度大的问题,提出了一种基于对称阵列结构的快速估计算法。首先通过对称阵列结构构造多项式,通过求解多项式的根得到近场源的角度信息;在距离估计的时候,结合压缩多重信号分类算法(Compressed multiple signal classification,C-MUSIC)的思想,将菲涅尔区域分为若干个子区域,通过构造噪声子空间簇的交集,得到新的谱函数,将原来整个区域搜索变换成小区域搜索,可节省运算时间。通过仿真试验验证了算法的有效性,证明该算法的运算复杂度与传统估计算法相比得到了很大改善。

废水分类的拓展研究

目前全国每年产生的废水量很大,而且废水所含的污染物也多,如何处理是个大问题。做好废水分类是治理废水的前提,废水分类有多种方法。有依据废水来源进行分类的,有依据废水所含的污染物有无毒性进行分类的,等等。本文将依据机械蒸汽压缩工艺对废水进行分类,表征指标有:黏度、结垢性、pH值、沸点等,从而将废水分为三类。

面向连续叠写的高精简中文手写识别方法研究

连续手写识别是中文手写输入技术的核心,自然、快捷地输入中文信息一直是模式识别乃至人工智能领域追求的目标。提出了一种有效克服小屏幕限制的连续叠写汉字识别方法。该方法基于切分-识别集成的解码框架,先使用过切分算法处理输入的书写轨迹;然后启用一种新颖的感知机算法判定字符的边界;随后采用来自字符分类模型、几何模型和语言模型的多种上下文信息进行路径解码。为适应不同类型的移动终端,特别提出了一种高效压缩字符分类模型的方法,以有效减少字符识别过程对存储和内存的占用。该识别方法已在Android平台上部署,并进行了大规模的测试实验。实验结果证实了该识别方法的性能和效率。

基于CS-MUSIC算法的DOA估计

多重信号分类(multiple signal classification,MUSIC)方法在少快拍数或者存在相干信源的情况下不能准确估计信号的波达方向,而压缩感知(compressive sensing,CS)方法在多快拍数或低信噪比情况下分辨性能不稳定,估计准确率受限。提出了一种基于CS的MUSIC方法,简称CS-MUSIC,该方法针对不同的快拍数,建立二者之间的联系,构造出新的正交空间,获得尖锐的谱峰。理论分析和仿真结果表明,所提方法在不同快拍数条件下,具有较高的估计精度,克服了传统方法存在的缺陷,并且对噪声具有鲁棒性。

基于压缩协作表示的辐射源识别算法

针对低信噪比(SNR)条件下传统辐射源识别算法性能下降的问题,提出了基于压缩协作表示的识别算法,分别从特征提取和分类器设计两方面进行描述。首先将时域辐射源信号变换到二维时频域,通过图像处理方法提取高维特征列向量。经随机矩阵压缩到一定维度后,输入到提出的压缩协作表示分类器中得到识别结果。进而,对协作表示系数进行非负约束,提出了更符合实际应用场景的算法。仿真结果验证了所提算法的可行性与有效性,且在低信噪比条件下稳健性强、抗噪声干扰性能好、计算量较小、易于工程实现。