一种用于心室晚电位逐搏检测的时序自适应滤波器

本文介绍了一种用于心室晚电位逐搏检测的时序自适应滤波器。目的 用时序自适应滤波器取代心电信号的叠加平均来提高心室晚电位信号的信噪比 ,以便进行心室晚电位的逐搏检测。方法 先从理论上论证时序自适应滤波器的工作原理 ,然后通过实验来证实时序自适应滤波器能提高心室晚电位信号的信噪比。结果 时序自适应滤波器能有效地降低信号中的随机噪声 ,滤波后心室晚电位信号得到了相对增强。结论 时序自应滤波器能有效提高心室晚电位信号的信噪比 ,可用于心室晚电位的逐搏检测。

基于相对骨骼点特征和时序自适应感受野的动作识别方法

针对长时间动作识别难以充分利用时空域信息的问题,提出了基于相对骨骼点特征和时序自适应感受野的动作识别方法。首先,该方法在特征获取部分增加了相对骨骼点特征,以满足节点多样性和互补性要求,将其分别输入到空域图卷积网络,获得空间中相邻关节聚合的局部特征。然后,设计了一个时序自适应感受野网络,以获取在时域中关节变化的局部特征,并且增加了网络对不同持续时长动作的适应性。最后,经过决策级融合模块,计算类别概率,得到分类结果。仿真结果表明,基于NTU RGB+D和Kinetics-skeleton两大基准数据集,对比多种主流方法,均取得了更高的识别准确率,分别为96.2%与60.1%。该方法可以较好地提取不同动作的区别性时间特征,提高了动作时空特征的判别能力。

自适应时序模型在地下工程位移预报中的应用

自适应时序模型的基本原理就是将自适应滤波理论应用于自回归时序AR(n)模型中。该模型在一定程度上根据量测数据和估计结果自行调整模型参数,通过递推算法自动地对模型参数加以修正,使其接近某种最佳值,即便在尚不完全掌握序列特性的情况下也能得到满意的结果。通过对山东龙口洼里煤矿一回采巷道金属支架的收敛位移和北京地铁王—东区间隧道北正线中洞断面收敛位移进行自适应建模,预报结果表明,此方法可行,预报结果也令人满意。

基于自适应时序匹配的低延迟寄存器堆

指出半导体工艺与晶体管特性参数的随机波动随着芯片特征尺寸不断减小越来越大,传统的基于预匹配的寄存器堆设计方法必须通过增大匹配裕量来保证读写操作的可靠性,为了克服制约寄存器堆性能提升的这一关键因素,提出了一种基于自适应时序匹配的低功耗寄存器堆电路结构。该结构通过对多端口寄存器堆的访存时序进行自适应匹配与调优,达到减小寄存器堆访问延时、降低功耗以及提高芯片工艺敏感度的目的。电路及版图仿真结果显示:基于该方法实现的3读2写32×64 bit寄存器堆,在SMIC 40nm工艺条件下,芯片面积为135.5μm×65.1μm,访存延迟为357ps,相比于传统的Chain Delay匹配技术,延迟减小22%,功耗降低35%。

基于OPNET的EPON自适应双时序算法研究与仿真

EPON上行业务的QoS保证是实际应用中的关键问题。通过提出一种新颖的双时序自适应动态算法,既保证EF高优先级业务,又支持突发大的BE数据业务,有效控制轻负载恶化现象,能最大极限的提高EPON网络效率。采用OPNET仿真模型验证了算法的可行性和改进性能。

基于自适应深度学习的数控机床运行状态预测方法

针对机床状态动态标签及差异化分布数据下的预测适应性差与准确度低问题,结合时序特征关系和模型融合方法,建立自适应混合深度学习模型进行机床状态预测。首先,通过融合最小近邻分类器,设计一种基于权值累积的自适应更新法则,建立具有数据自适应性的状态预测模型。在此基础上,提出一种基于中心损失函数的特征距离度量优化策略,构建综合决策损失函数,确保模型有效融合。在提出的一种组合收敛准则基础上,采用BBPT方法训练优化模型,对测试数据进行了验证。实验结果表明,该模型能够自适应动态标签及差异化分布数据,准确预测数控机床状态类别,抗干扰强,响应快。在GPU模式下预测时间最短仅需100 ms,较BP和LSTM分类网络,预测准确率和实时性均显著提高。

基于自适应时序剖分与KNN的短时交通流量预测

在智能交通系统中,准确和高效的短时交通流量预测是交通诱导、管理和控制的前提。由于交通流量动态变化中表现出的时变性和非平稳性特征,其预测难度较大,是交通领域中亟待解决的难题。为提高短时交通流量的预测精度,本文设计与实现了基于自适应时序剖分与KNN(A-TS-KNN)的短时交通流量预测算法。①基于动态时间规整(Dynamic Time Warping,DTW)动态剖分单日时序为不同的交通模式;②在不同交通模式,采用互信息法求解每个预测时刻时间延迟的最大阈值,构造不同时间延迟的状态向量,生成交通流量历史数据库;③采用十次十折交叉验证的方法求解每个时刻不同时间延迟与不同K值的正交误差结果分布,提取误差最小的正交结果,得到自适应时间延迟与K值的参数组合;④采用K个最相似的近邻的距离倒数加权值作为预测结果。对比K近邻(K-nearest neighbors,KNN)、支持向量回归(Support vector regression,SVR)、长短期记忆神经网络(Long-short term memory neural network,LSTM)以及门控递归单元神经网络(Gate recurrent unit neural network,GRU)共4种主流预测模型,A-TS-KNN算法预测精度显著提升;将A-TS-KNN算法用于福州市城市路网中其他交叉路口的短时交通流量预测,结果表现出良好的泛化能力。

基于先验梅尔谱和神经声码器的语音丢包隐藏方法

对基于神经网络的丢包隐藏方法而言,输入特征是直接影响最终恢复效果的重要因素.此外,如何通过丢包隐藏恢复高自然度的语音,也是亟待解决的难题.为有效恢复丢包语音并提高自然度,本文提出了一种基于先验梅尔谱和神经声码器的语音丢包隐藏方法.该方法采用一种非对称的编解码网络结构.在编码端,用两个独立的编码网络分别从时域波形和梅尔谱中提取深层时频特征.在解码端,将时频深层特征一同送入由时序自适应反归一化层构成的声码器中,以恢复丢失的语音信号并提高自然度.仿真实验表明,该方法在语音感知质量和短时客观可懂度上均优于现有的两种丢包隐藏算法.