基于A Trous变换的心电R波定位研究

心电信号是一种微弱的且易受噪声干扰的非平稳信号,其波形以R波最为明显,而R波的准确定位是QRS复合波识别和心血管诊断病变的前提和基础.基于数学形态法与和A Trous变换研究心电R波定位,首先利用A Trous算法对心电信号进行小波变换,然后选择在尺度3进行阈值定位,最后把在负荷运动环境下采集的ST段变异数据库作为样本测试,结果为灵敏度99.67%、特异性99.96%.

基于 Trous-contourlet变换的红外与可见光图像融合算法

提出了一种基于à trous-contourlet变换的图像融合新算法。首先利用à trous-contourlet变换对图像进行多分辨率分解,然后针对变换域中各带通方向高频子带系数的选择,提出了一种应用区域能量进行图像匹配度计算的融合规则,并将其应用于红外图像与可见光图像的融合。实验结果表明,该算法能够有效融合红外与可见光图像,与其他方法相比较,取得了更好的融合效果。

基于对比度à trous小波的Contourlet变换图像水印算法

提出将基于对比度的à trous小波代替Contourlet变换中的拉普拉斯金字塔(LP)变换,实现对图像的多尺度分析:对变换后的低频区域分块,计算各个分块的噪声可见性函数(NVF)值,对选出的一系列值较小的分块嵌入水印.实验结果表明,水印算法具有较好的视觉效果,同时对滤波、JPEG有损压缩、噪声等攻击具有较好的鲁棒性.

一种基于àtrous小波变换的遥感影像融合方法

针对遥感高分辨率全色影像同低分辨率多光谱影像的融合,提出了一种在àtrous小波变换基础上,可以使边缘特征增强的遥感影像融合方法。实验证明,融合后的影像不仅在很大程度上保留了多光谱影像的光谱特征,还提高了空间分辨率,特别是边缘特征得到进一步增强。

基于à trous小波变换的Landsat 7 ETM^+图像融合研究

以胶州湾及周边海岸带为研究区,采用Landsat 7 ETM+数据,提出一种基于àtrous小波变换的全色图像和多光谱图像融合改进算法。对全色图像和多光谱图像进行适当层数的小波分解,多光谱图像的低频部分采用全色图像和其低频分量的比来调制;最高分解层外的其余分解层采用多光谱图像和全色图像在该层分解系数的加权和,加权系数由局部区域能量比来确定;最高分解层则采用绝对值最大准则。实验表明,该方法得到的图像可提高空间分辨率,对多光谱图像的光谱信息扭曲也较小,为提高海岸带地物分类和信息提取精度奠定了基础。

一种改进的àtrous小波融合方法

针对遥感高分辨率全色影像同低分辨率多光谱影像的融合,提出将区域方差和区域梯度相结合的融合规则,应用于影像经àtrous小波变换产生的各分解层高频分量融合,获得融合的各分解层高频分量,然后进行àtrous小波逆变换,最终得到融合的高分辨率多光谱影像。试验结果证明,改进的方法比常规àtrous小波融合方法性能更好。

àtrous小波-NSCT遥感图像融合

在IHS空间变换基础上,利用非下采样Contourlet变换中具有多方向性、平移不变性的非下采样方向滤波器组,并结合àtrous小波变换,实现了一种基于àtrous小波-NSCT变换的遥感多光谱图像和全色图像融合方法。针对传统的细节注入法融合规则会引起较大光谱失真,对变换所得的高频分量采用特征量积表达局部图像细节特征,依据决策因子阈值抽取全色图像细节信息,将经反方向滤波得到的有效高频细节面附加给多光谱图像分量。实验结果表明,在多种不同性能指标评价下,该算法得到的光谱扭曲最小,相关系数最大,同时空间细节质量也得到很好改善。

基于小波变换和优化的SVM的网络流量预测模型

提出一种基于小波变换和优化的SVM的网络流量预测模型(WaOSVM),首先对网络流量进行无抽取小波分解得到小波系数和尺度系数,然后选取适当核函数的SVM分别进行预测,其中SVM的参数用自适应量子粒子群算法(AQPSO)进行优化,最后将各预测结果进行小波重构得到最终预测结果。实验结果表明:优化过的SVM具有较好的泛化能力,该模型适合作长期预测,预测精度明显优于单一的SVM和小波神经网络模型。

基于小波变换的网络流量在线预测模型

在无抽取Haar小波变换的基础上，结合自适应AR模型和滑动窗口式多项式拟合方法，建立了一种基于小波变换的递推式高速网络流量在线预测模型。该模型首先用无抽取Haar小波变换把网络流量时间序列分解为细节信号和近似信号，然后对细节信号部分使用自适应AR模型预测，对近似信号部分则使用滑动窗口式多项式拟合方法预测，最后用小波重构获得原始时间序列的预测值。该模型不但提高了流量在线预测的准确性，而且通过模型参数的递推式自动调整，避免了参数的定期估计和更新。

基于àtrous-Contourlet变换的遥感图像融合算法

基于à trous-Contourlet 变换,提出一种多光谱与高分辨率图像融合的算法.首先结合à trous 小波变换和Contourlet 变换的优点,提出一种à trous-Contourlet 变换方法,将其与 IHS 变换相结合,对图像进行多分辨率分解.然后根据高频系数的方差与相关系数,利用一种新的加权融合规则对高频部分进行融合.最后用高频附加的方法得到融合图像.实验证明,此方法相对传统的变换法,取得更优的融合结果.

a’Trous小波与HIS变换相结合的遥感影像融合分析

采用a’trous小波与HIS变换相结合的方法对Aster多光谱影像和资源二号全色影像进行融合实验和评价,并与传统的HIS变换和小波变换融合方法加以对比。结果表明:a’trous小波与HIS变换相结合的融合效果最好,吸取了两种单一融合方法的优点,不仅较大程度上提高了原始影像的空间细节表达能力,而且很好地保留了原始影像的光谱信息,为遥感应用提供了更精确的数据。

基于à Trous小波变换与多核SVM的电力短期负荷预测方法

提出了一种基于à Trous小波变换与多核SVM的电力短期负荷预测方法。应用à Trous小波变换将负荷时间序列分解为近似分量和细节分量,并选择不同尺度核的SVM对分解后的数据进行预测,然后将预测后的数据进行合成,得到多尺度负荷预测结果。运用该方法对实际负荷数据进行了1步预测和2步预测,数据实验表明,最大的RMSE误差为1.82,与标准BP神经网络相比,文中所提方法具有更高的预测精度和更好的泛化能力。

一种基于区域特性的红外与可见光图像融合算法

提出了一种基于区域分割和àtrous小波变换的红外与可见光图像融合算法.首先,对红外与可见光图像进行区域分割及区域关联,并按关联映射图所划分区域提取红外与可见光图像的的能量信息及梯度信息;然后,对红外与可见光图像进行多尺度àtrous小波变换分解,分解后的低频部分按照文中所提出的区域能量比和区域清晰比指标进行区域融合,高频部分采用绝对值取大算子进行融合;最后进行重构得到融合图像.结果表明,该算法既可保持可见光图像的光谱信息,又可有效获取红外图像的热目标信息.

非下采样方向滤波器组在遥感图像融合中的应用

利用具有平移不变性的非下采样方向滤波器组(NSDFB),结合具有平移不变性的àtrous小波变换,提出了一种基于NSDFB的低分辨率多光谱图像和高分辨率全色图像的融合方法。将多光谱图像亮度、色度、饱和度(IHS)色彩空间的I分量和全色图像(PAN)分别进行àtrous小波变换,并对得到的高频系数分别进行NSDFB分解,从而得到多方向的高频信息,然后将高低频系数分别通过一定的融合算子进行融合、重构,得到I′分量,最后通过IHS逆变换得到融合图像。实验结果表明,在几种不同的客观评价标准下,该方法优于传统的IHS、主成分分析法(PCA)和小波变换方法的融合效果,能有效地改善主成分分析法(PCA)和小波变换所带来的虚假边缘和光谱扭曲现象。

多时间尺度同步的网络异常检测方法

为了改善高速网络环境下异常检测的准确性和及时性,提出了一种多时间尺度同步的异常检测算法DA-MTS。该算法通过无抽取Haar小波变换对网络流量时间序列进行预处理,获得的细节信号逼近高斯白噪声,根据正态分布的"3σ"法则可以判断细节信号中存在的异常变化。分析和实验表明,该算法能够同时在多个时间尺度上以递推方式进行无延迟的异常检测,不但提高了异常检测的准确性,而且保证了异常发现的及时性。

基于多尺度模糊边缘特征的遥感影像融合方法

针对全色与多光谱遥感影像融合,提出了一种基于多尺度模糊边缘特征的融合方法.该方法根据àtrous小波变换特点以及全色与多光谱遥感影像的频率关系,对全色影像进行多层小波分解,并将不同尺度下的小波面叠加得到多尺度小波面,然后对其进行模糊增强处理提取边缘细节信息,最后将边缘细节信息叠加到多光谱影像中得到融合结果.实验中与传统融合方法进行了主观分析与客观定量比较,结果表明本文方法具有良好的融合效果.

基于Internet的网络机器人时延建模研究

针对Internet时延具有长程相关性和自相似性,提出了利用小波网络分析方法对时延进行分析与预测,通过反馈来学习最近新测得的时延,来预测下一个时延.实验结果表明了该方法的有效性.

水陆边界模糊条件下的水边线精确提取方法研究

为达到在水陆边界模糊条件下自动提取淤泥质海岸水边线的目的,试验了一种基于样条二进小波àtrous小波变换和自动阈值获取相结合的方法,基于高分影像自动提取水边线。同时将Sobel算子,Log算子,Canny算子提取的水边线结果和本方法提取的水边线结果进行定性和定量比较,结果表明,本方法可以有效去除水陆边界模糊条件下高分影像中的噪声,快速自动地提取水边线。从方法学上解决水陆边界模糊条件下的水边线自动提取困难的难题,为进一步确定海岸线奠定坚实基础,大量节省人力、物力和财力。