搜索资源列表
the1
- 在用小波分解加强图像边缘的基础上，利用修正的形态学边缘检测算子，以减 轻图像边缘检测的模糊性；通过形态结：构元素尺度的调整，得到多尺度下图像边缘的 特征，并综合各尺度下的边缘特征，得到较为理想的图像边缘，实验验证了该算法的可 行性和有效性。
TEQ
- 本文在确定了水声信道的数学描述后,提出了在信道自适应过程中,可以应用 子波对信号进行多分辨率分解,逐尺度地对信道进行均衡. 这样,不但减少了运算数 据量,也减少了均衡所需的权系数个数.-equalizer
image-fusion-algorithm-
- 基于多尺度小波分解的图像融合方法是目前最热门的方法之一。本文重点对基于小 波分解的图像配准和图像融合技术进行研究-Multi-scale wavelet decomposition based image fusion method is one of the most popular methods. This thesis studies the image registration and image fusion technology based on wavelet dec
xiaobo
- 给定一信号，用db1小波对信号分别进行单尺度和三尺度分解，求出各层的低频和高频系数，并进行重构。-Given signal db1 wavelet signal single-scale and scale decomposition, obtained layers of low-frequency and high-frequency coefficients to reconstruct.
WignerVille2014
- 本文将小波图像分解和信息熵特征提取相结合，提出一种新的掌纹特征提取算法。该算法首先对掌纹灰度图像进行二维小波分解，再利用多分辨信息熵分别计算不同尺度下的能谱熵作为特征向量，从而实现掌纹特征提取。该算法不但避免了图像增强和纹理细化等预处理过程，而且运用多分辨信息熵的自适应计算方法来调节分解级数，使得到的特征向量长度远小于传统算法。-In this paper, wavelet image decomposition and information entropy feature extractio
Marx20110509
- 本文将小波图像分解和信息熵特征提取相结合，提出一种新的掌纹特征提取算法。该算法首先对掌纹灰度图像进行二维小波分解，再利用多分辨信息熵分别计算不同尺度下的能谱熵作为特征向量，从而实现掌纹特征提取。该算法不但避免了图像增强和纹理细化等预处理过程，而且运用多分辨信息熵的自适应计算方法来调节分解级数，使得到的特征向量长度远小于传统算法。-In this paper, wavelet image decomposition and information entropy feature extractio
The-empirical-mode-decomposition-
- 应用经验模式分解将恒电量瞬态响应信号分解为不同时间尺度的内在模函数分量，去除其中的小时间尺度的干扰噪声分量-Empirical mode decomposition coulostatic transient response signal is decomposed into different time scales intrinsic mode function component, remove the small time scale interference noise compon
ECG-Detection-use-wavelet
- 本文把小波变换应用于心电信号的识别。探讨了伸缩尺度和伪频率(译自pseudo—frequency)-~．间的关系；利用二进双正 交样条小波对室扑信号按Mallat算法进行小波分解；提出了心室扑动和心室颤动信号的小波变换识别方法-Wavelet transform in used to identify the ECG si a1．The relation between scale and pseudo—frequency is discussed．The ventrlcular flu
Hilbert335
- 测量6205深沟球轴承的故障振动加速度信号, 对信号进行时频分析, 利用经验模态分解方法将振动信号分解成不同特征时间尺度的固有模态函数,对每个固有模态函数进行Hilbert 变换得到Hilbert 谱,通过谱分析识别轴承的故障部位和类型, 证实Hilbert 谱的有效性-Measuring 6205 deep groove ball bearing fault vibration acceleration signal, the signal frequency analysis, empiri
62
- 对重分配小波尺度谱存在着时、频分辨率不能同时达到最佳及当振动信号中存在着能量较大的噪声时会降低其时频分布可读性的缺陷，提出一种基于参数优化和奇异值分解(SVD)提高重分配尺度谱时频分布可读性的方法。首先利用Shan— non熵方法优化重分配尺度谱基函数的时间．带宽积(TBP)，克服其时、频分辨率不能同时达到最佳的缺陷，再对重分配尺度谱 进行SVD降噪降低噪声干扰影响，提高时频分布的可读性。最后用该方法对仿真信号和滚动轴承故障信号进行了分析，结果表明该方法的时频聚集性更好，抗噪能力更强，能
115
- 本文针对基于经验模态分解ＥＭＤ的时空滤波器存在的固有模态函数分量中频率混叠交叉导致有用信号与噪声一起被滤除的问题结合小波在时间尺度两域表征信号局部特征的特性提出了一种基于能量估计实现ＥＭＤ分解层数确定-In this paper, based on empirical mode decomposition EMD temporal filter mode functions inherent component of cross-frequency aliasing and noise toge
multiscale
- 按照二维函数的特点和视觉机制,提出了用来捕捉纹理基元的纹理检测器函数,基于纹理检测器和扩展的小波变换,提出了基于能量分解的影像纹理多尺度分析方法,并按照神经动力学的侧抑制和端点抑制等理论,实现了对多尺度纹理特征的融合，这一多尺度分析方法直接将影像纹理能量在时间一尺度空间分解,包含了相位信息,避免了基于线性变换多尺度分解引起的能量与相位分离,为纹理分析提供了一个层次性的框架,有效提高了纹理的识别能力。-According to the characteristics of two-dimensio
Smal-l-Target--Detection
- 提出了一种新的基于小波包变换 和偏斜度的检测方法。该方法利用小波包对图像进行多尺度分解，解决了高频段分辨率低的问题； 并提出了一个基于偏斜度的高斯判别准则，用于对小波包分解系数进行高斯性检验，最终得到了 小目标的精确检测-The wavelet packets were applied to decompose the image into pyramid subbands at different scales and solve the problem of the high
dimensionalspectral
- 小波变换是一种线性运算 , 它对信号进行不同尺度的分解 , 可有效地应用于如 信噪分离 , 提高时频两域的分辩率等 。本文讨论小波变换用于心电 Q RS 波形中细微特征 ( 即高频成份特征 ) 提取的方法.-Wavelet transform is a linear operation, its signal is decomposed at different scales, can be effectively used as the signal to noise separat
HARR_DWT2
- 图像尺度为2的全分解小波包，Harr小波变换，一个主程序，两个附程序。-2 full-scale image wavelet packet decomposition, Harr wavelet transform, a main program, two additional programs.
db4
- 用db4 小波对一幅图像进行二维2 尺度分解后 在不同方向上获得其重构图像。-The image is reconstructed in two directions by using db4 wavelet to decompose an image in two directions.
EEMD相关文件
- Hilbert-Huang变换(HHT)是一种新的非平稳信号处理技术，该方法由经验模态 分解(EMD)与Hilbert谱分析两部分组成。任意的非平稳信号首先经过EMD方法处理后被分解为一系列具有不同特征尺度的数据序列，每一个序列称为一个固有模态函数(IMF)，然后对每个IMF分量进行Hilbert谱分析得到相应分量的Hilbert谱，汇总所有Hilbert谱就得到了原信号的谱图。该方法从本质上讲是对非平稳信号进行平稳化处理，将信号中真实存在的不同尺度波动或趋势逐级分解出来，最终用瞬时频率和能量来
VMD、MPE、GK
- 基于变分模态分解与多尺度排列熵的 生物组织变性识别* 刘备 胡伟鹏 邹孝 丁亚军 钱盛友
结合双模多尺度 ＣＮＮ 特征及自适应深度ＫＥＬＭ 的浮选工况识别
- 针对可见光图像特征驱动的浮选工况识别方法的不足，提出一种基于双模态图像多尺度 ＣＮＮ 特征及自适应深度自编码核极限学习机（Ｋｅｒｎｅｌ Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ Ｍａｃｈｉｎｅ，ＫＥＬＭ）的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解，设计双通道 ＣＮＮ 网络对双模态多尺度图像进行特征提取及融合，将多个双隐层自编码极限学习机串联成深度学习网络对 ＣＮＮ 特征逐层抽象提取，然后通过核极限学习机映射到更高维空间进行决策，最后改进量子细菌觅食算法并应用于深度自编码