基于自适应径向基神经网络的类星体光谱自动识别方法

通过对光谱的研究来识别和认证类星体是天文学研究中的重要方法。文章提出了一种对类星体光谱进行自动识别的自适应径向基神经网络(RBFN)方法。该方法包括以下几个步骤: (1)先将训练样本归一化,再利用PCA变换进行降维,获得样本特征向量; (2)设计出K均值聚类算法与梯度下降法相结合的径向基神经网络结构的基本模型,再用SSE(sum of squares error)误差函数进行判断,对RBFN隐含层的神经元进行自动调节,直至满足给定误差阈值; (3)用训练得到的参数对用于测试的样本中的类星体光谱进行识别。该方法不但克服了经典RBFN算法选择隐层神经元数目的困难,而且还提高了对类星体识别的稳定性和正确率。研究结果对于大型光谱巡天所产生的海量数据的自动处理具有重要意义。     

应用化学计量学技术研究同时定量分析重叠光谱

在八种化学计量学除噪技术比较研究的基础上,研制了小波包变换Elman回归神经网络方法(WPERNN)用于研究重叠光谱的同时定量测定。结合小波包变换和Elman回归神经网络改进除噪质量及回归能力。通过最佳化,选择了小波函数、小波包分解水平和Elman回归神经网络(ERNN)的结构及参数。两个程序PWPERNN和PERNN被设计执行WPERNN和ERNN方法计算。七种化学计量学方法用于比较研究。实验结果显示WPERNN方法是成功的且优于其他六种方法。     

电力设备红外图像的小波阈值去噪方法研究

对于电力设备的红外图像自动检测系统,图像去噪是非常关键的。针对传统的小波硬、软阈值函数在去噪时存在的不足,在传统小波硬、软阈值函数的基础上对其进行了改进。改进的阈值函数克服了硬阈值函数不连续的缺陷,改善了软阈值函数具有恒定偏差的不足,并引入了两个变量,具有一定的灵活性。同时还使用了一种新的分层阈值选择函数代替统一阈值方法,以改善实际应用的效果。实验结果表明:改进的小波阈值去噪方法在视觉效果、峰值信噪比和均方误差方面都优于传统的硬、软阈值去噪方法;改进的小波阈值去噪方法可以运用到红外图像自动检测系统中,使系统具有更好的去噪效果。     

近红外漫反射光谱的小波变换的去噪方法

以测定的紫丁香醛近红外漫反射光谱信号为标准,随机加入了一噪音信号,采用Daubechies小波系中的DB5小波函数,以4种阈值选取方法(最小最大准则阈值、Stein无偏似然估计阈值、混合阈值和固定阈值)和2种阈值函数(软阈值函数和硬阈值函数)组合对含噪音的光谱信号进行了小波去噪处理试验,以均差MSE评价组合各种阈值选取及阈值函数方法的去噪优劣。结果表明,对于该类型的光谱信号,采用最小最大阈值和软阈值函数组合,得到最优的去噪效果。     

基于径向基函数神经网络的传感布里渊散射谱特征提取

基于布里渊效应的分布式光纤传感器以其可在沿光纤中同时获得被测量场时间和空间上的连续分布信息,成为当前国际的研究热点。根据光纤中布里渊散射谱的传输特点和高精度特征提取的要求,提出了利用莱文伯-马夸特(L-M)算法调节权值的径向基函数神经网络(RBFN)对布里渊散射谱进行特征提取。通过与反向传播(BP)神经网络、五次多项式曲线拟合法和三次样条插值法进行预测比较,在中心频率为11.213GHz,权重比为4∶1的仿真散射谱模型中,本方法相对误差最小,仅0.0015179%,温度相对误差仅为0.152℃,且拟合度较好。在不同脉宽和不同温度下的同一检测系统中,前者的综合评价指标优于其他三种拟合方法。数值分析和实验研究均表明径向基函数神经网络适用于对布里渊散射谱进行拟合,有效提高了预测精度。     

小波包变换广义回归神经网络同时分辨三种有机化合物的重叠光谱

文章结合两种化学计量学技术,研制了一种小波包变换广义回归神经网络(WPTGRNN)方法,对光谱严重重叠的三种有机化合物进行同时测定.该法结合小波包变换(WPT)和广义回归神经网络(GRNN)改进了除噪质量和预测能力.通过最佳化,选择了小波函数、小波包分解水平及GRNN的平滑因子.偏最小二乘(PLS)法用于比较研究,编制了三个程序(PWPTGRNN,PGRNN和PPLS)进行相关计算.结果表明,WPTGRNN法是成功的且优于GRNN及PLS方法,与GRNN方法比较所有组分质量浓度的预测值与实际值的相对预测标准误差由4.0%降低为2.3%.     

一种折中的小波阈值方法对γ能谱平滑处理的研究

采用小波软、硬阈值函数折中后的小波阈值方法对天然放射性环境下γ谱数据进行平滑处理。通过Matlab数据分析软件,分析对比了五种不同的平滑去噪方法:五点平滑法、傅里叶变换法、小波软阈值法、小波硬阈值法,以及折中的小波阈值方法。结果表明:折中的小波阈值方法在反映γ能谱特征的峰本比和峰总比分别为7.1609,0.3945,平滑去噪效果要明显优于其他四种方法,能最大程度地保留原始信号特征,具有较高的应用价值。     

基于主成分分析和径向基网络的水稻胡麻斑病严重度估测

对植被病害严重度的精确预测是采取植保措施的关键,同时对减少农药使用量也具有积极意义。该研究首先对叶片光谱反射数据进行重采样和求一阶、二阶微分,再用主成分分析PCA技术对上述变换光谱进行分析,最后结合径向基函数神经网络RBFN对水稻胡麻叶斑病严重度进行预测。将全部的光谱数据和病害严重度分为两组,75％用于网络训练,25％用作网络性能测试。文中对预测结果准确性有重要影响的径向基函数扩展速率和不同的数据处理方法进行了讨论,研究发现,一阶微分光谱经PCA压缩后,获得主分量光谱,输入RBN,病害严重度的预测均方根误差仅有7.73％。表明：主成分分析和径向基函数神经网络（PCA-RBFN）相结合,可以对水稻胡麻斑病严重度进行快速、精确的估算。     

小目标识别的小波阈值去噪方法

为改善小目标识别的滤噪效果并提高其信噪比,构造了新的阈值函数并采用局部方差估计法来计算阈值对小目标进行去噪处理。对小波分解层次中各高频子带选取不同的阈值,其中大于阈值的小波系数采用改进的双曲线函数作为阈值函数,小于阈值的小波系数采用指数函数与对数函数相互组合的方式作为阈值函数。对采用的阈值函数进行了理论推导,并与软、硬阈值法进行了实验对比。计算机仿真结果表明：经本文阈值法处理后,信噪比相对于含噪图像提高了70.8%,而软、硬阈值法分别提高了49.8%和59.7%。光学实验进一步证实：该方法能更有效地提高信噪比,增强联合变换相关器对于小目标的识别能力。     

基于径向基函数神经网络的荧光光谱技术在菌种识别中的应用

对嗜酸乳杆菌、变异链球菌和保加利亚乳杆菌这三种菌的荧光光谱进行研究,发现在紫外光的激励下,益生菌溶液发出荧光.在最佳激发波长290　nm的激励下,荧光峰值在300—650　nm范围内.采用小波变换对测得的150组光谱数据进行压缩,压缩后每组数据由原来的1341个点减少为168个点,既保留了原图谱的特征,又提高了神经网络的处理速度.径向基函数神经网络方法对压缩后的数据进行研究,对每种菌的40组实验数据进行训练,在此基础上对30组未知数据进行识别.结果表明经过训练之后,径向基函数神经网络能够准确预测未知菌种. 关键词： 荧光光谱 径向基函数神经网络 数据压缩     

Image denoising using least squares wavelet support vector machines

We propose a new method for image denoising combining wavelet transform and support vector machines (SVMs). A new image filter operator based on the least squares wavelet support vector machines (LSWSVMs) is presented. Noisy image can be denoised through this filter operator and wavelet thresholding technique. Experimental results show that the proposed method is better than the existing SVM regression with the Gaussian radial basis function (RBF) and polynomial RBF. Meanwhile, it can achieve better performance than other traditional methods such as the average filter and median filter.     

小波包变换潜变量回归同时测定钐和钇

采用小波包变换潜变量回归(WPLVR)方法,同时测定了钐和钇。该法结合小波包变换和潜变量回归改进了除噪质量。信号的小波包表述提供了一个局部时频描述, 因此在小波域, 除噪质量可以改善。潜变量是把小波包处理过的信号投影到正交基本征矢量上获得。潜变量可由原始变量的线性组合来表示。使用该法, 人们可从没有选择性的全光谱数据中获得极有选择性的信息。通过最佳化,选择了小波函数及小波包分解水平(L)。编制了两个程序(PWPLVR)和(PFTLVR)执行WPLVR和傅里叶变换潜变量回归(FTLVR)法计算。试验结果表明两种方法都是成功的,且WPLVR法更优于FTLVR法。     

小波阈值去噪的一种改进方法

白噪声的方差和幅值随着小波变换尺度的增加会逐渐减小,而信号的方差和幅值与小波变换的尺度变化无关。本文在Donoho的软、硬阈值去噪方法基础上,提出了一种新的阈值函数,并把它们应用在图像的去噪上。该阈值函数具有物理意义清晰、表达式简单、计算方便等优点。实际噪声图像测试结果表明,这种经改进的方法可以有效地去除白噪声干扰,无论是在视觉效果上还是在信噪比和均方误差定量指标上均明显优于常用的软、硬阈值去噪算法以及改进的软硬阈值折中算法。     

一种改进的小波阈值去噪方法

提出了一种新的阈值函数,它高阶可导,便于各种数学运算。与硬阈值函数相比,它在阈值点处是连续的;相比于软阈值函数,减小了估计小波系数存在时的恒定偏差,更好地保留了图像边缘等局部特征。选用平移不变小波变换,结合新提出的阈值函数,给出了一种新的去噪方法。仿真实验结果证明了此方法的优越性。     

MEMS惯性传感器随机误差分析与去噪研究

针对MEMS传感器中存在的误差,采用Allan方差法分析法分析其存在的误差类型,并通过改进小波阈值函数、调整分解尺度观察存在的误差项在去噪前后的变化,探究各误差项与阈值函数、分解尺度之间存在的关系,从而有针对性地对MEMS惯性传感器中存在的特定随机误差进行降噪。结果表明：几类改进阈值函数对角(速)度随机游走的抑制效果与软、硬阈值函数无明显差异,效果并不理想;不同的尺度分解可以去除不同的误差项,从而提高MEMS传感器精度。     

基于神经网络和小波变换的MRI图像去噪方法

过去10年中,小波变换在图像去噪中取得了很大的成功.人们提出了多种适用于小波去噪的阈值方法,而这些方法就是希望能够正确地反映有噪声小波系数与无噪声小波系数之间的映射关系.基于这种想法,我们提出一种在小波域中利用神经网络寻找这种映射关系的图像去噪新方法.我们把该方法应用于不同噪声分布的磁共振图像的去噪,取得了良好的效果.     

软门限去噪法在X射线能谱分析中的应用

从函数空间的剖分和理想滤波器组的角度分析了多分辨率信号的分解与重构，提出了一种X射线能谱去噪的方法，即应用Mallat算法对谱信号进行小波分解，然后应用一个非线性软门限函数在小波域内将噪声抑制和消除，最后重构得到去噪后的能谱。该方法明显改善了能谱定量分析的结果。     

基于小波域可导阈值函数与自适应阈值的脉冲星信号消噪

脉冲星辐射信号具有极低的信噪比, 传统降噪方法难以在抑制噪声的同时保留其细节信息. 为此, 提出了一种小波域脉冲星信号消噪方法. 在小波域, 利用一种可导的阈值函数和一种自适应阈值选取方法, 对含噪脉冲星信号进行小波域阈值去噪处理, 并利用信噪比(SNR)、 均方根误差(RMSE)、 峰值相对误差(REPV) 以及峰位误差(EPP) 四项指标来对去噪效果进行评价. 实验结果表明, 与软阈值与硬阈值法相比, 该方法能在有效去除含噪脉冲星信号中的噪声、 显著提高其信噪比的同时, 更有效地保留原始信号中的有用信息, 同时可以获得更小的均方根误差、 脉冲峰值相对误差与峰位误差.