基于双树复数小波变换的微钙化诊断方法

提出一种基于双树复数小波变换的微钙化分类方法.通过提取基于小波和灰度直方图的纹理特征,结合遗传算法进行特征优化,分别用神经网络,支持向量机和KNN分类器进行微钙化的良恶性分类.对三种不同的分类器进行对比,结果表明:KNN分类器取得最好的效果,而支持向量机优于神经网络.KNN分类器对比于神经网络和支持向量机,无需训练,可节约训练时间,最直接地利用了样本和样本之间的关系,减少了类别特征选择不当对分类结果造成的不利影响,可以最大程度地减少分类过程中的误差项.在类别决策时,KNN分类器只与极少量的相邻样本有关,可以较好地避免样本数量的不平衡问题.与传统的小波比较,双树复数小波具有近似平移不变性和正则性,对图像信号具有良好的方向选择性,且冗余度有限,计算量较小.     

复轮廓波包的构造及其图像去噪应用

一般的轮廓波变换只对信号的低频部分进行分解,却忽略了信号的高频部分,因而丢失了丰富的细节和纹理信息,为了克服这种缺陷,本文利用解析的双树复小波包变换和非抽样方向滤波器组,构造了复轮廓波包变换,并提出一种基于相邻系数阈值分类的复轮廓波包图像去噪算法.新的变换除了具有多分辨率、局部性、多方向性和各向异性的特点外,还具有平移不变性和更丰富的方向分量.仿真试验结果表明,构造的复轮廓波包变换能够有效地抑制伪Gibbs现象,并且保护更多的边缘和纹理等细节,其PSNR值和视觉质量均优于一般的去噪方法.     

Hardy空间H~1(R)的紧小波框架系数刻画

利用标准正交小波基下函数的展开系数来刻画Hardy空间H~1(R)已经得到了很好的证明.该文利用紧小波框架与标准正交小波基的关系及其性质,给出了Hardy空间H~1(R)在紧小波框架下函数展开系数的一个刻画.     

Decompositions of non-homogeneous Herz-type Besov and Triebel-Lizorkin spaces

Decompositions of non-homogeneous Herz-type Besov and Triebel-Lizorkin spaces by atoms,molecules and wavelets are given.These results generalize the corresponding results for classical Besov and Triebel-Lizorkin spaces.     

Legendre wavelet – quasilinearization technique for solving q-difference equations

Recently, various fixed point theorems have been used to prove the existence and uniqueness of the solutions for q-difference equations. In this paper, we obtain the existence and uniqueness theorems for a q-initial and a q-boundary value problem using the classical Newton’s method. Making use of the main theorems, a Legendre wavelet technique has been proposed to solve the q-difference equations numerically. The numerical simulation shows that the proposed scheme produces higher accuracy and is very straightforward to apply.     

基于CEEMDAN-小波包分析的隧道爆破信号去噪方法

针对隧道爆破施工中采集到的实测振动信号,引入一种基于总体平均经验模态分解方法（CEEMDAN分解）联合小波包分析的降噪方法。首先,通过CEEMDAN分解得到多个本征模态分量,利用相关系数筛选出包含噪声的模态分量,并通过模态分量的频谱图及方差贡献率进行校核。然后,利用小波包阈值降噪方法对含有噪声的模态分量进行处理。最后,将未经处理的模态分量与去噪完成的分量重构得到最终纯净的爆破振动信号。同时,通过小波包能量谱分析验证此降噪方法的可行性。本文引入的方法兼具CEEMDAN分解及小波包分析的优点,与现有方法相比,去噪效果较好,可以应用于类似隧道爆破信号的去噪处理中。     

结合空化微泡母小波变换的高空化噪声比超快速 主动空化成像方法*

本文提出一种结合空化微泡母小波技术(Cavitation Bubble Wavelet Transform, CBWT)、波束合成和平方差值求和减影(Sum-of-Squared Differences, SSD)的超快速主动空化成像方法。该方法首先发射平面波并接收空化回波信号；其次,基于RPNNP模型构建空化微泡母小波,对空化回波信号进行连续小波变换；再次,对获得的小波系数进行波束合成,包括延迟叠加算法(Delay-and-Sum, DAS)、最小方差算法(Minimum-Variance, MV)和相干系数最小方差算法(Coherence-Factor-based-Minimum-Variance, MVCF),再结合SSD,得到空化图像。结果表明,与未采用CBWT相比,基于CBWT-DAS-SSD、CBWT-MV-SSD和CBWT-MVCF-SSD的空化噪声比分别提高了16.34 dB、15.07 dB、17.71 dB。本文方法可提高空化成像质量,为空化动态实时监控提供参考。     

水平衰减全反射-傅里叶变换红外光谱结合化学计量学法应用于三种缩叶藓属植物的分类

采用水平衰减全反射(HATR)-傅里叶变换红外光谱法(FTIR)测定了3种缩叶藓属植物齿边缩叶藓、多枝缩叶藓和中华缩叶藓的红外谱图,运用离散小波变换对吸收较为相似的3种缩叶藓属植物的红外谱图进行特征提取。通过分析比较后选择第三,四分解层进行特征向量的提取,利用所得到的特征变量进行径向基神经网络(RBF-NN)训练,再将训练出来的网络对不同产地的3种缩叶藓属植物的红外谱图离散小波提取后的特征向量进行分类。通过对120个不同样本的验证,说明能够采用基于FTIR-离散小波进行数据压缩后进行特征变量的提取及径向基神经网络分类法对3种缩叶属植物齿边缩叶藓、多枝缩叶藓和中华缩叶藓进行分类。     

Identification between Fimbristylis miliacea (L.) Vahl and Fimbristhlis stauntonii Debeaux et Franch.by CWT-FTIR-RBFNN

Horizontal attenuation total reflection‐Fourier transform infrared spectroscopy (HATR‐FTIR) is used to measure the FTIR of Fimbristylis miliacea (L.) Vahl seed and Fimbristhlis stauntonii Debeaux et Franch. seed. In order to extrude the difference between Fimbristylis miliacea (L.) Vahl seed and Fimbristhlis stauntonii Debeaux et Franch. seed, continuous wavelet transform (CWT) is used to decompose the FTIR of Fimbristylis miliacea (L.) Vahl seed and Fimbristhlis stauntonii Debeaux et Franch. seed. Three main scales are selected as the feature extracting space in the CWT domain. According to the distribution of FTIR of Fimbristylis miliacea (L.) Vahl seed and Fimbristhlis stauntonii Debeaux et Franch. seed, three feature regions are determined at every spectra band at selected three scales in the CWT domain. Thus nine feature parameters form the feature vector. The feature vector is input to the radial basis function neural network (RBFNN) to train so as to accurately classify the Fimbristylis miliacea (L.) Vahl seed and Fimbristhlis stauntonii Debeaux et Franch. seed. 110 couples of FTIR are used to train and test the proposed method, where 60 couples are used as training samples and 50 couples are used as testing samples. Experimental results show that the accurate recognition rate between Fimbristylis miliacea (L.) Vahl seed and Fimbristhlis stauntonii Debeaux et Franch. seed is respectively 96% and 98% by using the proposed method.     

弹性关节空间机械臂级联智能滑模控制

谐波减速器和力矩传感器等柔性元件因其独特性能而广泛应用在空间机器人关节系统中，以获取高减速比．但同时这些柔性元件的存在为空间机械臂系统引入了关节柔性，使得对其稳定控制变得更为复杂．基于此，文中讨论了基于自适应回归小波神经网络(Self-Recurrent Wavelet Neural Networks, SRWNN)的弹性关节空间机械臂系统动力学建模及级联智能滑模控制．首先，利用级联系统理论及第二类拉格朗日方法推导出了由外环刚性臂子系统和内环关节电机转子子系统组成的系统级联动力学模型；其次，为两个子系统分别设计了内、外环自适应滑模回归小波神经网络控制．外环控制算法以期望轨迹为控制量，而其控制信号作为抑制弹性关节振动的内环控制算法的控制量，整个控制系统由内、外环控制系统叠加而成；而后，基于Lyapunov稳定性理论证明了整个控制系统的稳定性并设计了自适应回归小波神经网络的各权值参数在线学习算法．所提的控制算法有效地消除了模型不确定的影响，避免了复杂的求导计算和角加速度可测的要求，同时，控制系统设计过程中未涉及惯常奇异摄动双时标分解操作，在理论上适合任意大小的关节柔性刚度．最后，系统对比仿真试验证明了所提的级联智能控制算法优于惯常基于奇异摄动法和基于柔性铰补偿奇异摄动法的控制方案．