基于声矢量水听器阵列误差的自校正算法

对声矢量水听器阵列的各类误差进行了分类,推导了各类误差对阵列信号模型的影响因子,通过Monte Carlo实验分析对比了各类误差对阵列DOA估计性能的影响,然后将方向性误差和位置误差归结为幅度误差和相位误差,在传统声压阵列误差校正模型和算法的基础上,得到矢量阵列误差自校正的优化模型及自校正算法,最后,通过仿真实验和外场实验的数据处理表明,自校正算法具有良好的参数估计性能,具有一定的工程实用性.     

MEMS矢量水听器的一种新的联合去噪算法

针对传感器水声信号存在随机噪声的问题,提出了一种正余弦算法(SCA)和粒子群算法(PSO)相结合优化变分模态分解(VMD)参数k和α,将含噪信号通过VMD分解为k个固有模态函数,选取相关系数高的模态分量进行小波阈值(WT)去噪后重构信号分量,得到目标信号的算法,记为SCA-PSO-VMD-WT算法.通过将本算法与VMD-WT,PSO-VMD-WT,SCA-VMD-WT算法相比,并从信噪比、均方误差2个评估指标发现本算法的去噪效果最好.     

基于模板匹配的车牌数字与字母识别

车牌的字符识别是车牌识别的重要组成部分.我国的车牌由7个字符组成,除第一位为汉字外,其余均为字母和数字字符,所以提高数字与字母识别率在车牌字符识别中占很重要的地位.通过模板匹配的方法对车牌的数字与字母字符进行识别.选择了两个判别函数,一个是求取模板、待识别字符与运算结果的标准差的最小值,另一个是求取运算结果与模板比值的最大值.并对两个判别函数的识别结果进行了比较,求标准差最小值在总体识别结果上比求比值最大值的识别结果要好,但在个别字符的识别上,求取比值最大值的识别结果要高于求取标准差最小值的识别结果.     

时间序列模型和神经网络模型在股票预测中的分析

利用MATLAB软件编程建立AR模型、RBF和GRNN神经网络模型,滚动预测上证指数开盘价、最高价、最低价和收盘价与实际价格对比,分析误差.结果表明,3种模型用于股票预测均是可行的,误差很小.AR模型不稳定,对个别预测较准;RBF和GRNN网络训练速度都很快,但GRNN比RBF预测效果好.     

基于加权平均樽海鞘群算法和BP神经网络的COVID-19预测

新型冠状病毒肺炎以其高传染性和高致病性成为全球关注的问题之一.有效预测COVID-19的累计确诊人数对COVID-19的防控具有重要价值.本文提出加权平均樽海鞘群算法(AVSSA),通过23个基准函数验证了AVSSA的有效性,进而利用AVSSA优化BP神经网络建立预测模型AVSSA-BP,实现COVID-19的预测.实...     

一种快速有效的混合倾斜车牌校正方法

车牌倾斜校正是车牌识别系统中的一关键技术,校正效果将直接影响到后续字符分割和识别的效果.为此,提出了一种快速有效的混合倾斜车牌校正方法.水平倾斜校正时,先进行Sobel垂直边缘检测算子提取字符的有效数据点,构造有效数据点矩阵,然后进行矩阵奇异值分解,利用特征向量矩阵导出车牌水平倾斜角度的表达式;垂直倾斜校正时,首先通过Sobel垂直和水平边缘检测有效去除边框及上下左右噪声干扰区域,然后通过形态学腐蚀提取有效反映字符水平错位的有效数据点,其次将这些有效数据点水平投影分成七个字符区域,求取每个区域错切变换后的最佳列坐标质心对应其区域垂直倾斜角,最后取区域垂直倾斜角的均值作为车牌的最佳垂直倾斜角.对大量复杂背景下的倾斜车牌进行实验,并做了精确度、运行时间、抗干扰性分析,实验结果表明:提出的混合倾斜校正方法精确度高、运行时间短、抗干扰性强.     

基于PCA和改进的PSO-SVM的机器人移动方向分类

随着人们创新水平的不断提高,为了更加准确的实现机器人的导航任务,提出了一种基于改进的粒子群优化支持向量机中的参数的方法.首先利用主成分分析法对数据进行降维,然后利用改进的粒子群优化算法,对SVM中的惩罚参数c和核函数的参数g进行优化,最后代入到SVM中,以此来达到运用SVM对机器人的导航任务进行分类识别.相对于其他算法,容易发现改进的粒子群优化算法优化后的支持向量机可以达到很好的效果.这种识别分类可以帮助人们很好的对机器人进行导航,对今后机器人的研究具有很大的应用价值.     

基于不同经验模态分解的小波软阈值ECG去噪研究

针对ECG信号的非线性和非平稳性,利用不同经验模态分解的小波软阈值方法对其进行降噪处理.根据希尔伯特-黄(Hilbert-Huang)变换提出的一系列的EMD算法,有EMD、EEMD、CEEMD等.首先,将含高斯白噪声的ECG信号分别进行EMD、EEMD、CEEMD分解,所得到的固有模态函数(IMF)分量是从高频到低频排列的,分别舍去前几层含噪IMF'进行重构去噪.由于舍去的IMF分量中含有少部分信号的细节信息,然后利用小波软阈值对前几层含噪IMF提取细节信息得到新的分量,再将剩余分量和新的分量重构去噪后的ECG信号.利用去噪信号图和不同性能指标验证了不同方法的有效性,得出了基于CEEMD的小波软阈值ECG降噪效果最佳.最后,用上述方法对MIT-BIH心电噪声库信号进行去噪处理,其结果与仿真实验相吻合.     

改进的NSCT图像修复算法研究

为了提升数字图像修复算法的效果,改进了NSCT图像修复算法,提出领域方差法及领域能量法,更好地实现了待修复区域周围的像素信息提取,改进了优先权值公式,优化了图像修复顺序.通过实验结果及分析表明,与其他方法相比,改进算法取得了更好地修复效果,有效的克服了Criminisi算法中的锯齿效应.     

基于Keras的LSTM模型在空气质量指数预测的应用

为了高精度预测空气质量指数(AQI),针对大气环境复杂多变性、不确定性,以2014年至2017年的太原市空气污染物监测数据为基础,首先采用python3.5.2中的相关性分析函数对污染物与AQI指数进行了相关性分析,然后建立基于深度学习库Keras(一种高层神经网络API)的长短期记忆循环神经网络(LSTM)模型,对太原市空气质量指数(AQI)进行仿真预测.实验结果表明:模型的均方根误差为4.875,具有预测精度高、范围广等优点,为大气污染防治工作提供了科学合理的理论依据和新的预测方法.