基于人脸视频的心率检测研究综述

心率是反应人体生理状态的重要指标.目前,以接触式为主流的心率检测方法需要直接皮肤接触,无法进行远程测量,易导致不卫生、不舒适等问题.近年来,基于远程光学体积描记术(Remote photoplethysmography,rP-PG)的心率检测方法受到广泛关注,该方法无须接触即可远程测量,解决了不卫生、不舒适等问题.介绍...     

基于匹配追踪和变分模态分解的电气化铁路谐波检测

为了治理牵引供电谐波问题,将变分模态分解(VMD)算法运用到电气化铁路的谐波检测中,提出一种基于匹配追踪(MP)算法和VMD算法的牵引供电系统谐波检测方法;该方法利用MP算法将原始信号稀疏分解并降噪,运用VMD算法实现各模态的有效分离,通过快速傅里叶变换得出特征信息。仿真实验结果和实测数据表明了该方法的有效性,与现有的几种谐波电流的检测方法进行对比分析,证明该方法能够更准确地检测出牵引供电系统的谐波含量。     

基于自适应变分模态分解的佤语孤立词共振峰估计

基于变分模态分解算法实现对语音共振峰的提取,针对其存在共振峰合并和虚假峰值2个主要问题,通过对分解模态数、平衡约束参数的分析,提出了自适应变分模态分解法.并从的正交性、能量保存度2个方面证明了该方法的可行性;最后,利用该方法实现对佤语共振峰的估计.实验结果表明,基于自适应变分模态分解对佤语孤立词的共振峰估计平均正确率可达85.50%.     

基于鲸鱼优化算法的变分模态分解和改进的自适应加权融合算法的管道泄漏检测与定位方法

针对管道泄漏检测与定位方法存在负压波传播衰减、噪声干扰大、数据融合率低等3种问题,提出了基于鲸鱼优化算法(whale optimization algorithm, WOA)的变分模态分解(variational modal decomposition, VMD)和改进的自适应加权融合算法(improved adaptive weighted fusion, IAWF)的管道泄漏检测与定位方法。该方法提出了三传感器泄漏检测与定位模型,并利用抗干扰能力强的WOA-VMD算法对原始信号进行消噪处理;然后采用小波分析求消噪信号的奇异点,进一步求出压力变送器检测到负压波信号的时间差;在此基础上,利用改进的自适应加权融合算法对多传感器数据进行融合,最终得到泄漏点的实际位置。实验结果表明：该方法可以有效地滤除噪声分量,获得更精确的融合结果,定位精度高,相对定位误差可以控制在1%以内,为管道泄漏检测与定位提供了一种新方法。     

基于变分模态分解的冻结步态识别方法

针对传统帕金森患者冻结步态识别方法自适应性不佳的问题,提出一种基于变分模态分解的冻结步态识别方法.首先采用变分模态分解代替传统时频分析方法对冻结步态信号进行充分的自适应分解.其次为提高算法识别精度和识别速度,选用CART模型作为集成分类器的基分类器并进行特征降维处理.最后针对不平衡数据集和单分类器性能有限的问题,进行了数据采样-集成分类器的设计并通过贝叶斯优化对识别算法进行超参数寻优.实验结果表明,相对于AdaBoost、Tomeklinks-AdaBoost和ROS-AdaBoost集成算法,RUSBoost集成算法可以更高效地完成冻结步态识别任务.     

基于变分模态分解与注意力机制的海洋风速预测

海洋风速预测对远洋航行安全与航线规划具有重大影响.风速同时受多种外在自然因素影响,表现出强烈的非线性、非平稳性与随机性等特性,使得预测准确性受到极大考验.为提高风速预测准确性,创新性地提出一种基于变分模态分解与融合注意力机制的神经网络的风速预测方法.首先,利用变分模态分解将风速序列分解为一系列调幅调频信号,以降低数据复杂度,有效提取特征并提高噪声鲁棒性,减少风速自身对预测准确性的影响.其次,对分解后的不同模态子序列利用融合注意力机制的神经网络进行风速预测.最后,用实测数据验证所提方法的有效性.与其他典型风速预测模型相比,所提方法可有效提高风速预测准确性.     

基于变分模态分解的相关能量熵自适应阈值去噪

为有效抑制噪声对地震数据的影响,根据地震信号的时频特性,提出了基于变分模态分解的相关能量熵阈值去噪方法。采用变分模态分解算法将地震信号分解为频率由高频到低频且具有一定带宽的模态分量,计算各模态分量与地震信号的规范化相关系数,实现对各模态分量中的有效信息和噪声的定位。将去除有效信息的各模态分量分成若干子区间,分别计算各子区间的噪声能量熵,选取能量熵最大区间的模态分量系数作为该分量的噪声方差获得该分量的阈值,再将经阈值处理后的各模态分量重构得到去噪信号。通过对合成地震模型和实际地震信号进行去噪处理,并与直接去除高频分量的变分模态分解去噪方法进行了对比,结果表明,该方法能在强噪声环境下更有效地提取地震信号中的有效成分,提高信噪比。     

基于二维变分模态分解与自适应分数阶积分的图像去噪方法

针对噪声对图像分辨率的影响,提出了一种基于二维变分模态分解(two-dimensional variational modal decomposition, 2D-VMD)与分数阶积分的去噪算法。首先通过2D-VMD将图像信号分解为若干个不同中心频率的本征模态分量(intrinsic modal components, IMF),筛选有效的低频IMF分量,根据图像信息差异设定阈值,进行分数阶积分自适应选取,对每个有效的分量图进行卷积运算,根据积分阶次用方向掩模去噪算子滤除噪声,最终完成图像去噪。实验结果表明,客观评价参数值均得到提高,该方法在滤除噪声的同时也能够较好地保持图像的轮廓或纹理等细节特征。     

基于频率诱导变分模态分解的齿轮箱故障诊断

针对风电传动系统齿轮箱的故障诊断问题,在脉冲激励响应的基础上提出了一种频率诱导变分模态分解(FIVMD)方法,并将其应用于齿轮箱故障特征提取.首先,根据振动信号傅里叶谱的极大值分布估计齿轮箱系统的自振频率;然后,将固有频率的估计值作为各模态分量中心频率的初始化位置,并通过交替乘子法将原始信号自适应分解为本征模态函数;其次,通过希尔伯特变换对各本征模态函数求包络谱,并计算其故障特征频率比;最后,挑选出故障特征频率比最大的模态分量,并根据其包络谱特征实现齿轮箱故障的有效识别.以维斯塔斯某3 MW风电机组圆柱齿轮断齿故障为例,验证了FIVMD在工程应用中的有效性和优越性.     

变分分解模型的模糊增强算法

将分解模型应用到模糊增强算法中,用有界变分(BV)函数描述图像的结构信息,空间G描述图像的纹理信息,提出一种基于变分分解(BV-G)模型的模糊增强算法.给出算法原理和实现步骤,并通过多组对比实验验证该算法的可行性.     

基于变分模态分解的探地雷达信号分析方法

将变分模态分解方法引入探地雷达信号处理中,针对探地雷达信号非平稳特征,利用变分模态分解原理建立探地雷达信号去噪方法。方法基于变分模态分解将雷达波信号分解为特征模态函数,再由样本熵决定高阶模态是否保留,实现白噪声去除。通过探地雷达Ricker子波和正演模型试验,检验该方法的正确性和有效性。与传统的小波变换、集成经验模态分解方法进行对比,研究探地雷达信号去噪效果,并将该方法用于分析实际工程探地雷达信号。研究表明,该方法能有效去除探地雷达信号中的噪声,在强干扰背景下,能获得高于20 d B的信噪比。     

基于变分模态分解参数优化的地震随机噪声去除方法

为解决变分模态分解在地震数据去噪中依赖人工经验,模态分解和去噪效果具有一定随机性和偶然性的问题,提出基于频域奇异值分解信噪比估计的参数优化方法。该方法在参数范围内以较高的估计信噪比为评价参数对模态分量数目与有效模态进行选取,自适应寻找去噪最有效的参数,从而避免主观选取参数的随机性,改善去噪效果。仿真模型实验表明：估计信噪比与真实信噪比的误差为正相关关系,能够有效反映地震数据中噪声程度,所估计信噪比可以作为去噪效果的评价参数。通过仿真模型和实际地震数据对方法进行验证,结果表明基于估计信噪比参数优化后的变分模态分解方法能够有效压制噪声、凸显同相轴信息。     

基于自适应遗传算法的入侵检测方法

提出了一种基于自适应遗传算法的入侵检测方法。该方法采用自适应的适应度函数、交叉概率及变异概率取代固定的适应度函数、交叉概率及变异概率来改进遗传算法并用于入侵检测中。实验结果证明算法显著提高了自身收敛性能,具有很强的自适应能力,用于入侵检测中在保证较高检测率的基础上,对不同类型的攻击检测具有良好的均衡性。     

基于奇异值分解自适应图像压缩的优化算法

结合图像质量评价体系,在基于奇异值分解的动态压缩比优化方法的基础之上提出一种新的优化算法.该优化算法可以解决基于奇异值分解的动态压缩比优化方法中不能根据不同图像的特点对每幅图像自适应地进行图像压缩的缺陷,并能根据需求,预先设定压缩图像的质量范围,使压缩图像达到指定的压缩率或清晰度,从而满足指定的要求.经实验证明,该优化算法切实可行,具有较高的实用价值.     

变步长自适应滤波算法的谐波检测

为提高自适应滤波算法的收敛速度,并降低其稳态误差,建立了LMS算法理论最优步长值与误差信号和输入信号之间的关系,提出了一种新的变步长LMS自适应谐波检测算法。该算法的优点是:根据误差信号的平方时间均值估计来调节步长因子,克服了以往算法在自适应稳态阶段步长调整过程中的不足。即使待检测信号的信噪比较低,检测过程也具有较快的动态响应速度和保持较小的稳态失调噪声。计算机仿真表明,该算法具有更好的收敛精度。     

基于自适应阈值的心音分段算法研究

心音信号可以反映人体心脏瓣膜活动情况,对心音进行分类可以区别出不同心音的病理性信息,这对于临床上诊断不同的心脏疾病具有重要的意义.心音分段是进行心音分类的前提,通过心音分段可以定位出心音中的第一心音(S1)和第二心音(S2),为心音特征参数提取与心音分类提供定位基准.为此,本文提出了一种新的自适应阈值选取心音分段算法.该方法首先利用小波变换默认阈值法对心音信号进行去噪;然后使用归一化香农能量来提取较为平滑的心音包络;接着对包络进行有效地峰值检测,从而确定初始大阈值TH1,并通过迭代法得到最终稳定的双阈值;最后进行心音分段以及分段结果分析.针对部分异常心音分段结果,如心音分裂等的分段结果,利用心音时域、能量等特性实现心音段的合并或去除,保证了分段结果的准确性.实验结果表明,本文方法对正常及异常心音分段准确率分别为97.24%和91.83%,总体分段准确率为95.56%,分段准确率高于传统的阈值选取分段方法.     

基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断

针对滚动轴承故障振动信号的特点,考虑变分模式分解在复杂信号分解及微积分增强能量算子在瞬态成分检测方面的优势,提出基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断方法。首先利用变分模式分解将复杂信号分解为多个本质模式函数,以削弱背景噪声的影响和满足能量算子对信号单分量的要求;然后根据提出的敏感分量选取原则,从本质模式函数中选出包含主要故障信息的本质模式函数为敏感分量;最后利用微积分增强能量算子强化敏感分量中的瞬态冲击,并根据敏感分量瞬时能量的时域波形及Fourier频谱诊断滚动轴承故障。分析结果表明该方法能够有效诊断滚动轴承故障。