基于卡通纹理分解和NSCT的卫星云图边缘提取

为方便提取云图的缓变边缘,提出了基于卡通纹理分解和无下采样轮廓波变换(NSCT)的卫星云图边缘特征提取算法。首先使用基于张量扩散的卡通纹理分解对卫星云图进行预处理,减小云图中噪声和纹理的影响,将云的缓变边缘转化为阶跃边缘;然后依据NSCT域中高频系数的正负关系和相关性进行边缘特征提取。通过实验,将文中算法分别与基于投影卡通纹理分解的预处理算法、小波多尺度积、NSCT模极大值和NSCT多尺度积等边缘特征提取算法进行比较。结果表明,本算法可更准确地提取云的边缘,且受噪声和纹理的影响小,边缘的连续性更好,为准确地进行云分类提供了保障。     

小波变换在模拟滤波器选型问题中的应用

傅里叶变换基的固有缺陷导致传统滤波器选型分析方法在实际应用场合中经常不能有效地选择出最优滤波器。小波分析方法可以实现从多种不同滤波器中选择出阻带信号抑制最强,通带内波纹最小的滤波器。针对一型微弱信号检测装置,确定出两型较优的滤波器,利用小波伪频率确定小波分解所需分解层数,根据小波分解重构算法对滤波器输出信号的高频细节进行分析研究。仿真结果与模拟电路实验表明,与快速傅立叶变换的分析方法相比,小波分析可以提供清晰的对比分析结果,得到了在不同频率范围内,不同滤波器作用之后的差异明显的滤波效果,最终选择出滤波效果最佳的模拟滤波器。     

叶绿素含量BP反演模型的光谱信息输入因子构建研究

植被叶绿素含量的高光谱反演是当今研究的热点,传统后向传播(BP)神经网络是其常用的一种反演模型。高光谱数据虽然具有精细光谱分辨率,但也造成了大量的信息冗余与噪声;而小波包变换(WPT)可以有效地抑制高光谱数据噪声和压缩信号,同时主成分分析(PCA)能够很好地降低模型输入因子的维数并可简化网络结构。以盆栽玉米为研究对象,在玉米叶片光谱数据对数变换并一阶微分处理的基础上,针对叶绿素含量的BP反演模型,提出了基于相关系数(CC)、WPT和WPTPCA的输入因子构建方法,并形成了叶绿素含量的CC-BP、PCA-BP及WPT-PCA-BP三种反演模型。通过比较玉米叶片叶绿素含量的实测值与三种BP模型反演结果,表明基于WPT-PCA构建BP模型的输入因子数量虽仅有6个却并不影响其反演精度,也能包含原始光谱的92%信息,且优于基于PCA和传统CC所构建输入因子的BP模型反演能力。     

基于曲波变换的地震数据压缩感知重构算法

为提高地震数据压缩感知重构的信噪比和保真度, 提出一种基于曲波变换的地震数据压缩感知重构算法。建立了地震数据压缩感知重构模型, 分析了基于曲波变换稀疏表示的地震数据各尺度之间能量与熵的分布特性, 结合分块压缩感知技术降低随机观测的计算复杂度, 利用曲波变换稀疏表示高频区域各尺度之间的相关性, 设计了随信息熵变化的自适应双变量收缩阈值迭代重构的方法。实验结果表明, 在相同的采样率下,该算法重构的地震数据峰值信噪比提高了1. 5 dB 以上, 并且具有良好的细节信息保持能力。     

风电机组振动故障的检测方法

论述了风电机组振动故障检测的重要性及常用的振动故障的检测方法;归纳比较了小波变换法、神经网络法、神经网络与模糊理论结合法及人工免疫法的性能与优缺点;分析了我国在风电机组故障检测预警系统方面的现状与发展趋势;指出目前小波变换故障诊断法在我国已趋成熟,而人工智能检测法的应用才刚刚起步.     

笔划宽度变换直方图的车牌识别中的应用

对于很多车牌识别中使用的算法而言,主要存在两种车牌类型：深色文字浅色背景车牌和浅色文字深色背景车牌。这两种车牌主要是二值化结果不同,进而导致后续字符分割和识别处理的图像类型不同。因此,判断车牌的二值化类型对于车牌识别来说是基础且重要的工作。本文提出了一种基于字符笔划宽度变换直方图的二值化算法,根据正色图像和反色图像计算比较两者笔划宽度变换直方图的最大值来判别车牌类型。同时,根据判别结果还可以估计笔划宽度,为局部二值化算法的邻域窗口大小的选择提供依据。我们使用多样式的美国车牌作为实验对象,与其他算法相比,实验结果表明该算法具有更好准确率,但也有更高的复杂度。     

一类时间分数阶耦合Boussinesq-Burger方程在不变子空间中的精确解

应用不变子空间方法研究分数阶耦合非线性偏微分方程,并构造时间分数阶Boussinesq-Burger方程组的精确解.在变量变换意义下,由不变条件给出方程的不变子空间,使方程在不变子空间中被约化为一阶常微分方程组,通过求解常微分方程组,最终获得方程组的精确解.