排序方式: 共有162条查询结果,搜索用时 15 毫秒
61.
Bandelet变换是一种基于边缘的图像表示方法,能自适应地跟踪图像的几何正则方向。本文中首先用小波去噪方法对带噪声的金属断口图像进行预处理,利用软阀值函数获得阀值T,进而获取去噪后图像的四叉树结构,并沿Bandelet块的最佳几何方向进行曲波变换,最后利用SUREShink 计算各Bandelet块的自适应阈值,然后采用多层软阈值去除噪声,进行Bandelet逆变换重构图像。实验表明同传统的小波子带多阈值去噪法相比, 该算法不仅提高了去噪后图像的峰值信噪比(PSNR),而且具有更强的边缘保持能力。 相似文献
62.
63.
盲源分离和小波消噪在碰摩声频信号分析中的应用研究 总被引:4,自引:2,他引:2
碰摩是现代旋转机械运行中常见的一种故障,文中尝试从声频信号的角度对碰摩故障进行分析。在实际环境中,碰摩声频信号常常受到噪声的污染,文中将盲源分离和小波消噪方法相结合,使用P.S.(pre-separation denoising,separation)和P.S.P.(pre-separation denoising,sepamtion,post-sepamtion de-noising)方法对碰摩声频信号进行分析处理,大大提高了信号的信噪比,取得了比较理想的实验结果。 相似文献
64.
在机械故障诊断中,针对传统神经网络处理高阶数据难度大、网络参数多、耗费大量计算资源的不足,提出了一种基于矩阵乘积态的张量网络故障诊断方法。通过输入高阶张量故障数据到矩阵乘积态故障诊断模型中,将高阶张量表示为多个低阶张量,从而简化数据结构和参数量。为了验证该方法的有效性,将其应用在齿轮的故障诊断中,并与传统的卷积神经网络故障诊断模型进行对比。同时,验证了键维度对模型准确率的影响。结果表明:所提模型的键维度会影响模型准确率,键维度为16的模型准确率高于键维度为8的模型准确率;该模型在减小数据复杂度的同时,还可以识别不同故障类型,准确率达到90%,比传统的卷积神经网络故障诊断模型性能更好。 相似文献
65.
66.
Grouplet变换是通过Haar变换实现的一种二维图像多尺度分析技术,拥有根据图像的纹理结构自适应改变基的能力,从而具有较好的稀疏性。与小波变换相比,Grouplet变换在针对纹理复杂的金属断口图像的识别方面具有更优越的性能;将Grouplet变换与关联向量机结合,采用Grouplet熵作为特征,关联向量机作为识别器,提出了一种新的基于Grouplet熵-RVM的航空构件断口图像识别方法。试验表明:该方法结合了Grouplet变换以及关联向量机的优势,在针对222张断口图像的训练与识别中,识别率达到了85.58%,相比Grouplet熵-SVM方法识别速率提高了5倍。 相似文献
67.
68.
69.
在模式识别中,灰度共生矩阵(GLCM)能够很好的提取图片的纹理特征,流形学习中的局部线性嵌入(LLE)方法是一种有效的非线性降维方法。结合两者的优点,经过严格的推导,提出一种基于灰度共生矩阵与流形学习的金属断口图像识别方法 GLCM–LLE。将提出的方法与传统的基于灰度共生矩阵的方法进行对比,实验结果表明,提出的方法在识别率方面优于GLCM方法,具有实用、有效的优点。 相似文献
70.