搜索资源列表
c
- 在综合描述声发射信号特点和小波殳换基本原理的基础上，结合实例介绍同时在时域 和频域具有局部分析能力的信号处理方法--小波变换在声发射信号的特征提取、时频分析和噪声去除等方面的应用。
一种多尺度的时间序列相似模式匹配算法
- 提出一种多尺度的时间序列相似模式匹配算法．该算法用离散小波变换对时间序列进行多分辨分析，在多尺度上提取序列的形状特征．然后在不同的尺度上找出相似的序列和子序列模式．该算法可以匹配不同长度的序列，并能支持垂直平移变换和幅度伸缩变换．
1
- 一种图像检索中纹理特征提取的方法。本文介绍了基于Gabor 滤波器和Gabor 小波变换提取纹理特征的分析方法, 以及对Gabor 小波进行了高斯归一化以提高对图像检索的速度和准确度。-An image retrieval texture feature extraction methods. This article based on Gabor filters and Gabor wavelet transform to extract texture feature analysis me
xiaobobianhuandejiaotongtuxinagyuchuli
- 基于小波变换的交通图像预处理与特征提取，希望可以帮到大家-Traffic Based on Wavelet Transform Image Pre-processing and feature extraction, the desire to help everyone
Novel-approach-for-texture
- 为提高基于内容的图像检索系统中纹理特征提取的有效性,提出了又一种纹理图像检索方法。该方法 利用非下采样 Contourlet变换对图像进行分解, 提取不同子带和不同方向变换系数矩阵的均值和方差为特征向量, 作 为数据库中纹理图像的索引,并利用两种不同的相似度函数计算图像之间的相似度,建立了一套基于示例查询图像 的纹理图像检索系统。实验结果表明,与小波包等特征提取方法相比, 该方法不仅能降低特征向量维数,而且能取得 更高的检索准确率和检索速度。-To i ncrease t he
Texture-Segmen-ta-t-ion-withWavelet
- 为了提高纹理图象分割的边缘准确性和区域一致性以及降低分割错误率, 提出了一种基于小波变换的利 用特征加权来进行纹理分割的方法. 该方法包括特征提取、预分割和后分割 3 个阶段, 其中, 特征提取在金字塔结 构小波变换的基础上进行 预分割利用均值聚类算法来对原始图象进行初步的分割 后分割则根据预分割的结果 对特征进行加权, 然后利用最小距离分类器来实现图象的最后分割. 与传统的方法相比, 该方法在分割错误率、边 缘准确性以及区域一致性等方面均有明显的改善-To imp rove t
diannengzhil
- 暂态电能质量扰动信号的内在特征，采用小波变换提取扰动的时间特征，将扰动进行分类。-Inherent characteristics of transient power quality disturbance signals using wavelet transform to extract disturbance characteristics, the disturbance classification.
Simulation-visual-mechanism
- 提出一个小波域多尺度马尔柯夫随机场模型用于模拟视觉系统在图像分割中的若干功能。针对人类视觉系统具有特征检测器、等级层次性、双向连续性、学习机制等功能，对输入场景，该模型用小波变换提供该场景图像的稀疏表示，模拟特征检测器功能 用金字塔结构模拟等级层次性 用两类信息流模拟双向连接性，分别刻画自底向上的输入图像特征提取过程以及自顶向下的反馈过程 用迭代过程模拟学习机制 采用多尺度马尔柯夫随机场模型实现图像分割。-Put forward a wavelet domain multi-scale mark
Hierarchical-Singular-Detection--
- 设计了一个新的基于小波变换的信号奇异点分步检测法，该方法的特点是根据脉冲奇异点和阶跃奇异点的不同特征分两步从信号中提取奇异点-Design a new step detection method based on wavelet transform signal singularity points, the method of characteristics is extracted from the signal in two steps according to the different
cg09000773
- 基于小波变换的图像纹理特征提取方法及其应用-A Method of Image Texture Feature Analysis Based on Wavelet Decomposition and its Application
Study-on-compound-fault-diagnosis
- 针对滚动轴承复合故障信号特征难以分离的问题， 提出将双树复小波变换和独立分量分析( ICA) 结合的故障诊断方 法 该方法首先将非平稳的故障信号通过双树复小波变换分解为若干不同频带的分量 由于各个分量存在一定的频率混叠， 对 故障信号特征提取有很大的干扰， 进而引入 ICA 对各个分量所组成的混合信号进行盲源分离， 从而尽可能消除频率混叠 最后 对从混合信号中分离出来的独立分量信号进行希尔伯特包络解调， 即可实现对复合故障特征信息的分离和故障识别-Aiming at the diff
energy-leakage--dual-tree
- 首先根据高斯白噪声频率充满整个频带的特性，通过双树复小波包变换对高斯白噪声进行分解，利用频带能量泄漏的定量分析方法，验证了双树复小波包变换具有较低的频带能量泄漏特性；其次利用双树复小波包变换逐层分解信号，对每层分解所得分量求其FFT谱的峭度，得到基于双树复小波包变换的谱峭度图，根据图中峭度最大的原则，可以自动准确的选择信号分解最佳层数和最佳分量；最后将基于双树复小波包变换的谱峭度图的故障诊断方法应用于实际工程中，对齿轮故障振动信号进行分析，选择最佳分解层数和分量后利用希尔伯特包络解调，有效准确地
dimensionalspectral
- 小波变换是一种线性运算 , 它对信号进行不同尺度的分解 , 可有效地应用于如 信噪分离 , 提高时频两域的分辩率等 。本文讨论小波变换用于心电 Q RS 波形中细微特征 ( 即高频成份特征 ) 提取的方法.-Wavelet transform is a linear operation, its signal is decomposed at different scales, can be effectively used as the signal to noise separat
wheel-treadmonitoring
- 城轨车辆轮对踏面故障在线监测系统，基于振动检测法的轮对踏面故障监测系统，通过傅里叶变换、小波包分析对釆集到的振动信号进行分析获得信号的特征,研究了基于短时能量判断的踏面故障特征提取算法。-On line monitoring system for wheel tread of urban rail vehicles, based on the vibration detection method of wheel tread fault monitoring system, through th
eigenvector
- 使用matlab的小波变换特征向量和高低频系数的提取(Using matlab wavelet transform feature vector and extraction of high and low frequency coefficients)
bp神经网络，小波变化
- 小波变换提取特征信号用bp神经网络进行故障诊断(Bp neural network is used for fault diagnosis of feature signal extracted by wavelet transform)