CN102184451A - 一种基于多小波融合特征的神经元动作特征提取方法 - Google Patents

一种基于多小波融合特征的神经元动作特征提取方法 Download PDF

Info

Publication number
CN102184451A
CN102184451A CN2011100722748A CN201110072274A CN102184451A CN 102184451 A CN102184451 A CN 102184451A CN 2011100722748 A CN2011100722748 A CN 2011100722748A CN 201110072274 A CN201110072274 A CN 201110072274A CN 102184451 A CN102184451 A CN 102184451A
Authority
CN
China
Prior art keywords
wavelet
signal
action potential
denoising
yardstick
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2011100722748A
Other languages
English (en)
Other versions
CN102184451B (zh
Inventor
范影乐
王佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201110072274.8A priority Critical patent/CN102184451B/zh
Publication of CN102184451A publication Critical patent/CN102184451A/zh
Application granted granted Critical
Publication of CN102184451B publication Critical patent/CN102184451B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Complex Calculations (AREA)

Abstract

本发明涉及一种基于多小波融合特征的神经元动作特征提取方法。本发明利用快速小波变换，对原始动作电位信号进行去噪处理，得到去噪动作电位信号；然后对去噪信号进行多小波基分析，得到多组小波时频特征，对不同尺度的小波特征进行分别融合，得到动作电位的多小波特征。多小波融合特征可以根据不同小波基的特性，对信号的低频分量和高频分量分别进行融合处理以得到一组新的时频特征。本发明保留了信号的突变和阶跃特征，使信号的高低频成分得到一定的恢复，同时保持信号的阶跃或突变点的信息和位置不变。

Description

一种基于多小波融合特征的神经元动作特征提取方法
技术领域
本发明属于生物医学工程领域，涉及一种神经元动作电位特征提取方法，具体是基于多小波融合特征的神经元动作电位特征提取方法。
背景技术
神经元动作电位的特征提取技术，是动作电位序列编码分析研究的前期基础。因此对动作电位提取有效特征，并根据获取的有效特征信息将动作电位归类到各自对应的神经元，对于后续分析神经元自发和诱发活动电位，起着非常重要的作用。
目前神经元动作电位的分类主要包括聚类法、模板匹配法以及基于特征分析的分类方法。聚类法在一定程度上解决动作电位的叠加问题，但聚类数目通常需要预先给定。模板匹配法的性能与信号的稳定性相关，若信号稳定性不好则容易发生过拟合现象。基于特征分析的分类方法往往是对信号进行单一的时域或频域分析，从而得到的特征信息并不完整。目前比较常用的特征提取方法有主成分分析和小波分析方法。主成分分析通过样本协方差矩阵求取主要特征值，但由于动作电位信号具有一定的非线性时变性，因此主成分分析可能无法反映动作电位信号的完整信息。小波分析方法通过对动作电位进行多尺度分析，在时频信息上对小波系数进行处理，得到有效的特征。但小波分析中使用的单一小波基不能表征信号的完整特性，因此在分析动作电位特征的时，往往不够全面。
发明内容
本发明提出一种基于多小波融合特征的神经元动作电位特征提取方法。该发明提取动作电位的多组小波特征值进行特征融合。通过小波基的互补特性，以解决单一小波基所得到动作电位信号特征不完整性，因此能有效的改善神经元动作电位的分类性能。
本发明方法步骤如下：
步骤（1）通过动作电位采集系统，以固定采样频率采集到n个动作电位信号时间序列，每个动作电位信号时间序列包含N个采样点。动作电位信号时间序列表示为                                               
Figure 2011100722748100002DEST_PATH_IMAGE002
。
步骤（2）选择小波基函数，对采集到的动作电位信号进行小波变换，得到高频信号
Figure 2011100722748100002DEST_PATH_IMAGE004
和低频信号
Figure 2011100722748100002DEST_PATH_IMAGE006
；
Figure 2011100722748100002DEST_PATH_IMAGE008
，
Figure 2011100722748100002DEST_PATH_IMAGE010
   
Figure 2011100722748100002DEST_PATH_IMAGE012
        （1）
其中
Figure 2011100722748100002DEST_PATH_IMAGE014
表示多尺度分解的尺度，
Figure 2011100722748100002DEST_PATH_IMAGE016
；
Figure 2011100722748100002DEST_PATH_IMAGE018
表示各尺度下的高通滤波器函数，
Figure 2011100722748100002DEST_PATH_IMAGE020
为各尺度下的低通滤波器函数。
步骤（3）对小波变换之后的高频信号
Figure 77801DEST_PATH_IMAGE004
和低频信号
Figure 932624DEST_PATH_IMAGE006
进行软阈值方法去噪。
要对高频信号和低频信号进行软阈值去噪，首先要计算自适应阈值
Figure 2011100722748100002DEST_PATH_IMAGE022
，其中是对应尺度下信号的长度。
Figure 2011100722748100002DEST_PATH_IMAGE028
                                （3）
其中
Figure 18087DEST_PATH_IMAGE024
是对应
Figure 413296DEST_PATH_IMAGE026
尺度下信号的长度。
根据得到各个尺度下的自适应阈值对高频信号和低频信号进行软阈值去噪处理。
Figure 2011100722748100002DEST_PATH_IMAGE030
                     （4）
Figure 2011100722748100002DEST_PATH_IMAGE032
                   （5）
式中
Figure 2011100722748100002DEST_PATH_IMAGE034
表示对应去噪后的高频信号，
Figure 2011100722748100002DEST_PATH_IMAGE036
表示对应去噪后的低频信号；
Figure 414619DEST_PATH_IMAGE022
对应j尺度的自适应阈值。
步骤（4）对去噪之后的高频信号
Figure 237081DEST_PATH_IMAGE034
和低频信号
Figure 379481DEST_PATH_IMAGE036
进行小波逆变换。
Figure 2011100722748100002DEST_PATH_IMAGE038
，    
Figure 2011100722748100002DEST_PATH_IMAGE040
   （6）
Figure 2011100722748100002DEST_PATH_IMAGE042
，           （7）
小波逆变换后得到去噪动作电位信号，
Figure 2011100722748100002DEST_PATH_IMAGE046
。
步骤（5）多小波融合，首先用多种不同小波基对去噪动作电位信号
Figure 558844DEST_PATH_IMAGE044
进行小波变换得到动作电位的初步特征值，小波变换的尺度为m。
所有去噪动作电位信号通过第b个小波基进行小波变换后得到小波系数矩阵
Figure 2011100722748100002DEST_PATH_IMAGE048
,L为矩阵
Figure 489891DEST_PATH_IMAGE048
的行数、H为矩阵
Figure 680439DEST_PATH_IMAGE048
的维数，L=n，H=C，C表示进行小波变换之后特征向量的维数。进行多个小波融合时使用第B个不同小波基进行小波变换，得到B个
Figure 417451DEST_PATH_IMAGE048
特征矩阵。则
Figure 2011100722748100002DEST_PATH_IMAGE050
表示为第a个动作电位信号在第b个小波基进行小波变换后得到的第c维的特征向量，其中
Figure 2011100722748100002DEST_PATH_IMAGE052
，
Figure 2011100722748100002DEST_PATH_IMAGE054
，
Figure 2011100722748100002DEST_PATH_IMAGE056
。其中高频信号为第1尺度到底m-1尺度下的小波系数，低频信号为m尺度下的小波系数。
低频特征信号使用加权平均的方式得到融合特征，具体的据融合算法如下：
Figure 2011100722748100002DEST_PATH_IMAGE058
                          （8）
高频特征信号的特征值相对微弱，使用取极大值的特征融合，融合算法如下：
                            （9）
Figure 2011100722748100002DEST_PATH_IMAGE062
为第a个动作电位由B个不同小波分析融合之后的第c维的融合特征。
步骤（6）然后使用KS检验的方法，得到小波融合特征分量的KS检验值。每个动作电位特征信号结果小波融合之后得到C维特征向量
Figure 2011100722748100002DEST_PATH_IMAGE064
，即
Figure 2011100722748100002DEST_PATH_IMAGE066
。
Figure 2011100722748100002DEST_PATH_IMAGE068
,表示所有动作电位信号在第c维特征分量值构成的向量矩阵。进行KS检验时，只有当
Figure 2011100722748100002DEST_PATH_IMAGE072
满足置信水平
Figure 445230DEST_PATH_IMAGE072
>D(0<D<1)才能将c维特征值看作有效向量。
给出第b维特征分量的KS检验值
Figure 875075DEST_PATH_IMAGE072
：
Figure 2011100722748100002DEST_PATH_IMAGE074
                         （10）
其中F为经验累计分布函数，G为高斯分布函数。
步骤（7）对特征分量的检验值按由大到小排序，提取特征矩阵中前e（1＜e＜C）个检验值
Figure DEST_PATH_IMAGE076
对应的特征分量，实现对高维特征空间的降维。根据得到的e个检验值的空间向量，得到多个小波变换下的融合特征矩阵向量的维数空间，即最终提取的动作电位特征。
本发明具有以下有益效果：
1　针对原始动作电位信号含有较多的噪声信息，需要对其进行去噪,从原始数据中恢复信号。经过小波分解之后得到信号的低频分量和高频分量，选取合适的阈值对高低频信号进行阈值化处理，得到去噪后的小波系数。最后对去噪后的系数进行重构过程，保留了信号的突变和阶跃特征。使信号的高低频成分得到一定的恢复，同时保持信号的阶跃或突变点的信息和位置不变。
2　多小波特征的融合过程，其实质是通过分析不同小波基的差异，来实现动作电位特征互补性。根据互补性原理，按照一定的融合规则对信号的低频分量和高频分量分别进行融合处理以得到一组新的时频特征。因为小波融合主要发生在信号的特征层，它可以将信号分解到不同的时频域，在不同的频率运用不同的融合规则，在多个融合系数中选出最显著的特征，这个直接关系到特征分类的效果。
具体实施方式
基于多小波融合特征的神经元动作电位分类方法，利用快速小波变换，对原始动作电位信号进行去噪处理，得到去噪动作电位信号；然后对去噪信号进行多小波基分析，得到多组小波时频特征，对不同尺度的小波特征进行分别融合，得到动作电位的多小波特征。多小波融合特征可以根据不同小波基的特性，对信号的低频分量和高频分量分别进行融合处理以得到一组新的时频特征。其具体的实施过程如下：
步骤（1）通过动作电位采集系统，以采样频率为40KHz对神经元发放的动作电位进行采样，采集到n个动作电位信号时间序列，每个动作电位信号时间序列包含N=64个采样点。动作电位信号序列表示为
Figure 267190DEST_PATH_IMAGE002
。
步骤（2）对时间序列
Figure 848344DEST_PATH_IMAGE002
以sym5对动作电位
Figure DEST_PATH_IMAGE078
进行5尺度小波分解。从而将动作电位信号分解为低频信号
Figure 183510DEST_PATH_IMAGE006
和高频信号
Figure 348650DEST_PATH_IMAGE004
。
步骤（3）对小波分解之后的高频信号
Figure 427465DEST_PATH_IMAGE004
和低频信号
Figure 863125DEST_PATH_IMAGE006
进行去噪处理。在去噪之前需要选取自适应阈值，根据小波分解之后得到各尺度下小波系数的长度
Figure 634772DEST_PATH_IMAGE024
，可以计算出自适应阈值
Figure 585411DEST_PATH_IMAGE022
。根据自适应阈值，对高频信号和低频信号都使用软阈值的处理方法得到去噪后的高频信号和低频信号
Figure 758083DEST_PATH_IMAGE036
。
步骤（4）对去噪后的高频信号
Figure 700631DEST_PATH_IMAGE034
和低频信号
Figure 76249DEST_PATH_IMAGE036
，得到去噪之后的动作电位信号。
步骤（5）动作电位信号通过小波变换后得到小波系数矩阵,L为矩阵
Figure 519103DEST_PATH_IMAGE048
的行数、H为矩阵的维数，L为检测到的动作电位信号的个数，H为动作电位信号在5尺度分解下小波系数的维数。分别使用三类有代表性的小波基函数db8、Sym5、bior1.5用小波变换进行矩阵求解，得到三组小波系数矩阵，
Figure DEST_PATH_IMAGE082
，
Figure DEST_PATH_IMAGE084
。对低频信号的特征值和高频信号的特征值分别进行不同的融合分别。低频特征值信号的选择为尺度为第5尺度下的矩阵信号。高频特征值信号的选择为尺度为第1尺度到第4尺度下的矩阵信号。
低频特征值：
Figure DEST_PATH_IMAGE086
高频特征值：
Figure 873171DEST_PATH_IMAGE062
为多小波融合之后的第a个动作电位片段第c维特征向量。
步骤（6）通过KS检验函数的规则,得到个融合后特征值的量化评价，实现特征排序。对于动作电位来说，最有效的多小波时频分量在统计时，通常表现为非正太分布的特性，即特征分量的多峰性。因此可以使用KS检验方法对特征分量的分布特性进行比较。每个动作电位特征信号结果小波融合之后得到C维特征向量
Figure 934668DEST_PATH_IMAGE064
，即
Figure 156702DEST_PATH_IMAGE066
。
Figure 569228DEST_PATH_IMAGE068
,表示所有动作电位信号在第c维特征分量值构成的向量矩阵。根据特征向量
Figure 716493DEST_PATH_IMAGE070
，计算得到KS检验值
Figure 906166DEST_PATH_IMAGE072
。本步骤中向量
Figure 805989DEST_PATH_IMAGE070
分布满足置信水平为
Figure DEST_PATH_IMAGE090
，即
Figure 808318DEST_PATH_IMAGE072
Figure DEST_PATH_IMAGE092
时该动作电位特征对应第的
Figure DEST_PATH_IMAGE094
维融合向量为有效特征值。
步骤（7）对有效的检验值按大到小进行排序。提取特征矩阵中前5个检验值空间维数对应的特征值，实现对高维特征向量的降维，提取多小波融合的5维特征矩阵。
多小波特征融合提取了小波特征中的最有效分量的，充分利用了多小波函数的特性，克服了单个小波变换对提取有效特征的单一性和局限性，对于不同场合动作电位信号具有较好的鲁棒性和普适性。

Claims (1)

1.一种基于多小波融合特征的神经元动作特征提取方法，其特征在于该方法包括以下步骤：
步骤（1）通过动作电位采集系统，以固定采样频率采集到n个动作电位信号时间序列，每个动作电位信号时间序列包含N个采样点，动作电位信号时间序列表示为                                               
Figure 2011100722748100001DEST_PATH_IMAGE002
；
步骤（2）选择小波基函数，对采集到的动作电位信号进行小波变换，得到高频信号和低频信号
Figure 2011100722748100001DEST_PATH_IMAGE006
；
Figure 2011100722748100001DEST_PATH_IMAGE008
，
Figure 2011100722748100001DEST_PATH_IMAGE010
   
Figure 2011100722748100001DEST_PATH_IMAGE012
        
其中
Figure 2011100722748100001DEST_PATH_IMAGE014
表示多尺度分解的尺度，
Figure 2011100722748100001DEST_PATH_IMAGE016
；
Figure DEST_PATH_IMAGE018
表示各尺度下的高通滤波器函数，
Figure DEST_PATH_IMAGE020
表示各尺度下的低通滤波器函数；
步骤（3）对小波变换之后的高频信号
Figure 70265DEST_PATH_IMAGE004
和低频信号
Figure 440066DEST_PATH_IMAGE006
利用软阈值方法去噪；
                     
                   
其中
Figure DEST_PATH_IMAGE026
表示对应去噪后的高频信号，表示对应去噪后的低频信号；
Figure DEST_PATH_IMAGE030
对应j尺度的自适应阈值，
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE034
是对应j尺度下信号的长度；
步骤（4）对去噪之后的高频信号
Figure 511753DEST_PATH_IMAGE026
和低频信号
Figure 308808DEST_PATH_IMAGE028
进行小波逆变换；
Figure DEST_PATH_IMAGE036
，    
Figure DEST_PATH_IMAGE038
   
Figure DEST_PATH_IMAGE040
，         
Figure 291545DEST_PATH_IMAGE038
  
小波逆变换后得到去噪动作电位信号
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE044
；
步骤（5）多小波融合，首先用多种不同小波基对去噪动作电位信号
Figure 340404DEST_PATH_IMAGE042
进行小波变换得到动作电位的初步特征值，小波变换的尺度为m；
所有去噪动作电位信号通过第b个小波基进行小波变换后得到小波系数矩阵
Figure DEST_PATH_IMAGE046
,L为矩阵
Figure 288768DEST_PATH_IMAGE046
的行数、H为矩阵
Figure 256724DEST_PATH_IMAGE046
的维数，L=n，H=C，C表示进行小波变换之后特征向量的维数；进行多个小波融合时使用第B个不同小波基进行小波变换，得到B个
Figure 789074DEST_PATH_IMAGE046
特征矩阵；则
Figure DEST_PATH_IMAGE048
表示为第a个动作电位信号在第b个小波基进行小波变换后得到的第c维的特征向量，其中，
Figure DEST_PATH_IMAGE052
，
Figure DEST_PATH_IMAGE054
；其中高频信号为第1尺度到底m-1尺度下的小波系数，低频信号为m尺度下的小波系数；
低频特征信号使用加权平均的方式得到融合特征，具体的据融合算法如下：
Figure DEST_PATH_IMAGE056
                          
高频特征信号的特征值相对微弱，使用取极大值的特征融合，融合算法如下：
Figure DEST_PATH_IMAGE058
                            
Figure DEST_PATH_IMAGE060
为第a个动作电位由B个不同小波分析融合之后的第c维的融合特征；
步骤（6）使用KS检验的方法，得到小波融合特征分量的KS检验值；每个动作电位特征信号结果小波融合之后得到C维特征向量
Figure DEST_PATH_IMAGE062
，即
Figure DEST_PATH_IMAGE064
；
Figure DEST_PATH_IMAGE066
,表示所有动作电位信号在第c维特征分量值构成的向量矩阵；进行KS检验时，只有当
Figure DEST_PATH_IMAGE070
满足置信水平
Figure 562995DEST_PATH_IMAGE070
>D才能将c维特征值看作有效向量；
给出第b维特征分量的KS检验值
Figure 870261DEST_PATH_IMAGE070
：
Figure DEST_PATH_IMAGE072
其中F为经验累计分布函数，G为高斯分布函数；
步骤（7）对特征分量的检验值按由大到小排序，提取特征矩阵中前e个检验值
Figure DEST_PATH_IMAGE074
对应的特征分量，实现对高维特征空间的降维；根据得到的e个检验值的空间向量，得到多个小波变换下的融合特征矩阵向量的维数空间，即最终提取的动作电位特征。
CN201110072274.8A 2011-03-24 2011-03-24 一种基于多小波融合特征的神经元动作特征提取方法 Expired - Fee Related CN102184451B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110072274.8A CN102184451B (zh) 2011-03-24 2011-03-24 一种基于多小波融合特征的神经元动作特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110072274.8A CN102184451B (zh) 2011-03-24 2011-03-24 一种基于多小波融合特征的神经元动作特征提取方法

Publications (2)

Publication Number Publication Date
CN102184451A true CN102184451A (zh) 2011-09-14
CN102184451B CN102184451B (zh) 2014-04-02

Family

ID=44570623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110072274.8A Expired - Fee Related CN102184451B (zh) 2011-03-24 2011-03-24 一种基于多小波融合特征的神经元动作特征提取方法

Country Status (1)

Country Link
CN (1) CN102184451B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103505197A (zh) * 2012-06-26 2014-01-15 中国科学院电子学研究所 神经信号检测器
CN103632195A (zh) * 2013-09-16 2014-03-12 中国科学院电子学研究所 利用压缩感知算法处理神经Spike信号的方法
CN103886558B (zh) * 2014-04-02 2017-01-18 福州大学 基于LoG算子改进的自适应阈值小波去噪算法
CN109766847A (zh) * 2019-01-15 2019-05-17 南京邮电大学 一种锋电位分离方法
CN112378414A (zh) * 2020-11-20 2021-02-19 深圳信息职业技术学院 一种基于pm2.5健康出行的路径规划装置及方法
CN115389888A (zh) * 2022-10-28 2022-11-25 山东科华电力技术有限公司 一种基于高压电缆的局部放电实时监测系统
CN115840906A (zh) * 2023-02-13 2023-03-24 博睿康科技（常州）股份有限公司 动作电位的分解方法、分解模型、信号分析设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814146A (zh) * 2010-04-20 2010-08-25 杭州电子科技大学 一种基于多个小波变换的动作电位特征提取方法
CN101828911A (zh) * 2010-04-27 2010-09-15 杭州电子科技大学 一种基于奇异谱熵的神经元动作电位特征提取方法
CN101849823A (zh) * 2010-04-27 2010-10-06 杭州电子科技大学 一种基于排列组合熵的神经元动作电位特征提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814146A (zh) * 2010-04-20 2010-08-25 杭州电子科技大学 一种基于多个小波变换的动作电位特征提取方法
CN101828911A (zh) * 2010-04-27 2010-09-15 杭州电子科技大学 一种基于奇异谱熵的神经元动作电位特征提取方法
CN101849823A (zh) * 2010-04-27 2010-10-06 杭州电子科技大学 一种基于排列组合熵的神经元动作电位特征提取方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103505197A (zh) * 2012-06-26 2014-01-15 中国科学院电子学研究所 神经信号检测器
CN103505197B (zh) * 2012-06-26 2015-05-06 中国科学院电子学研究所 神经信号检测器
CN103632195A (zh) * 2013-09-16 2014-03-12 中国科学院电子学研究所 利用压缩感知算法处理神经Spike信号的方法
CN103632195B (zh) * 2013-09-16 2016-03-23 中国科学院电子学研究所 利用压缩感知算法处理神经Spike信号的方法
CN103886558B (zh) * 2014-04-02 2017-01-18 福州大学 基于LoG算子改进的自适应阈值小波去噪算法
CN109766847A (zh) * 2019-01-15 2019-05-17 南京邮电大学 一种锋电位分离方法
CN109766847B (zh) * 2019-01-15 2022-08-23 南京邮电大学 一种锋电位分离方法
CN112378414A (zh) * 2020-11-20 2021-02-19 深圳信息职业技术学院 一种基于pm2.5健康出行的路径规划装置及方法
CN115389888A (zh) * 2022-10-28 2022-11-25 山东科华电力技术有限公司 一种基于高压电缆的局部放电实时监测系统
CN115389888B (zh) * 2022-10-28 2023-01-31 山东科华电力技术有限公司 一种基于高压电缆的局部放电实时监测系统
CN115840906A (zh) * 2023-02-13 2023-03-24 博睿康科技（常州）股份有限公司 动作电位的分解方法、分解模型、信号分析设备

Also Published As

Publication number Publication date
CN102184451B (zh) 2014-04-02

Similar Documents

Publication Publication Date Title
CN102184451B (zh) 一种基于多小波融合特征的神经元动作特征提取方法
Zhang et al. Morphological undecimated wavelet decomposition for fault location on power transmission lines
CN109559758B (zh) 一种基于深度学习的将纹理图像转换成触觉信号的方法
CN105677035A (zh) 基于eemd和小波阈值的运动想象脑电信号消噪方法
CN104809357B (zh) 一种三维粗糙表面多尺度接触行为的分析方法及装置
CN108549078B (zh) 一种雷达脉冲信号跨信道合并及检测方法
CN107590785A (zh) 一种基于sobel算子的布里渊散射谱图像识别方法
CN111680737A (zh) 差异性信噪比条件下的雷达辐射源个体识别方法
CN101814146B (zh) 一种基于多个小波变换的动作电位特征提取方法
Bhonsle et al. Comparative Study of dual-tree complex wavelet transform and double density complex wavelet transform for Image Denoising Using Wavelet-Domain
CN113568058B (zh) 一种基于多分辨率奇异值分解的大地电磁信噪分离方法及系统
Li et al. Magnetotelluric noise suppression via convolutional neural network
CN106778692B (zh) 一种基于s变换的电缆局部放电信号识别方法及装置
CN114239757B (zh) 一种电磁时间序列数据的去噪方法及系统
CN103699687B (zh) 一种基于枚举的网络实体爬取方法
CN102509268B (zh) 基于免疫克隆选择的非下采样轮廓波域图像去噪方法
CN115329820A (zh) 基于改进FastICA的电网扰动辨识方法及系统
CN111242043B (zh) 一种时间序列大数据的稀疏化方法及系统
Koolwal et al. Performance improvement of optimization algorithm for digital image watermarking in hybrid DWT-DCT transform
CN110047048B (zh) 一种基于mse选优的相位恢复改进算法
Gattim et al. ROTATION AND SCALE INVARIANT FEATURE EXTRACTION FOR MRI BRAIN IMAGES.
Uttarakumari et al. Vehicle classification using compressive sensing
CN112788057A (zh) 一种基于FSWT时频分布的LDoS攻击检测方法
CN102968771A (zh) 基于Contourlet域多状态HMT模型的含噪图像增强方法
CN109712059B (zh) 基于多尺度联合统计建模的数字水印检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140402

Termination date: 20150324

EXPY Termination of patent right or utility model