运动想象是目前脑机接口研究中的一种重要的手段,然而混有大量的生理噪声的脑电信号对于脑机接口的研究有着很大的影响。文章在传统的奇异值分解(Singular Value Decomposition)去噪脑电信号的方法上提出一种改进的奇异值分解方法。针...运动想象是目前脑机接口研究中的一种重要的手段,然而混有大量的生理噪声的脑电信号对于脑机接口的研究有着很大的影响。文章在传统的奇异值分解(Singular Value Decomposition)去噪脑电信号的方法上提出一种改进的奇异值分解方法。针对所采集到的脑电信号,通过敏感因子选取脑电信号的敏感分量,定位因子定位相应的奇异值以实现对脑电的时频信号的重构,以此来去除信号中的噪声,提取有效的脑电信号。通过对握力想象脑电数据的分析结果表明,相比传统的奇异值分解(Singular Value Decomposition)方法,文中所采用的方法能够更加有效的去除脑电信号中的噪声信号,证实了该方法的有效性。展开更多
在对奇异值分解(singular value decomposition,SVD)去噪基本原理深入分析的基础上,结合小波变换提出了一种农作物图像小波域改进自适应SVD去噪算法。本研究所用算法首先对农作物噪声图像进行3层小波变换,保留低频子图像不变;然后对于...在对奇异值分解(singular value decomposition,SVD)去噪基本原理深入分析的基础上,结合小波变换提出了一种农作物图像小波域改进自适应SVD去噪算法。本研究所用算法首先对农作物噪声图像进行3层小波变换,保留低频子图像不变;然后对于水平、垂直、对角方向分布的高频子图像采用改进的自适应SVD算法进行噪声滤除;最后进行小波系数重构。为了有效测试该算法性能,实地拍摄2幅某温室大棚农作物图像作为测试图像,分别将本研究所用算法、SVD算法以及改进过的SVD算法进行去噪性能比较,引入峰值信噪比(Peak signal to noise ratio,PSNR)对几类算法的去噪结果进行定量评价。结果表明,本研究所用算法性能优于另外2种算法,这为农作物噪声图像的处理提供了一种较有效的方法。展开更多
文摘运动想象是目前脑机接口研究中的一种重要的手段,然而混有大量的生理噪声的脑电信号对于脑机接口的研究有着很大的影响。文章在传统的奇异值分解(Singular Value Decomposition)去噪脑电信号的方法上提出一种改进的奇异值分解方法。针对所采集到的脑电信号,通过敏感因子选取脑电信号的敏感分量,定位因子定位相应的奇异值以实现对脑电的时频信号的重构,以此来去除信号中的噪声,提取有效的脑电信号。通过对握力想象脑电数据的分析结果表明,相比传统的奇异值分解(Singular Value Decomposition)方法,文中所采用的方法能够更加有效的去除脑电信号中的噪声信号,证实了该方法的有效性。
文摘在对奇异值分解(singular value decomposition,SVD)去噪基本原理深入分析的基础上,结合小波变换提出了一种农作物图像小波域改进自适应SVD去噪算法。本研究所用算法首先对农作物噪声图像进行3层小波变换,保留低频子图像不变;然后对于水平、垂直、对角方向分布的高频子图像采用改进的自适应SVD算法进行噪声滤除;最后进行小波系数重构。为了有效测试该算法性能,实地拍摄2幅某温室大棚农作物图像作为测试图像,分别将本研究所用算法、SVD算法以及改进过的SVD算法进行去噪性能比较,引入峰值信噪比(Peak signal to noise ratio,PSNR)对几类算法的去噪结果进行定量评价。结果表明,本研究所用算法性能优于另外2种算法,这为农作物噪声图像的处理提供了一种较有效的方法。
