导读:本文包含了多元多尺度论文开题报告文献综述及选题提纲参考文献，主要关键词:静态平衡,特征提取,多元多尺度熵,离散度
多元多尺度论文文献综述
张建强,罗志增,章琴[1]（2017）在《人体静态平衡运动力学分析中多元多尺度熵特征改进算法》一文中研究指出目的利用改进的多元多尺度熵特征对人体静态平衡运动力学信号进行分析。方法在多元多尺度熵计算中,要对多元延迟向量的维数进行扩展,本文针对性地将单个变量的依次嵌入改成对所有变量同时嵌入。结果改进算法的多元多尺度熵特征应用于多种平衡模式的实验中,处理速度更快,熵值在模式间的距离更大,模式内的散度更小,更易区分。结论本文算法提高了计算效率,改善了特征的可区分性,可以更好地分析人体的静态平衡能力。(本文来源于《航天医学与医学工程》期刊2017年05期）
姜述杰,胡安中,吕艳新,陈一伟[2]（2017）在《基于EEMD和多元多尺度熵的变压器故障检测方法》一文中研究指出对EEMD算法进行了理论分析,介绍了多尺度样本熵特征提取方法,提出了一种基于EEMD和多元多尺度熵的故障检测算法,并进行了仿真对比试验。(本文来源于《变压器》期刊2017年08期）
王珂靖,蔡红艳,杨小唤[3]（2016）在《多元统计回归及地理加权回归方法在多尺度人口空间化研究中的应用》一文中研究指出对统计型人口数据进行格网形式的空间化可更直观地展示人口的空间分布,但不同的人口空间化建模方法和不同的格网尺度在表达人口空间化结果方面存在差异。本文在人口特征分区的基础上,引入DMSP/OLS夜间灯光对城镇用地进行再分类,采用多元统计回归和地理加权回归方法(GWR),开展人口统计数据空间化多尺度模型研究,生成1 km、5 km和10 km等3个尺度的2010年安徽省人口空间数据,并对3个尺度下2个模型结果进行精度评价与比较。结果表明:人口空间数据精度不仅与建模所用方法关系密切,还受到建模格网尺度大小的影响。基于多元统计回归方法的模型估计人口数与实际人口的平均相对误差值随着尺度的增加而降低,而基于GWR方法获得的人口空间数据误差值随着尺度的增加而升高。整体来看,基于GWR方法的1 km研究尺度的人口空间数据平均相对误差最低(22.31%)。区域地形地貌条件与人口空间数据误差有较强的关联,地貌类型复杂的山区人口空间数据误差较大。(本文来源于《地理科学进展》期刊2016年12期）
王旭尧,徐永红[4]（2016）在《基于多元多尺度模糊熵的帕金森步态信号分类》一文中研究指出目的传统多元多尺度熵在量化有限长数据时会造成部分数据丢失,同时传统算法对阈值的过分依赖也会造成整个系统产生不稳定的现象,二者皆会使最终结果产生较大的误差,因此本文提出一种多元多尺度模糊熵算法。方法对传统多元多尺度样本熵的粗粒化方式进行改进,采用滑动均值滤波使粗粒化后各尺度上的时间序列与原始时间序列长度一致,减小了所计算多元多尺度熵的离散性。此外,本文算法在保持多元样本熵中硬阈值优点的同时,通过定义模糊隶属度函数来统计两复合延迟向量距离略大于阈值的情况。结果本算法既降低了传统方法对阈值的依赖性,又很好地解决了传统阈值所导致的不稳定现象。最后用仿真数据对该算法进行验证,并将其应用于帕金森患者步态复杂度的评价和分类。结论实验结果表明多元多尺度模糊熵的识别效果明显优于传统多元多尺度熵。(本文来源于《北京生物医学工程》期刊2016年05期）
王旭尧[5]（2016）在《基于多元多尺度模糊熵的人体步态信号分类》一文中研究指出人体步态蕴含着大量能够反映自身健康状况、精神状态的有用信息,对人体步态信号的分析、研究一直以来都是众多学者普遍关注的热点。加速度作为反映步态信息的一个重要方面,也同样包含了能够反映出人体精神状态、运动状态的丰富信息。本文对人体步态加速度数据进行研究,分析正常、异常以及不同行为步态之间存在的本质差异,可为异常步态的检测以及康复治疗提供重要依据。在研究国内外人体步态加速度数据的常用分析方法之后,本文以嵌入式STM32f103单片机系统为核心,MPU9150为传感器,将四元数旋转矩阵算法嵌入到主控芯片中,实现了对人体步态加速度数据的矫正;并利用该系统对各实验对象在不同种条件下的步态加速度数据进行了采集,为人体步态分析提供了可靠的数据来源。重点介绍了多元多尺度熵算法的发展过程,针对传统多元多尺度熵算法中存在的缺点,本文提出一种多元多尺度模糊熵算法。该算法采用滑动滤波的方式对传统粗粒化过程进行了改进,使各尺度上粗粒化后的时间序列长度与原始数据长度保持一致,减小了过程中产生的随机误差;同时,本文算法在保持传统方法硬阈值优点的基础上,通过定义模糊隶属度函数来统计两复合延迟向量距离略大于阈值的情况,既降低了传统方法对阈值的依赖性,也很好的解决了传统阈值所导致的不稳定现象。并通过仿真实验证明了本文算法的有效性。本文将多元多尺度模糊熵、传统多元多尺度样本熵分别应用于对采集人体步态加速度和国外公开数据库中不同行为步态加速度数据的特征提取与分类,结果表明本文算法明显优于传统方法;通过对国外公开步态数据库中正常行走、上楼、下楼步态进行分类,获得的最高识别率达到了96.5%;与国际上针对该数据集获得的识别率相比,进一步体现出本文算法的优越性。最后,文中利用EMD算法与多元多尺度模糊熵结合对麻省理工学院数据库中帕金森步态、年轻人、老年人步态进行了特征提取与分析,最终结果充分证明了本文算法能够有效的提取人体步态特征,同时具有很好的统计特征和分类精度。(本文来源于《燕山大学》期刊2016-05-01）
武哲,杨绍普,任彬,马新娜,张建超[6]（2016）在《基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法》一文中研究指出为了从强噪背景中提取滚动轴承微弱故障特征,提出一种基于噪声辅助多元经验模态分解(Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)和数学形态学的滚动轴承故障诊断方法。NAMEMD是新提出的一种基于噪声辅助数据分析方法,其克服了集成经验模态分解的模态混淆和运算量大等问题。将NAMEMD与多尺度形态学相结合应用于滚动轴承故障诊断。该方法首先利用NAMEMD将多分量调频调幅故障信号自适应分解为一系列IMF分量;其次,选取能量高的IMF分量求和重构;最后利用多尺度形态学差值滤波器提取信号的故障特征频率。为了验证理论的正确性,进行了仿真试验和轴承故障试验,并与EEMD和包络解调进行了比较,结果表明该方法在进一步降低模态混迭效应的同时,明显提高了运算速度,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的故障特征频率。(本文来源于《振动与冲击》期刊2016年04期）
韩龙,李成伟,王丽,朱显辉,苏勋文[7]（2016）在《基于EEMD和多元多尺度熵的风力发电机组滚动轴承故障特征提取》一文中研究指出为了降低风力发电机组滚动轴承信号的噪声和进行多信道数据处理,提出了一种基于EEMD和多元多尺度熵的特征提取方法。利用EEMD算法对多信道的原始声发射信号进行分解获取无模式混淆的IMF,通过敏感度评估算法选取反应故障特征敏感的IMF进行多元多尺度熵分析,由单因素方差分析选择最优尺度对应的多元样本熵作为各种故障的特征值。通过从实验台采集得到正常、轻微损伤和断裂3种状态的样本数据,与多种特征提取方法相比较和SVM算法分类分析,证明了所选择故障特征量的准确性,同时也验证了所提出的滚动轴承故障特征提取方法的有效性和准确性。(本文来源于《工业仪表与自动化装置》期刊2016年01期）
王旭尧,徐永红[8]（2015）在《基于改进多元多尺度熵的人体步态加速度信号分类》一文中研究指出传统多元多尺度熵算法在处理有限长时间序列时,会使均值曲线产生较大的波动,并且阈值的选取也会对结果产生较大的影响。因此,在传统多元多尺度熵的基础上首先对传统粗粒化方式进行了改进,改进后的算法采用滑动均值滤波使粗粒化后各尺度上的时间序列与原始时间序列长度一致,减小了所计算多元多尺度熵的离散性。此外,本文算法在保持多元样本熵硬阈值优点的同时,通过定义模糊隶属度函数来统计两复合延迟矢量距离略大于阈值的情况,既降低了传统方法对阈值的依赖性,也很好的解决了传统阈值所导致的不稳定现象。最后用仿真数据对该算法进行了验证,并将其应用于不同人体步态加速度信号的复杂度评价和分类,结果表明改进算法的识别效果明显优于传统多元多尺度熵。(本文来源于《传感技术学报》期刊2015年12期）
徐永红,崔洁,洪文学,梁会娟[9]（2015）在《基于改进多元多尺度熵的癫痫脑电信号自动分类》一文中研究指出传统样本熵很难量化信号本身固有的远程相关性,虽然多尺度熵能够检测数据内在相关性,但其多用于单变量信号。多元多尺度熵作为多尺度熵在多元信号上的推广,是非线性动态相关性的一种反映,但是传统的多元多尺度熵计算量大,对于通道数较多的系统需要耗费大量的时间和空间,并且无法准确地反映变量间的相关性。本文提出的改进的多元多尺度熵,将传统的多元多尺度熵针对单个变量的嵌入模式改为对所有变量同时嵌入,不但解决了随着通道数增加内存溢出的问题,也更适用于实际多变量信号分析。本文方法对仿真数据及波恩癫痫数据进行了试验,仿真结果表明该方法对相关性数据具有良好的区分性能;癫痫数据实验表明,该方法对5个数据集均具有较好的分类精度,其中对数据集Z、S的分类精度达100%。(本文来源于《生物医学工程学杂志》期刊2015年02期）
崔洁[10]（2014）在《基于改进多元多尺度熵的癫痫脑电信号自动分类》一文中研究指出癫痫是一种常见的神经系统疾病，约80%患者在发病时伴有癫痫样放电，这种放电也是目前癫痫诊断的主要依据。为正确诊断癫痫病症，往往需要对病患进行长时间的脑电监测。脑电信号数据量庞大，导致对脑电信号的分析判别成为一项繁重而又低效的工作。癫痫检测结果容易受到医生主观因素的影响，因此对癫痫脑电信号的自动分类识别就显得尤为重要。在研究国内外癫痫脑电信号常用分析方法后，重点介绍了改进多元多尺度熵算法的发展过程。多元多尺度熵作为多尺度熵在多元信号上的推广，是非线性动态相关性的一种反映。但是传统的多元多尺度熵计算量大，对于通道数较多的系统需要耗费大量的时间和空间，并且无法准确的反应变量间的相关性。本文提出的改进多元多尺度熵，将传统多元多尺度熵针对单个变量的嵌入模式改为对所有变量同时嵌入，不但解决了通道数增加内存溢出问题，也更适用于实际多变量信号分析。本文中应用改进多元多尺度熵与小波包分解方法对癫痫脑电信号进行分类。癫痫脑电信号分类算法大致可分为时域、频域、时频和非线性域。其中时频分析中的小波包变换不仅能够反映信号的频率特性又能很好表征信号的局部信息，但是利用小波包特征进行分类需要耗费大量的时间和空间。本文提出的改进多元多尺度熵不仅保有原来多元多尺度熵对多通道数据并行处理、多尺度分析等特点，还大大降低了原有方法的复杂度与计算冗余。通过对癫痫脑电信号进行多次尺度分解，将改进多元多尺度熵与小波包变换结合，对其进行统计分析与分类。该方法既避免了由于特征数据量大而引发的大量时空消耗，又避免了传统时频分析中高频信号的干扰，更有利于实际应用。对于改进多元多尺度熵，针对GAERS大鼠癫痫脑电和波恩癫痫脑电数据进行实验，结果表明该方法能够有效提取癫痫脑电特征，具有很好的统计特性和分类精度。(本文来源于《燕山大学》期刊2014-05-01）
多元多尺度论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
对EEMD算法进行了理论分析,介绍了多尺度样本熵特征提取方法,提出了一种基于EEMD和多元多尺度熵的故障检测算法,并进行了仿真对比试验。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多元多尺度论文参考文献
[1].张建强,罗志增,章琴.人体静态平衡运动力学分析中多元多尺度熵特征改进算法[J].航天医学与医学工程.2017
[2].姜述杰,胡安中,吕艳新,陈一伟.基于EEMD和多元多尺度熵的变压器故障检测方法[J].变压器.2017
[3].王珂靖,蔡红艳,杨小唤.多元统计回归及地理加权回归方法在多尺度人口空间化研究中的应用[J].地理科学进展.2016
[4].王旭尧,徐永红.基于多元多尺度模糊熵的帕金森步态信号分类[J].北京生物医学工程.2016
[5].王旭尧.基于多元多尺度模糊熵的人体步态信号分类[D].燕山大学.2016
[6].武哲,杨绍普,任彬,马新娜,张建超.基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法[J].振动与冲击.2016
[7].韩龙,李成伟,王丽,朱显辉,苏勋文.基于EEMD和多元多尺度熵的风力发电机组滚动轴承故障特征提取[J].工业仪表与自动化装置.2016
[8].王旭尧,徐永红.基于改进多元多尺度熵的人体步态加速度信号分类[J].传感技术学报.2015
[9].徐永红,崔洁,洪文学,梁会娟.基于改进多元多尺度熵的癫痫脑电信号自动分类[J].生物医学工程学杂志.2015
[10].崔洁.基于改进多元多尺度熵的癫痫脑电信号自动分类[D].燕山大学.2014