简介：目的:通过对志愿者观看3D影片之后的脑电信号进行主成分分析,选取最能代表立体视觉疲劳度的主成分,运用BP神经网络对疲劳等级进行建模,提高对疲劳度等级的预测准确度。方法:采集15名志愿者观看五部不同3D影片前后的脑电信号,先对脑电信号进行疲劳度分级并选取特征通道;再对特征通道的脑电信号进行主成分分析选取影响最大的特征主成分,利用BP神经网络进行建模,根据建立的模型对立体视觉引起的疲劳等级进行预测,将预测结果与已知的疲劳等级进行对比。结果:根据文献中的疲劳等级将实验结果分成三个等级;据累计贡献率超过90%选取的前四个主成分建立的预测模型,准确度达95.4%。结论:运用主成分分析和BP神经网络的方法对立体视觉疲劳度进行预测,预测准确度较高,与直接根据脑电特征参数建立模型的方式相比简便和准确,这一方法对立体视觉引起的疲劳度分级及预测提供了新的思路。

简介：医学图像在形成、传输和记录过程中，由于受多种原因的影响，图像的质量会有所下降，典型表现为图像模糊、失真、有噪声等。针对现有图像遗传恢复算法存在的缺陷，从编码设计、种群初始化、遗传算子操作及更新机制，提出了自己的观点，在MATLAB7．0环境下结合不同图像进行仿真实验，

简介：通过改进处理K-SVD算法得到DDELM-AE算法,之后再把该算法应用于物体特征识别中。研究结果得到:K-SVD算法的收敛速率较快,达到收敛的时间也显著比SAE算法更短,本文通过改进K-SVD算法之后使DDELM-AE算法的计算准确率以及计算效率都获得了显著的改善。采用K-SVD算法可以达到76.3%的识别准确率,使用深度特征信息之后,可以使识别准确率升高至81.4%,DDELM-AE可以显著提高K-SVD算法的性能,并且加入多特征之后可以使算法识别准确率得到显著提高。

简介：为了克服图像模式识别中的噪声干扰,提出了一种具有感知功能的蚁群算法获得最终检测的边缘信息。改降低了迭代的游走以及初始随机分布里面一些没有意义的运算,使系统运算更加快捷,极大的提高了运算的效率。同时使用感知区域对蚂蚁的游走方向进行了引导和限制,降低了蚂蚁陷入局部而无法走出的可能性。通过对比两种算法进行仿真实验时的运行速度可以发现传统蚁群算法的速度比SACO慢很多。