《單分量模型與時頻分析領域中若干關鍵問題的研究》是依託深圳大學，由黃超擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：單分量模型與時頻分析領域中若干關鍵問題的研究
- 項目類別：青年科學基金項目
- 項目負責人：黃超
- 依託單位：深圳大學
項目摘要,結題摘要,
項目摘要
近十多年來，隨著信息技術的迅速發展，大量的科學問題都歸結為對大規模數據的分析和處理。基於信號時頻結構的自適應稀疏表示能有效地提取信號的主要特徵，具有降維和特徵提取的能力，因而有重大的套用前景。本項目將對單分量模型與時頻分析領域中若干關鍵問題進行研究，開展如下工作：（1）單分量信號的本質是振幅和相位的相對變化率，我們將突破傳統Gabor解析性條件的束縛，通過拉伸變換建立單分量模型；（2）我們將利用壓縮感知和稀疏逼近的理論和方法，給出多分量信號的自適應稀疏表示和時頻分布，並研究結果與獨立成分分析、多層神經網路模型所得結果之間的內在關聯；（3）作為套用，我們擬將自適應稀疏表示方法套用於心電信號處理，檢測心電圖中的QRS波和P、T波。本項目將為非平穩信號之時頻分析建立合理而堅實的理論基礎，並在一定程度上推進該領域的算法和套用發展。
結題摘要
時頻分析是信號處理的核心研究領域。本項目對時頻分析中若干關鍵問題進行研究，包括單分量信號模型與自適應信號分解算法、圖上信號的時頻分析與處理、模式識別與機器學習的理論與套用，取得了豐碩的成果：（1）研究了epsilon-單分量信號的構造及自適應信號分解算法，提出了單頻率模型，建立了Bedrosian等式的統一理論框架；（2）提出了有限頻寬圖信號的疊代重構算法，提出了基於L1範數變分極小化問題的圖上Fourier變換的新定義，提出了圖信號的投影最小二乘重構算法；（3）研究了深度卷積網路在遙感圖像中的套用，提出了基於典型相關分析的ECG信號分類算法，提出了改進的並行細化算法，研究了受限玻爾茲曼機的極大似然估計算法，分析了馬爾科夫域上隨機性算法的收斂性，提出了基於增量非負矩陣分解的自適應背景模型。本項目推進了時頻分析領域中理論與算法的發展。
