专利交易市场

本发明涉及医学图像分类技术领域，具体公开了一种结合小波变换和张量网络的医学图像分类方法，提出了一种粗粒化网络，该粗粒化网络结合了小波变换和MERA，即将D4小波编码到MERA中，形成一个内部参数固定的waveletMERA模型，并且还构建了一个如全连接层般的张量分类网络。本发明使用MNIST数据集、Covid‑19数据集和LIDC数据集进行多维验证，结果表明waveletMERA的准确率稳定居高，比CNNs的深度神经网络具有更好的粗粒化能力，使waveletMERA能够在保证精度的同时，更大程度上减少模型的参数量。结果表明waveletMERA不仅在分类上优于当前主流的深度神经网络，而且在数据预处理方面也优于普通小波变换。不仅如此，waveletMERA还具有张量网络本身的可解释性优势。

本发明涉及领域，公开了一种基于小波变换的智能肌电检测处理方法，包括以下步骤:获取肌体表面肌电信号；通过预设异常检测规则获取表面肌电信号内的异常突变信号的频率和产生时间以及结束时间；将频率和产生时间以及结束时间按照预设特征处理规则处理为特征数据后，发送肌肉健康评估模型，由肌肉健康评估模型判断肌体是否出现异常；肌肉健康评估模型为训练完成的深度学习模型，如此可以大幅度的提升肌肉健康检测的效率和精准度，更好的防止中老年人应为肌肉衰减不易察觉所导致的危险情况的发生。

本发明公开了一种基于小波变换与生成对抗网络的仿生信号处理方法，属于水声信号处理技术领域。本发明首先对海洋哺乳动物叫声进行小波分解得到小波分量；针对一维音频数据集设计并搭建仿生生成对抗网络；将第三级小波高频分量与调制信号输入仿生生成对抗网络中进行训练；训练好的编码器对小波分量进行信息嵌入，经过小波重构得到仿生信号，仿生信号经过海洋信道由接收器接收后进行小波分解，使用训练好的解码器解码出第三级小波高频分量中嵌入的调制信号。本发明实现了强隐蔽性的仿生信号处理，通过小波分解与重构提高了仿生信号的相似性，减少了仿生信号与原叫声在时频谱图上的差异。

本发明公开了一种基于小波变换的莫尔条纹信息提取方法，包括如下步骤：步骤1：对一级滤波下的莫尔条纹光场强度进行预处理，推导出莫尔条纹相位的表达式；步骤2：对莫尔条纹光强运用伽柏小波变换；步骤3：根据莫尔条纹光强表达式，采用伽柏小波滤波器对莫尔条纹图像滤波；步骤4：对莫尔条纹光强进行卷积，得到主幅角；将步骤1中的莫尔条纹相位与主幅角表达式联立，以获取伽柏小波变换方法提取的莫尔条纹相位；步骤5：用多重网格法对步骤4得到的莫尔条纹相位进行相位解包。本发明的一种基于小波变换的莫尔条纹信息提取方法，莫尔条纹相位信息整体上更加平滑，能够有效减少噪点数，轮廓更加清晰，高精度且操作简便。