针对单通道超声检测回波信号易受到噪声信号的影响导致缺陷诊断精度低的问题,提出基于集合经验模态分解(EEMD)和快速独立成分分析(Fast ICA)的单通道超声回波信号盲源分离方法(EEMD-Fast ICA)。首先应用EEMD算法对回波信号进行自适应分解,得到多个不同尺度的固有模态函数(IMF)分量,利用主成分分析(PCA)预估源信号的数目,通过相关系数法筛选出相应的IMF分量进行重构,并将重构信号与原始采集信号组合构成新的多维观测信号,解决了原始采集信号盲源分离中存在的欠定问题,然后进行快速独立成分分析(Fast ICA)运算,实现了单通道超声检测信号的噪声分离。实验结果表明EEMD-Fast ICA方法能对采集超声回波信号进行有效的降噪处理,并且能保护真实信号的频域特征信息。

为实现复杂光照及存在遮挡和污损等情况下车牌识别，提出基于隐马尔可夫特征降维和改进概率神经网络的车牌字符快速精确识别算法，算法通过非负矩阵分解对描述字符特征的高维隐马尔可夫特征进行降维，以消除高维特征矩阵信息冗余并提高特征描述准确性，通过择取代表性样本参与PNN训练，以提高算法的分类精确性，减少硬件性能需求。对比实验结果表明，算法在保持原有统计特征分类识别性能的条件下，显著减少了运行时间，提高了识别准确率。