เฉลี่ยเคลื่อนที่ เวฟ

การวิเคราะห์ข้อมูลโดยใช้แบบจำลอง MA และแบบเวฟเล็ตแบบอัจฉริยะเพื่อประเมินความดังของเสียงเพื่อปรับปรุงความถูกต้องของการพยากรณ์อากาศบทความนี้เป็น Akrami, SA El-Shafie, Naseri, M et al Neural Comput Applic 2014 25 1853 doi 10 1007 s00521-014-1675-0 การพยากรณ์อากาศและการประมาณขนาดของมันมีบทบาทใหญ่และมีนัยสำคัญในการจัดการน้ำและการคาดการณ์ปริมาณน้ำท่าวัตถุประสงค์หลักของบทความนี้คือเพื่อหาความสัมพันธ์ระหว่างชุดสายฝนที่เกิดจากการแปลงเวฟเล็ต WT และค่าเฉลี่ยเคลื่อนที่ MA ในลุ่มน้ำกลางแม่น้ำมาเลเซียเพื่อวัตถุประสงค์นี้ Haar และ Dmey WT ถูกนำมาใช้ในการแยกชุดของเวลาฝนตกออกเป็น 7, 10 ระดับความละเอียดที่แตกต่างกันตามลำดับตัวอย่างการศึกษากรณีตัวอย่างก่อนการประมวลผลแบบต่างๆ ได้แก่ 2-, 3-, 5-, , 15, 20, 25, และ 30 เดือนที่ได้รับการดำเนินการเพื่อค้นหาแนวโน้มในระยะยาวเมื่อเทียบกับระยะสั้น MA ข้อมูลและข้อมูลถูกรวบรวมจากเขื่อน Klang Gates ประเทศมาเลเซียระหว่างปีพ. ศ. 2540 ถึงปีพ. ศ. 2551 จากการศึกษาพบว่าค่าสัมประสิทธิ์สหสัมพันธ์ของสัมประสิทธิ์สหสัมพันธ์ (WT R) 2 และค่าความผิดพลาดของรากฟันยวดเฉลี่ยต่อตารางวา ประสิทธิภาพของแบบจำลองผลการวิจัยพบว่ามีความคล้ายคลึงกันระหว่างตัวกรอง MA และตัวกรองชุดย่อยของเวฟเล็ตประมาณเนื่องจากการกำจัดเสียงรบกวนนอกจากนี้ยังพบว่าความสัมพันธ์กับ MAs สามารถทำได้ผ่าน Dmey WT เมื่อเทียบกับ Haar wavelet สำหรับปริมาณน้ำฝน ข้อมูลนอกจากนี้สัญญาณที่สะอาดสามารถนำมาใช้เป็นตัวแบบเพื่อปรับปรุงสมรรถนะของโมเดลได้ดังนั้นเทคนิคการสลายตัวของสัญญาณเพื่อวัตถุประสงค์ในการประมวลผลข้อมูลอาจเป็นประโยชน์และอาจเหมาะสมสำหรับการขจัดข้อผิดพลาดค่าสัมประสิทธิ์การกระจายตัว Dmey wavelet Haar wavelet ค่าเฉลี่ยเคลื่อนที่ค่าพยากรณ์ความถูกต้องของการพยากรณ์อากาศ. Akrami SA, Nourani V, Hakim SJS 2014 การพัฒนาแบบจำลองไม่เชิงเส้นโดยใช้เวฟเล็ต ANFIS ในการคาดการณ์ปริมาณน้ำฝน g at ​​Dam Water Resour Manag 28 10 2999 3018 CrossRef Google Scholar. Cannas B, Fanni A, See L, Sias G 2006 การประมวลผลข้อมูลล่วงหน้าสำหรับการคาดการณ์การไหลของแม่น้ำโดยใช้การแปลงเวฟเล็ตเครือข่ายประสาทและการแบ่งข้อมูลข้อมูล Phys Chem Earth 31 1164 1171 CrossRef Google Scholar. Chang FJ, Chen L 1998 อัลกอริทึมเชิงพันธุกรรมที่มีการเข้ารหัสแบบ Real-based สำหรับการควบคุมน้ำท่วมตามกฎควบคุม Water Resour Manag 12 3 185 198 CrossRef Google Scholar. Chen GY, Bui TD, Krzyzak A 2009 การรู้จำรูปแบบ invariant โดยใช้ radon, dual-tree complex เวฟเล็ตและการแปลงฟูเรียร์ Pattern Recogn 42 2013 2019 CrossRef MATH Google Scholar. Chen RJC, Bloomfield P, Fu JS 2003 การประเมินวิธีการพยากรณ์ทางเลือกในการเยี่ยมชมเพื่อการพักผ่อนหย่อนใจ J leis Res 35 4 441 454 Google Scholar. Earth Observation Center, Universiti Kebangsaan Malaysia UKM , มาเลเซีย 2013.Fonseca ES, Guido RC, Scalassara PR 2007 การวิเคราะห์ความถี่เวฟเล็ตความถี่และเครื่องเวกเตอร์สนับสนุนกำลังสองอย่างน้อยที่สุดสำหรับการระบุความผิดปกติของเสียง Comput Biol Med 37 571 578 CrossRef Google Scholar. Fu Y, Serrai H 2011 การถ่ายภาพด้วยคลื่นวิทยุ MRSI โดยใช้การเข้ารหัสเวฟเล็ตและการถ่ายภาพแบบขนานในแบบหลอดทดลอง J Magn Reson 211 45 51 CrossRef Google Scholar. Genovese L, Videaud B, Ospici M, การวิเคราะห์โครงสร้างสเปกตรัมเอกพจน์และเครือข่ายประสาทเทียมสำหรับการคาดการณ์ลำดับอนุกรมกระบวนการทางประสาทวิทยา Lett 2 4 6 10 CrossRef Google Scholar. Maier HR, Dandy GC 2000 เครือข่ายประสาทเทียมเพื่อทำนายและคาดการณ์ตัวแปรแหล่งน้ำทบทวนประเด็นการสร้างแบบจำลองและการประยุกต์ใช้ Environ Model Softw 15 101 123 CrossRef Google Scholar. Mallat SG 1998 เวฟเล็ตทัวร์ของ การประมวลผลสัญญาณ Academic Press, San Diego MATH Google Scholar. Masset P 2008 การวิเคราะห์เวลาทางการเงินโดยใช้ Fourier and Wavelet Methods, University of Fribo สวิตเซอร์แลนด์คณะเศรษฐศาสตร์และสังคมศาสตร์ Newbold P, Carlson WL, Thorne BM 2003 สถิติสำหรับธุรกิจและเศรษฐศาสตร์รุ่นที่ห้า Prentice Hall, Upper Saddle River Google Scholar. Nourani V, Komasi M, Mano A 2009 วิธีการเวฟเล็ตแอน - เวฟเล็ตแบบหลายตัวแปร แบบจำลองการไหลเวียนของน้ำฝนและฝนตกน้ำแบบจำลอง Resur Managed 23 2877 2894 CrossRef Google Scholar. Partal T, Kisi O 2007 แบบจำลองเวฟเล็ตและแบบจำลองเฟลเลซร่วมกับการคาดการณ์การตกตะกอน J Hydrol 342 199 212 CrossRef Google Scholar. Rioul O, Vetterli M 1991 Wavelets and signal processing IEEE SP Magazine หน้า 14 38.Serrai H, Senhadji L 2005 การลดเวลาในการถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าโดยใช้การเข้ารหัสเวฟเล็ตแบบไม่ต่อเนื่อง J Magn Reson 177 22 30 CrossRef Google Scholar. Shafiekhah M, Moghaddam MP, Sheikh El Eslami MK 2011 การคาดการณ์ราคาของวัน - ตลาดพลังงานไฟฟ้าล่วงหน้าโดยใช้วิธีคาดการณ์แบบผสมผสาน Energy Convers Manag 52 2165 2169 CrossRef Google Scholar. Sifuzzaman M, Islamand MR, Ali MZ 2009 การใช้เวฟเล็ต การแปลงและความได้เปรียบของมันเมื่อเทียบกับการแปลงฟูเรียร์ J ฟิสิกส์ Sci 13 121 134 Google Scholar. Syed AR, Aqil B, Badar S 2010 พยากรณ์ปริมาณการใช้งานเครือข่ายโดยใช้ตัวกรองเวฟเล็ตและโมเดลเฉลี่ยถ่วงน้ำหนักตามฤดูกาลแบบอัตโนมัติ Int J Comput Electr Eng 2 6 1793 8163 Google Scholar. Wu CL, Chau KW, Li YS 2009 วิธีการปรับปรุงสมรรถนะของเครือข่ายประสาทในการพยากรณ์กระแสรายวัน J Hydrol 372 80 93 CrossRef Google Scholar. Yang X, Ren H, Li B 2008 ฝังตัวศูนย์ wavelets ที่เป็นศูนย์โดยใช้การจัดกลุ่มเลือนแบบอิมัลชันสำหรับภาพ การบีบอัดภาพ Vis Comput 26 812 819 CrossRef Google Scholar. Zhao X, Ye B 2010 การแปลงเวฟเล็ตแพ็กเก็ต Convolution และแอพพลิเคชันในการประมวลผลสัญญาณประมวลผลสัญญาณดิจิทัล 20 1352 1364 CrossRef ข้อมูล Google Scholar. Copyright แอ็พพลิเคชั่นการใช้งานคอมพิวเตอร์ธรรมชาติ 2014.Authors and AffiliationsSedited Ahmad Akrami. Email author. Ahmed El-Shafie. Mahdi Naseri. Celso AG Santos.1 ฝ่ายวิศวกรรมโยธาและโครงสร้าง Universiti Kebangsaan Malaysia UKM Bangi Malaysia.2 ภาควิชาวิศวกรรมโยธา University of Birjand Birjand Iran.3 ภาควิชาวิศวกรรมโยธาและสิ่งแวดล้อมมหาวิทยาลัยสหพันธ์ Paraba Joo Pessoa บราซิลเกี่ยวกับบทความนี้ใช้แบบจำลองเฉลี่ยเคลื่อนที่และการสลายตัวเวฟเล็ตแบบสเตรทสำหรับกรณีศึกษาการตรวจจับเหตุการณ์โดยอัตโนมัติของทางด่วนโตเกียว Liu Qinghua 1 2.Edward Chung 3 Liujia Zhai 1.1 โรงเรียนวิทยาศาสตร์และวิศวกรรมคอมพิวเตอร์ Jiangsu University of Science and Technology, Zhenjiang, Jiangsu, China.2 โรงเรียนวิศวกรรมขนส่งมหาวิทยาลัย Tongji เซี่ยงไฮ้ประเทศจีน 3 ศูนย์วิจัยการขนส่งสมาร์ทมหาวิทยาลัยเทคโนโลยีควีนส์แลนด์บริสเบนรัฐควีนส์แลนด์ , Australia. Available online 24 February 2015. ความแออัดของการจราจรเป็นปัญหาที่เพิ่มมากขึ้นในเขตเมืองทั่วประเทศ โลกการขนส่งได้รับการศึกษาเกี่ยวกับระบบการขนส่งอัจฉริยะแบบเต็มรูปแบบเพื่อการตรวจจับโดยอัตโนมัติการทำงานของการตรวจจับเหตุการณ์บนทางพิเศษโดยอัตโนมัติเป็นจุดประสงค์หลักของระบบการจัดการจราจรขั้นสูงเพื่อช่วยชีวิตผู้ป่วยและป้องกันเหตุการณ์ที่เกิดขึ้นซ้ำ การตรวจสอบเป็นสิ่งจำเป็นบทความนี้นำเสนอวิธีการที่รวมโมเดล MA moving average กับการสลายตัวเวฟเล็ตแบบสเตราะร์สำหรับการตรวจจับเหตุการณ์โดยอัตโนมัติซึ่งพารามิเตอร์ของค่าสัมประสิทธิ์ชั้นจะถูกแยกออกจากความแตกต่างระหว่างการครอบครองขั้นต้นและปลายน้ำซึ่งแตกต่างจากวิธีเวฟเล็ตอื่น ๆ ที่นำเสนอก่อน จะราบเรียบข้อมูลดิบด้วยโมเดล MA จากนั้นใช้เวเฟอร์แบบสแตติกเพื่อสลายตัวซึ่งสามารถสร้างการสร้างสัญญาณใหม่ได้อย่างถูกต้องและไม่เปลี่ยนค่าสัมประสิทธิ์การรับส่งสัญญาณดังนั้นจึงสามารถตรวจจับเหตุการณ์ได้แม่นยำยิ่งขึ้น ปรับตาม t สภาพการจราจรตามปกติมีความแออัดวิธีการตรวจสอบความถูกต้องของข้อมูลจากข้อมูลจริงจากเครื่องวัดอัลตราโซนิกทางด่วนโตเกียวการทดลองแสดงให้เห็นว่ามีความถูกต้องและมีประสิทธิภาพและสามารถแยกความแตกต่างของอุบัติเหตุจากอุบัติเหตุอื่น ๆ ได้เช่นอุบัติเหตุจราจรที่เกิดขึ้นประจำ การสลายตัวของเวฟเล็ตแบบสโตรเจน 1. ความรู้เบื้องต้นความแออัดจราจรเป็นปัญหาที่เพิ่มมากขึ้นในเขตเมืองทั่วโลกฮันเอตแอล 2007 วิเคราะห์ว่าปัญหาความแออัดมากเกิดจากเหตุการณ์ซึ่งหมายถึงเหตุการณ์ที่ไม่เกิดซ้ำเช่นอุบัติเหตุ, เศษเล็กเศษน้อยกระจัดกระจายโหลดสภาพอากาศแปรปรวนการบำรุงรักษาชั่วคราวและกิจกรรมการก่อสร้างตลอดจนเหตุการณ์ที่ผิดปกติหรือพิเศษอื่น ๆ ที่ขัดขวางการไหลปกติของการจราจรในระหว่างเหตุการณ์ความจุปกติของถนนถูก จำกัด และคิวและความล่าช้ามัก เกิดขึ้นทุกปีอุบัติเหตุทางด่วนและสิ่งกีดขวางส่งผลให้เกิดการจราจรติดขัดมลภาวะต่อสิ่งแวดล้อม การบาดเจ็บที่บุคคลและการเสียชีวิตการตรวจสอบเหตุการณ์ที่เกิดขึ้นอย่างถูกต้องและรวดเร็วเป็นสิ่งสำคัญต่อการตอบสนองต่อเหตุฉุกเฉินดังกล่าวเพื่อช่วยชีวิตผู้ป่วยป้องกันเหตุการณ์ทุติยภูมิและฟื้นฟูการดำเนินงานตามปกติได้ทันเวลาการศึกษาของชาร์ลส์ 2007 เปิดเผยว่าการเพิ่มขึ้น การมีส่วนร่วมของเหตุการณ์ความแออัดทางด่วนและปัญหาอื่น ๆ ได้สร้างความสนใจอย่างมากในการพัฒนาวิธีการตรวจจับเหตุการณ์โดยอัตโนมัติที่มีประสิทธิภาพและประสิทธิผลในช่วงไม่กี่ทศวรรษที่ผ่านมาปัจจุบันการทำงานของ AID บนทางพิเศษเป็นเป้าหมายหลักของระบบการจัดการจราจรขั้นสูง ATMS ซึ่ง เป็นส่วนประกอบสำคัญของระบบการขนส่งอัจฉริยะของประเทศ ITS วัตถุประสงค์ของเอกสารฉบับนี้คือเพื่อเสนอและตรวจสอบวิธีการในการตรวจสอบเหตุการณ์ที่เกิดขึ้นบนทางหลวงแบบหลอมรวมของทางด่วนและการสลายตัวของเวฟเล็ตแบบสแตนด์อะโลนข้อมูลที่ได้รับมาจากเครื่องตรวจจับล้ำเสียงทางด่วนโตเกียวในเขตข้อมูล ข้อมูลมีบางข้อมูลหายไปเกิดจาก comm การแก้ปัญหาความล่าช้าเช่นเดียวกับคลื่นกระแทกซึ่งอาจก่อให้เกิดสัญญาณเตือนผิดพลาดดังนั้นวิธีการที่พัฒนาขึ้นควรมีประสิทธิภาพพร้อมกับเสียงเหล่านี้ประกอบด้วยข้อมูลจริงในการแก้ปัญหานี้รูปแบบ MA จะใช้เพื่อทำให้ข้อมูลดิบเรียบก่อนจากนั้นจึงใช้การสลายตัวเวฟเล็ตในความเร็ว และการครอบครองข้อมูลการจราจรถนนการไหลภายใต้สถานการณ์ปกติมีความเฉื่อยบาง แต่เมื่อเหตุการณ์เกิดขึ้นสถานะการไหลของการจราจรเปลี่ยนแปลงและสะท้อนให้เห็นถึงประสิทธิภาพของพารามิเตอร์การจราจรการวิเคราะห์เวฟเล็ตมีประสิทธิภาพดีความถี่เหมาะและลักษณะเฉพาะในการวิเคราะห์ข้อมูลชั่วคราว ซึ่งแตกต่างจากวิธีเวฟเล็ตที่ใช้ก่อนหน้านี้ในบทความนี้มีการใช้การสลายตัวของเวฟเล็ตแบบสเตียเรอร์ซึ่งค่าสัมประสิทธิ์การถ่ายโอนของสัญญาณไม่เปลี่ยนและสามารถตรวจจับเวลาของเหตุการณ์ได้แม่นยำขึ้นวิธีการที่เสนอจะผ่านการทดสอบด้วยเซ็นเซอร์การจราจรทางด่วนโตเกียวเมโทรโพล ข้อมูลนี้จัดทำขึ้นตามหมวด 2 ให้ทบทวนวรรณกรรมสำหรับ i ncident detection algorithms ส่วนที่ 3 นำเสนอการแปลงเวฟเล็ตแบบไม่ต่อเนื่องและการแปลงเวฟเล็ตแบบคงที่ข้อมูลเกี่ยวกับการตรวจจับด้วยคลื่นเสียงความถี่สูงของทางพิเศษกรุงโตเกียวที่ใช้ในการศึกษาครั้งนี้ได้ถูกนำมาใช้ในหัวข้อที่ 4 จากนั้นวิธีการ AID ที่เสนอสำหรับทางพิเศษได้อธิบายไว้ในหัวข้อ 5 ตามด้วยการทดสอบและ ผลการตรวจสอบความถูกต้องด้วยข้อมูลภาคสนามในหัวข้อ 6 บทสรุปและการอภิปรายในหัวข้อ 7.2 การทบทวนวรรณกรรมนับตั้งแต่ปี 1970 ได้มีการค้นพบระบบการตรวจจับเหตุการณ์โดยอัตโนมัติ Cook and Cleveland, 1974 Bowers et al 1995 Dia and Rose, 1997 Cheu และคณะ 2004 Crabtree and Stamatiadis, 2007 Jeong et al 2011 และ Kadali et al 2014 ระบบ AID ประกอบด้วยสองส่วนหลักคือเทคโนโลยีการตรวจจับและขั้นตอนการตรวจจับเหตุการณ์เทคโนโลยีการตรวจจับการจราจรให้ข้อมูลการจราจรที่จำเป็นสำหรับการตรวจจับเหตุการณ์ขณะที่ขั้นตอนการตรวจจับเหตุการณ์ ตีความข้อมูลนั้นและยืนยันการปรากฏตัว ผลการปฏิบัติงานของระบบ AID ได้รับการประเมินจากหลักเกณฑ์หลัก 3 ข้อคือ Chung and Rosalion, 1999 และ Jiang และคณะ 2001.2 1 เกณฑ์การประเมินผลการปฏิบัติงานพารามิเตอร์ต่างๆ ได้แก่ อัตราการตรวจจับ DR อัตราการเตือนภัย FAR และเวลาเฉลี่ยในการตรวจจับ MTTD DR คืออัตราส่วนของจำนวนเหตุการณ์ที่ตรวจพบกับจำนวนเหตุการณ์ที่เกิดขึ้นในชุดข้อมูลซึ่งคิดเป็นเปอร์เซ็นต์อัลกอริทึมตรวจสอบการเกิดอุบัติเหตุในทุกช่วงเวลาที่ไม่ต่อเนื่องเช่น 20 s, 30 วินาทีและ 1 นาที FAR คืออัตราส่วน ช่วงการตรวจจับที่ไม่ถูกต้องกับจำนวนครั้งทั้งหมดที่มีการใช้อัลกอริทึมโดยปกติจะแสดงเป็นเปอร์เซ็นต์ต่อส่วนระหว่างสถานีตรวจจับต้นน้ำและปลายน้ำ FAR N f N t 100. โดยที่ N f คือจำนวนช่วงการตรวจจับที่ไม่ถูกต้อง N t คือจำนวนครั้งทั้งหมดที่ใช้อัลกอริธึมระยะเวลาในการตรวจจับคือเวลาที่แตกต่างกันระหว่างเวลาที่เหตุการณ์ถูกตรวจพบโดยอัลกอริทึมและเวลาที่เกิดเหตุการณ์ occu MTTD เป็นเวลาเฉลี่ยในการตรวจจับมากกว่า n เหตุการณ์ 2 เทคโนโลยีการตรวจจับจำนวนเทคโนโลยีที่มีอยู่สำหรับการจัดการการจราจรที่ใช้ในการตรวจสอบเหตุการณ์เทคโนโลยีเหล่านี้รวมถึงเครื่องตรวจจับลูปอุปาทานใช้แม่เหล็กหรือลูปอุปนัยฝังตัวอยู่ในทางเท้าไป ตรวจจับการมีอยู่ของยานพาหนะเรดาร์ไมโครเวฟเครื่องตรวจจับที่พบมากที่สุดอินฟราเรดการตรวจจับด้วยคลื่นความถี่วิทยุเครื่องตรวจจับที่ไม่ล่วงล้ำติดตั้งอยู่บนโครงสร้างเหนือถนนไมโครเวฟสามารถทำงานได้ดีในทุกสภาพอากาศขณะที่คนอื่น ๆ มีความไวต่อผลกระทบด้านสิ่งแวดล้อมภาพการตรวจจับภาพวิดีโอ จากกล้องมีความอ่อนไหวต่อแสงและมีราคาแพง แต่ค่าใช้จ่ายจะลดลงรถ probes, Li และ McDonald 2005 อธิบายว่าการติดตั้งป้ายค่าผ่านทางอิเล็กทรอนิกส์ในสัดส่วนที่เพิ่มขึ้นของยานพาหนะรถให้โอกาสในการใช้ยานสำรวจเป็นเซ็นเซอร์เพื่อวัดความเร็ว และเวลาในการเดินทางเทคโนโลยีการจดจำหมายเลขแผ่นอัตโนมัติสามารถใช้งานได้หรือเลือกใช้ mobi le ตำแหน่งโทรศัพท์คล้ายกับแนวความคิดในการตรวจสอบยานพาหนะ แต่ใช้ triangulation เพื่อตรวจสอบความเร็วในการเดินทางของยานพาหนะดังนั้นจึงสามารถตรวจจับเหตุการณ์ได้ Cheu et al 2002. ตามที่รายงานก่อนเครื่องตรวจจับแบบอุปนัยที่ฝังอยู่ในทางเท้ามักใช้เพื่อรับข้อมูลการจราจร ข้อมูลประกอบด้วยความเร็วการไหลและอัตราการเข้าพักและโดยทั่วไปจะให้ในรอบ 20 วินาทีข้อมูลประเภทนี้จะเป็นแบบอินพุทสำหรับอัลกอริธึมการตรวจจับเหตุการณ์ซึ่งจะเพิ่มธงเพื่อบ่งบอกถึงเหตุการณ์ที่เกิดขึ้น 2 3 ขั้นตอนวิธีการตรวจจับเหตุการณ์ งานวิจัยและพัฒนาได้มุ่งเน้นไปที่อัลกอริธึมการตรวจจับเหตุการณ์โดยอัตโนมัติอัลกอริทึม AID เหล่านี้สามารถจำแนกได้เป็นหมวดหมู่ต่อไปนี้ ขั้นตอนวิธีอัลกอริทึมอัลกอริทึมเปรียบเทียบขั้นตอนวิธีการเข้าชมปัจจุบันเช่นปริมาตรและอัตราการเข้าพักกับเกณฑ์ที่กำหนดไว้ล่วงหน้าและตัดสินใจว่าเหตุการณ์จะเกิดขึ้นหรือไม่ตัวอย่างขั้นตอนวิธีการเปรียบเทียบ ได้แก่ อัลกอริธึมแคลิฟอร์เนียอัลกอริทึมแคลิฟอร์เนีย 7 อัลกอริทึมแคลิฟอร์เนีย 8 และรูปแบบอื่น ๆ อัลกอริทึมการรับรู้แบบเรียลไทม์วิธีการตรวจจับ QRS โดยอิงจากค่าเฉลี่ยเคลื่อนที่ที่รวมกับ denoising เวฟเล็ต Seni-Wen Chen a. Hsiao-Chen Chen a. Hsiao-Lung Chan ba ภาควิชาวิศวกรรมอิเล็กทรอนิกส์ Chang Gung University, Kwei-Shan, มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือมหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือมหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือมหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ - นอกจากนี้สำหรับการประมวลผลสัญญาณล่วงหน้าอัลกอริธึมการตรวจจับของเรายังประกอบด้วยเวฟเล็ต - เบส ed denoising เพื่อลดระดับเสียงสำหรับข้อมูลคลื่นไฟฟ้าหัวใจ ECG โครงสร้างการคำนวณโดยรวมของอัลกอริธึมที่เสนอจะช่วยให้การตรวจจับ QRS สามารถทำได้และดำเนินการได้แบบเรียลไทม์ด้วยประสิทธิภาพที่สูงและประสิทธิภาพหน่วยความจำได้รับการประเมินเทียบกับ MIT - BIH Arrhythmia Database ผลการทดลองที่ได้จากการคำนวณพบว่าอัลกอริธึมขั้นสูงสามารถตรวจพบอัตราการตรวจจับได้ถึง 99 5 สำหรับฐานข้อมูลมาตรฐานและยังสามารถทำงานได้อย่างน่าเชื่อถือแม้ว่าจะอยู่ภายใต้สภาวะของสัญญาณที่มีคุณภาพต่ำในข้อมูล ECG ที่วัดได้ Electrocardiogram ECG. Moving ค่าเฉลี่ยการตรวจสอบ QRS การแยกย้ายกันไป 1 รูปที่ 2 รูปที่ 3 รูปที่ 4 รูปที่ 5 ผู้เขียนที่สอดคล้องกัน Tel 886 3 2118800x5792 fax 886 3 2118507