1. IntroductionThe detection of pea

1. Introduction

The detection of peaks in signals is an important step in many signal processing applications. Up to now, many different methods have been developed, including those based on traditional window-threshold techniques [1–4], wavelet transform [5–13], Hilbert transform [14], combining Hilbert and wavelet transform [15], artificial neural networks [16,17], techniques using templates [18,19], morphology filtering [20–22], nonlinear filtering [23–26], Kalman filtering [27], Gabor filtering [28], Gaussian second derivative filtering [29], linear prediction analysis [30], higher-order statistics [31], K-Means clustering [32], fuzzy C-Means clustering [33], Empirical Mode Decomposition [34], hidden Markov models [35], and techniques using entropy [36], momentum [37], histogram/cumulative



distribution function [38], intensity weighted variance [39], stochastic resonance [40], or a smoothed nonlinear energy operator [41].

Kết quả (Việt) 1:

1. giới thiệuPhát hiện các đỉnh núi trong tín hiệu là một bước quan trọng trong nhiều tín hiệu xử lý ứng dụng. Đến nay, nhiều phương pháp khác nhau đã được phát triển, bao gồm những người dựa trên kỹ thuật truyền thống cửa sổ-ngưỡng [1-4], bề mặt biến đổi [5-13], biến đổi Hilbert [14], kết hợp các biến đổi Hilbert bề mặt [15], mạng nơ-ron nhân tạo [16,17], kỹ thuật bằng cách sử dụng mẫu [18,19], hình thái lọc [20-22], phi tuyến lọc [23-26], Kalman lọc [27], Gabor lọc [28], Gaussian thứ hai bắt nguồn từ lọc [29], phân tích dự đoán tuyến tính [30], cao thứ tự số liệu thống kê [31], K-có nghĩa là cụm [32], mờ C-có nghĩa là cụm [33], mô hình Markov thực nghiệm phân hủy chế độ [34], ẩn [35], và kỹ thuật sử dụng dữ liệu ngẫu nhiên [36], Đà [37], tích lũy/biểu đồ hàm phân phối [38], cường độ trọng phương sai [39], ngẫu nhiên cộng hưởng [40], hoặc một nhà điều hành smoothed năng lượng phi tuyến [41].

Kết quả (Việt) 2:

1. Giới thiệu Việc phát hiện các đỉnh núi trong tín hiệu là một bước quan trọng trong nhiều ứng dụng xử lý tín hiệu. Cho đến nay, nhiều phương pháp khác nhau đã được phát triển, bao gồm cả những người dựa trên các kỹ thuật truyền thống sổ ngưỡng [1-4], biến đổi wavelet [5-13], Hilbert biến [14], kết hợp Hilbert và biến đổi wavelet [15], nhân tạo mạng lưới thần kinh [16,17], kỹ thuật sử dụng các mẫu [18,19], hình thái lọc [20-22], lọc phi tuyến [23-26], lọc Kalman [27], Gabor lọc [28], Gaussian lọc hàm bậc hai [ 29], tuyến tính phân tích dự đoán [30], bậc cao thống kê [31], K-Means phân nhóm [32], mờ C-Means phân nhóm [33], theo kinh nghiệm Chế độ phân hủy [34], mô hình Markov ẩn [35], và kỹ thuật sử dụng entropy [36], đà [37], biểu đồ / tích lũy chức năng phân phối [38], cường độ trọng sai [39], cộng hưởng ngẫu nhiên [40], hoặc một nhà điều hành năng lượng phi tuyến vuốt [41].