相位匹配噪声估计的高阶谱去噪方法

大多数去噪方法只能对高斯噪声或某一类有色噪声进行去噪处理.提出一种新的相位匹配噪声估计的高阶谱去噪方法.利用该方法既可以去除高斯噪声又可以去除非高斯噪声,通过高阶谱和相位匹配实时的逼近当前噪声,建立二次去除噪声方法,通过实验证明该方法能够非常明显的去除高斯与非高斯噪声,在无法分出噪声的种类情况下进行信号的去噪,取得非常好的去噪效果.     

混合鲁棒权重和改进方法噪声的两级非局部均值去噪

传统非局部均值去噪算法采用指数型函数计算相似性权重,不能准确反映图像块之间的相似性;现有两级非局部均值去噪算法对方法噪声的获取以及方法噪声中所含信息的利用不够充分。针对上述问题,提出一种混合鲁棒权重和改进方法噪声的两级非局部均值去噪算法。首先采用一种改进的混合鲁棒权重函数来计算图像块的相似性权重;再利用预去噪后的图像构造新的方法噪声,并与两级去噪框架相结合;最后将提出的混合鲁棒权重函数和改进的方法噪声应用到两级非局部均值去噪方法中。实验结果表明,该算法既能准确地反映图像块之间的相似性,也能充分利用方法噪声的信息,且在去噪性能与结构细节保持能力方面均优于传统算法。     

基于CEEMDAN和小波熵的心音信号去噪算法研究

针对传统心音去噪算法可能丢失部分重要心音信息问题，提出了一种自适应噪声完备经验模态分解(CEEMDAN)和小波熵结合的心音信号去噪算法。算法通过CEEMDAN将心音信号自适应分解成多个本征模态函数(IMFs),基于各阶本征模态的能量分析判别信噪分界点，对含噪IMF分量采用小波熵自适应阈值去噪后，与信号IMF分量重构，得到去噪后的心音信号。仿真结果显示，在不同信噪比条件下，上述算法均能明显提高心音信号的信噪比，降低均方根误差，优于其它传统去噪算法，具有良好地抑制噪声能力。     

基于空洞卷积神经网络的噪声水平可调的高斯去噪方法

基于深度学习的图像去噪方法在使用空洞卷积神经网络时,去噪后的图像容易在尖锐边缘生成伪像,并且为了处理不同的噪声水平,需要训练多个特定的去噪模型.对此文中提出基于空洞卷积神经网络的噪声水平可调的高斯去噪方法.加入噪声水平图,实现噪声水平可调性,并使用改善的空洞卷积及可逆的下采样技术,缓解由于传统空洞卷积带来的图像尖锐边缘的伪成像问题.将下采样的子图与相应的噪声水平图都输入到非线性映射模型中,并使用改善后的减小空洞率的神经网络进行训练.实验表明,文中方法在获得GPU加速的同时具有调节噪声水平的能力,能够改善尖锐边缘的伪像问题,保留更多图像细节     

基于自监督约束的双尺度真实图像盲去噪算法

现存的图像去噪算法在处理加性高斯白噪声上已经取得令人满意的效果,然而其在未知噪声强度的真实噪声图像上泛化性能较差.鉴于深度卷积神经网络极大地促进了图像盲去噪技术的发展,针对真实噪声图像提出一种基于自监督约束的双尺度真实图像盲去噪算法.首先,所提算法借助小尺度网络分支得到的初步去噪结果为大尺度分支的图像去噪提供额外的有用信息,以帮助后者实现良好的去噪效果.其次,用于去噪的网络模型由噪声估计子网络和图像非盲去噪子网络构成,其中噪声估计子网络用于预测输入图像的噪声强度,非盲去噪子网络则在所预测的噪声强度指导下进行图像去噪.鉴于真实噪声图像通常缺少对应的清晰图像作为标签,提出了一种基于全变分先验的边缘保持自监督约束和一个基于图像背景一致性的背景自监督约束,前者可通过调节平滑参数将网络泛化到不同的真实噪声数据集上并取得良好的无监督去噪效果,后者则可借助多尺度高斯模糊图像之间的差异信息辅助双尺度网络完成去噪.此外,还提出一种新颖的结构相似性注意力机制,用于引导网络关注图像中微小的结构细节,以便复原出纹理细节更加清晰的真实去噪图像.相关实验结果表明在SIDD,DND和Nam这3个真实基准数据集上,所提的基于自监督的双尺度盲去噪算法无论在视觉效果上还是在量化指标上均优于多种有监督图像去噪方法,且泛化性能也得到了较为明显的提升.     

基于多级去噪模型的路面裂缝检测方法

为了去除路面裂缝检测中的各种噪声,在分析对比了目前常用去噪模型优缺点的基础上,根据路面图像中的噪声及裂缝信息的特点,结合已有去噪算法的优点,提出了一种新的基于路面裂缝检测的多级去噪模型。整个去噪模型包括灰度去噪模型、空间滤波去噪模型、裂缝特征去噪模型与几何特征去噪模型。实验结果表明,该模型在路面图像的去噪、裂缝信息提取等方面有较大改进。     

信号相位匹配噪声估计的小波去噪方法

多数小波阈值去噪方法需要根据噪声方差来计算相应的阈值,所以噪声方差的估计将直接影响阈值去噪的效果.提出了一种新的相位匹配的噪声方差估计方法,利用该方法实时地逼近当前噪声,建立新的噪声的阈值求取方法.通过实验证明该方法能够大幅度提高信噪比,可以取得非常好的去噪效果.     

支持向量学习机在点云去噪中的应用

在解决非线性、高维模式识别以及小样本等问题中,支持向量机表现出许多独有的优势.提出将支持向量机学习分类方法应用于点云去噪中,能够稳定地进行机器学习,训练得到判别模型,快速、准确地识别出噪声点与非噪声点.通过对小样本数据的统计学习,能够推广到大规模数据中去进行结果的预测估计.用SVM对点云数据样本进行学习训练、测试,识别分类,从而达到去噪光顺的目的.实验表明,此方法在有效去除噪声的同时能较完整地保留点云数据信息.     

基于边缘检测的图象小波阈值去噪方法

边缘特征是图象最为有用的高频信息，因此，在图象去噪的同时，尽量保留图象的边缘特征，应是图象去噪首要顾及的问题。基于这一思想，提出了基于边缘检测的图象小波阈值去噪方法。该方法在去噪之前，先通过小波边缘检测方法确定哪些小波系数是图象的边缘特征，这些小波系数将不受阈值去噪的影响，因此，可以只是根据噪声方差来设置去噪的阈值，而不必担心损害图象的边缘特征。理论分析和实验结果都表明，与普通的小波阈值去噪方法相比，该方法不但可以保持图象的边缘信息，而且能提高去噪后图象的峰值信噪比1-2dB。要做到既去除图象噪声，又不模糊图象边缘特征是很困难的。该方法把去噪和边缘检测结合起来，在一定程度上解决了这种两难的问题。     

一种基于边缘检测的改进的中值滤波去噪方法

中值滤波是一种去除椒盐噪声的有效算法,在现实生活中应用相当广泛。传统的中值滤波在去噪的同时很容易丢失图像的边缘信息。本文提出一种基于边缘检测的改进的中值滤波去噪算法。它先将含噪图像的边缘信息检测出来,然后将边缘信息保存下来,再对原含噪图像用中值滤波进行图像去噪,然后对于保存下来的边缘信息用小模板进行去噪,再用该小模板去噪后的边缘信息区替换中值滤波后的边缘信息。最后通过实验验证,此去噪算法可以在去噪的同时更好地保护图像的边缘信息。     

半P-集合(XF,X)与噪声数据剔除-应用

半P-集合(half packet sets)是由内P-集合XF (internal packet set XF)与有限普通集合X构成的集合对,或者(XF,X)是半P-集合,它具有内一动态特性。为了剔除噪声数据,获得目标数据,利用半P-集合提出了基于属性补充的递推一别除噪声数据的方法。提出了噪声数据、噪声数据集成与F-数据核概念;给出了噪声数据与F-数据生成的递推方法与递推结构、噪声数据集成与F-数据核关系定理、F-数据依赖与辫识定理、噪声数据递推-剔除定理、噪声数据辨识准则与噪声数据递推-剔除准则,以及噪声数据递推-剔除应用。半P-集合是P-集合理论与应用的一个新的研究分支,是研究具有内一动态信息系统的一个新的数学方法。     

基于小波域的图像噪声估计新方法

提出一种基于小波域区域分割的估计图像噪声的新疗法。该方法利用图像的小波高频系数，在提出图像平滑区域的基础上，准确地估计图像高斯噪声的标准方差、由于考虑了图像的局部信息，因此该方法优于传统的估计方法。用于多幅实验图像的结果表明：在图像受噪声比较小或图像含高频信息较丰富时，该方法比传统疗法更准确。     

基带通信中常见噪声的产生方法研究

通常的实验环境中,对数字基带信号的研究是要加入一定的模拟噪声来测量各种参数的。实际中的噪声多种多样,有最简单的均匀白噪声,高斯白噪声,突发随机脉冲噪声以及其他各种分布的随机噪声。通过吸纳或改进传统的产生方法,本文从理论和工程上都给出了产生这些类型噪声的方法,并进一步结合ISA总线设计了基于双RAM的噪声动态产生系统     

车牌去噪技术研究

对车牌识别中的背景噪声、边框和铆钉干扰，字符内噪声等提出了行之有效的去除方法，背景噪声去除方法包含了颜色增强，杂色抑制的思想，通过简单的投影分析即可以消除绝大部分的噪声，介绍了利用边框，铆钉与字符的跳变特征和汉字字符自身特征去除边框和铆钉的应用，该方法去噪高效快捷，误切率极底，正确去除率可达98%以上。     

基于ODR和BSMOTE 结合的不均衡数据SVM分类算法

针对传统的支持向量机（SVM）算法在数据不均衡的情况下分类效果不理想的缺陷,为了提高SVM算法在不均衡数据集下的分类性能,提出一种新型的逐级优化递减欠采样算法.该算法去除样本中大量重叠的冗余和噪声样本,使得在减少数据的同时保留更多的有用信息,并且与边界人工少数类过采样算法相结合实现训练样本数据集的均衡.实验表明,该算法不但能有效提高SVM算法在不均衡数据中少数类的分类性能,而且总体分类性能也有所提高.     

一种噪声优化的900MHz低噪声放大器设计

设计了一种900MHz的低噪声放大器,采用新的优化方法,同时获得了功率匹配和噪声匹配,在工作电流3．4mA时,得到了0．2dB的噪声系数,20dB的增益以及良好的隔离度和线性度。     

Stability and dimensionality of Karhunen-Loêve multispectral image expansions

The Karhunen-Loêve (K.L.) expansion is a useful tool for the representation, pre-processing and orthogonal coding of multispectral imagery: Each spatial pixel is analysed independently as the K.L. transform is taken in the spectral dimension, i.e. along the various N spectral channels. The eigenvectors are those of the covariance matrix. The (principal) eigenimages are thus “false color” images, which can be viewed without decoding as the spatial topology is unchanged, and the higher order principal images present a strong contrast enhancement.⁽¹⁾ These principal images are also uncorrelated, a very desirable feature for many applications including clustering.⁽²⁾

The source dependency of the eigenvectors, however, introduces “instability” in the form of pronounced statistical noise on some principal images. This paper gives the results of a numerical study carried out on a 7 channel Daedalus Multispectral Scene. The uncertainties of the eigenvalues and eigenvectors are evaluated from two “drawings” of the pixels of the raw data.

Both the numerical results of the study and the direct viewing of the principal images show that three out of the seven have so much noise that they do not yield any useful information. Only the first two principal images have excellent stability, and they contain most of the total contrast variance of the scene. Two other principal images of lower order are also stable, but, contribute very little to the total contrast variance. These images carry texture information rather than homogeneous zone clustering information.     

Comparison of fault detection techniques

Haar Wave-Net (HWN) and Projection Pursuit Regression (PPR) are two useful modeling tools for pattern classification. In this study, the two methodologies are compared with respect to the problem of misclassification close to class boundaries with sparse training data. A variety of examples were specifically tailored to elucidate their respective properties. It is observed that PPR locates the class boundaries at the midline of two classes of training data, which is a logical choice for the class boundary location, in the absence of sufficient information. For HWN, both the initial positioning of receptive fields and the density of training data near the class boundary may have great impact on the definition of the class boundary. Additionally, PPR and HWN are also compared to the Backpropagation Network (BPN), a standard technique for fault detection, with respect to their sensitivity to noise. The orthonormal and localized properties of the Haar basis functions enable a HWN to limit the noise effect within its local receptive fields. BPN propagates the noise effect throughout the input space. PPR provides a good tradeoff between reasonable generalization and noise localization. The fault diagnosis problem is investigated in a CSTR process, at both steady state and dynamic conditions. It is found that, for the dynamic case, the misclassification close to the class boundary is often due to lack of system observability.     

Geo-referenced flight path estimation based on spatio-temporal information extracted from aircraft take-off noise

The closer proximity between airports and residential areas has created a growing attention regarding noise pollution. The noise abatement procedures established by the aeronautical authorities and the models for computing noise contours around airports are proof of that. There are also models for identifying aircraft taking off which have focused on the correlation between the aircraft position and the noise signal. However, this correlation has been made so far without spatial information. The present study proposes a method to estimate the geo-referenced flight path followed by an aircraft taking off, using the spatio-temporal information extracted from the noise signal and improved with a smoothing algorithm. A microphone array with twelve sensors is used in order to evaluate different sensor spacings and the spatial aliasing effect when working with take-off noise signals. The flight path estimation method assumes that the aircraft is following a ground track collinear to the runway and was compared against radar information and Automatic Dependent Surveillance-Broadcast (ADS-B) data. The average method accuracy was between 3 and 6 meters. The estimated flight path has a ground length of about two kilometers, including locations at least one kilometer apart from the measurement point.