基于镜像阈值分解的层叠滤波器优化

层叠滤波器的优化设计是层叠滤波理论研究中最为关键的问题.阈值分解是层叠滤波器的特性之一,它有传统阈值分解和镜像阈值分解2种形式,镜像阈值分解定义的层叠滤波器不仅具有低通滤波的特性,还具有带通和高通的特性.文中在MAE准则下,提出一种基于镜像阈值分解的快速自适应层叠滤波器优化算法,该算法在迭代过程中约束代价向量的层叠性并判断其收敛性,最终获得最优层叠滤波器的正布尔函数.通过仿真实验验证最优层叠滤波器的性能.结果表明该算法设计的层叠滤波器具有良好的细节保持能力和去噪声能力,有效地改善了滤波性能.     

基于克隆选择算法的层叠滤波器的优化设计

层叠滤波器是一种非线性数字滤波器，具有良好的去除噪声能力和图像细节保持能力，近年来成为研究的热点问题之一．层叠滤波器设计的核心实际上是一个正布尔函数的优化问题，在MAE准则下，提出了一种基于克隆选择算法的层叠滤波器的优化方法．仿真实验结果表明，基于这种克隆选择算法的最优层叠滤波器不仅在滤波效果上好于基于遗传算法和基于粒子群算法的最优层叠滤波器，而且可以快速实现其优化过程，在较短时间内得到较好的效果，是一种有效的层叠滤波器的优化算法．     

基于自适应整体退火遗传算法层叠滤波器的优化设计

层叠滤波器是基于信号阈值分解而发展起来的一种具有层叠性和阈值性的新型非线性数字滤波器.层叠滤波器的优化设计过程实际上就是对正布尔函数不断调整、逐步适应图像环境的优化学习过程.原有遗传算法优化的层叠滤波器易陷于局部最优化,文中鉴于这一点,将退火因子引入到选择算子中,并根据每代优化个体的不同,自适应的选取交叉概率和变异概率,提出一种自适应整体退火遗传算法(AWAGA)优化层叠滤波器,并研究在MSE准则下优化算法的性能.仿真结果表明用AWAGA优化的层叠滤波器在处理噪声图像时,能有效地去除噪声和保持图像细节.     

机器人力／位传感器ⅡR数字滤波器的优化设计

数字滤波器的设计无论是传统的频率变换法，还是优化设计的方法，都需要了解和掌握一些基本的数字信号处理方面的专业知识．为了让数字滤波器的设计摆脱这些信号处理专业知识的限制，提出了一种数字滤波器参数的优化设计方法．该方法只需了解ⅡR数字滤波器的基本结构，明确传感器信号的频率范围，就可以用一种智能优化算法对滤波器参数进行优化．在Matlab环境下开发了粒子群优化算法的程序并进行了仿真试验，试验结果证明了该方法的有效性．     

基于判别式字典的正则化稀疏表示人脸识别算法

为了克服非约束性(光照、表情变化)条件下会大大降低人脸识别率的缺陷,提出一种基于Fisher判别准则的正则化稀疏表示人脸识别算法.首先将人脸图像经过Gabor滤波器滤波得到Gabor幅值图像,提取其统一化的局部二进制直方图,然后利用Fisher判别准则学习得到新的字典,最后通过正则化的稀疏表示判断测试图像所属类.利用AR数据库的数据进行实验的结果表明,与SRC、FDDL、RSC识别算法相比,本文算法在非约束性条件下具有最佳的识别率.     

基于卷积神经网络的多尺度融合特征图在人群密度估计中的应用

提出了一种以Unet++为基础的卷积神经网络,适用于人群密度估计。该网络的优点是用并行连接的方式进行多尺度融合结合浅层网络的细节信息和深层网络的高阶语义信息来消除两者之间过大的语义鸿沟。此外,还引入了膨胀卷积来提高网络性能。在Shanghai Tech和UCF_CC_50两个通用人群密度估计数据集上进行实验选取平均绝对误差(MAE)和均方误差(MSE)作为评价指标。实验结果表明在这两个数据集上该网络均有效降低了MAE和MSE,说明其在人群密度估计方面有较好的准确度和鲁棒性。     

基于粒子群算法的自适应LMS滤波器设计及可重构硬件实现

自适应滤波器设计是典型的多参数组合优化问题,利用一种改进的粒子群优化算法（MPSO）来优化设计自适应LMS滤波器．将滤波器设计问题转化为滤波器参数优化的问题,利用改进的粒子群算法MPSO搜索整个参数空间,从而获得全局优化的系数．设计的滤波器应用于系统的跟踪响应中,并在基于可重构硬件的平台上实现自适应滤波器．从收敛和失调性能指标评价所设计的LMS滤波器,实验结果表明设计的LMS滤波器具有较好的性能,证明了这种方法的有效性和优越性．     

考虑参数权重的数控机床电主轴加速试验优化设计

为解决电主轴步进多应力加速退化试验针对模型参数优化设计时部分模型参数估计精度低的问题,提出了一种新的步进多应力加速退化试验方案优化设计方法.利用敏感性分析方法、应力综合重要度确定加速退化试验中加速模型的各参数权重,基于Ds准则与各参数权重提出了一种新的优化设计准则,结合遗传算法给出了优化流程.最后,以国产电主轴为例,对...     

基于错误跟踪的时域误码掩盖算法

提出了一种新的时域误码掩盖算法，能更准确地恢复误码块丢失的运动矢量。为降低扩散错误的影响，在解码端利用错误跟踪理论估计每个像素的均方误差（MSE），并将MSE引入边界匹配准则，从而在估计运动矢量时充分考虑了边界像素的连续性和内部像素的可靠性。仿真结果表明，该算法在各种宏块丢失率下均优于传统的时域误码掩盖算法，具有很强的鲁棒性。     

一种新的未知杂波环境下的PHD滤波器

针对多目标跟踪中概率假设密度(PHD)滤波器在杂波模型与先验知识不匹配情况下滤波性能急剧下降的缺点,将增广状态空间引入PHD滤波器,提出了一种新的未知杂波环境下的PHD滤波器．该滤波器利用增广状态空间区分目标状态空间与杂波状态空间,通过量测对杂波模型进行估计,不需要杂波先验知识,避免了因杂波强度的先验知识选择不当而造成PHD滤波器跟踪性能下降的问题．仿真结果表明,该算法在未知杂波环境下,具有稳定的跟踪效果;在保证实时性的前提下,其跟踪精度与传统PHD滤波器在杂波模型匹配情况下相当．     

ⅡR DF设计的高阶关联神经网络优化方法

基于全反馈高阶关联神经网络优化理论,提出了一种ⅡR数字滤波器神经网络优化设计方法(ⅡR-NNO)的理论框架。表征设计质量的加权均方误差当作神经网络能量函数,导出了ⅡR-NNO的Lyapunov方法。简要说明了该方法计算机实现的基本原则,通过设计实例及与其他方法的比较,证明了它的有效性。     

三维离散集的近似向量中值

针对向量中值滤波的瓶颈问题,应用灰度直方图求近似向量中值,并从理论上证明了若符合连通条件,所求中值即为向量中值.这种近似向量中值算法极大提高了计算速度,计算复杂度为O(n),实验结果显示时间消耗仅为向量中值滤波原型(VMF)的6.92%,和VMF客观指标PSNR、SNR、MAE、MSE、NCD、NMSE实验值几乎相同.它既有VMF的滤波性能,又大幅度缩短计算时间,所以有广阔的应用前景.     

采用自适应字典学习的InSAR降噪方法

We consider the phase noise filtering problem for interferometric synthetic aperture radar (InSAR) based on the dictionary learning technique. Due to the non-convexity of the optimization problem is difficult to solve. By using the splitting technique and employing the augmented Lagrangian framework, we obtain a relaxed nonlinear constraint optimization problem with l₁-norm regularization which can be solved efficiently by the alternating direction method of multipliers (ADMM). Specifically, we firstly train dictionaries from the InSAR complex phase data, and then reconstruct the desired complex phase image from the sparse representation. Simulation results based on simulated and measured data show that this new InSAR phase noise reduction method has a much better performance than several classical phase filtering methods in terms of residual count, mean square error (MSE) and preservation of the fringe completeness.     

数字滤波器的字长优化

本文提出一种字长优化的方法,即采用改进的一维搜索和三维整体搜索相结合的方法给出一种简单而有效的离散空间的优化方法.在优化的过程中还使用了随机化的搭配和排序方法,从而能较快地找到较好的解.     

基于百分位值的自适应顺序形态滤波方法

针对顺序形态滤波的百分位值，在最小均方误差（ＭＳＥ）和最小平均绝对误差（ＭＡＥ）准则下，实现了自适应处理．该滤波算法不仅可以有效地抑制信号中的各种噪声，而且较好地保持了信号的几何特征。计算机仿真结果证实了滤波算法的有效性．     

Greyscale based learning in BPNN for image restoration problem

A new method of back propagation learning with respect to the problem of image restoration which is named as greyscale based learning in back propagation neural networks ( BPNN) is investigated. It is observed that by using this method the value of mean square error ( MSE) decreases significantly. In addition,this method also gives good visual results when it is applied in image restoration problem. This method is also useful to tackle the inherited drawback of falling into local minima by reducing its effect on overall system by bifurcating the learning locally different for different grey scale values. The performance of this algorithm has been studied in detail with different combinations of weights. In short,this algorithm provides much better results especially when compared with the simple back propagation algorithm with any further enhancements and without going for hybrid solutions.