基于新型RBF网络的雷达信号分选识别方法

提出了一种基于径向基函数 (RBF)网络的雷达信号分选识别方法 .这种RBF网络分选系统采用改进免疫算法设计RBF网络的隐层参数 ,可以达到较高的优化效率 ,使系统结构趋于全局最优 .在复杂雷达信号环境下的仿真实验表明 ,这种基于RBF网络的雷达分选识别系统能够有效利用输入信号资源 ,达到了较高的分选精度.     

基于神经网络的中厚板轧机故障诊断

提出了一种减聚类径向基函数神经网络(RBF)的轧机液压系统故障诊断方法.在RBF中采用了一种减聚类的学习算法来确定径向基函数的相应参数,并借助最速下降法求解,网络的权值,使网络结构得到优化.试验结果显示,该方法可以有效提高轧机故障诊断的精度和效率.     

基于飞行时间信息与稀疏正则化的PET图像重建

<正>电子发射型计算机断层成像(PET)作为一种重要的临床影像技术,其图像重建技术非常重要.本文将γ光子飞行时间信息(TOF)加入到系统响应矩阵并提出基于TOF的图像重建算法.基于压缩感知原理,利用全变差和小波变换对图像进行稀疏化,以它们为正则项构建目标函数;并运用惩罚函数的方法将目标函数求解分解为二次优化和稀疏约束2个子问题,运用交替求解的方法逐一求解,降低了求解的复杂性.采用蒙特卡罗对Derenzo模型进行仿真重建并比较不同算法的成像效果,结果表明,加入TOF信息和利用稀疏约束能够更好地拟制噪声,图像重建效果优于传统算法.文中进一步研究了系统时间分辨率和时间采样间隔对图像重建的影响,结果表明,时间分辨率越高、时间采集间隔越短,重建效果越好.     

磁共振成像重建的新算法

提出了一种高效的磁共振成像重建算法,将磁共振成像重建看作标准的线性求逆问题,基于变量分离技术重新建立线性求逆问题的目标函数,用交替最小化方法处理新目标函数的优化问题.新目标函数的优化包含两个交替的过程:一个凸的光滑函数的优化和一个凸的非光滑函数的优化.为处理非光滑函数的优化问题,引入投影算法对其求解.实验结果表明了该磁共振成像重建算法的有效性,与同类算法性比,重建的磁共振图像的均方误差(MSE)最小,重建的速度最快.     

一种优化的RBF神经网络在调制识别中的应用

提出了一种基于径向基函数 (RBF) 神经网络的通信信号调制识别方法, 该方法采用模糊 C-均值 (FCM) 聚类算法对数据进行聚类, 并获取基函数的参数, 采用梯度下降法训练网络权值. 利用最优停止法对网络进行了优化, 避免了过学习现象, 提高了 RBF 网络的训练速度和泛化能力, 以实际信号数据对该网络进行性能检验, 实验结果表明了该 RBF 网络具有较高的识别精度.     

基于双正则化的图像超分辨率盲重建

图像超分辨率重建是利用数字信号处理技术由一系列低分辨率观测图像得到高分辨率图像。大多数重建算法假设成像系统的模糊特性也即点扩散函数(PSF)已知,然而实际的应用环境下PSF事先不知道或部分知道。为此,将未知PSF模型化,提出基于双正则化的图像超分辨率盲重建算法,并且正则化作用的强度随重建图像局部光滑程度的变化而自适应地改变,以便能保护图像细节同时抑制平滑区域的噪声。求解过程中采用交替最小化方法估计PSF参数和高分辨率图像,并随着迭代次数的增加逐步提高每次寻优的精度以节省计算开销。实验结果表明,该算法能够比较准确地估计出PSF参数并取得较好的图像重建效果。     

基于片相似性和最大似然期望最大化的低剂量CT重建算法

针对低剂量计算机断层成像(CT)重建的图像产生严重退化的问题,提出一种基于片相似性各项异性扩散和最大似然期望最大化(MLEM)的低剂量CT重建算法.首先,采用基本的MLEM算法对低剂量投影数据进行重建;然后,由于片相似性在降噪的同时,也能较好地保持图像的边缘和细节信息的特点,对重建后的图像使用基于非局部理论思想的片相似性降噪方法处理;最后,由于低剂量投影数据还存在脉冲噪声点,使用中值滤波对图像进行处理.采用Sheep-Logan体模作为实验模型进行低剂量CT图像重建的仿真,与BI-MART、BI-MLEM、基于方差的ELEM和基于结构相似性的MLEM算法进行了对比.实验结果表明,所提算法的信噪比(SNR)高达10.216 308 dB,与对比算法相比,视觉效果更优,且有更小的归一化均方误差(NMSE)、均方绝对误差(MAE)和归一化均方距离(NMSD).所提算法重建出来的图像能在光滑去噪的同时有效地保持图像的细节和边缘信息,既能有效地保持弱梯度和纹理,又不存在各项异性扩散存在的明显阶梯效应.     

基于光滑l0范数和修正牛顿法的压缩感知重建算法

基于光滑l0范数最小的压缩感知重建算法——SL0算法,通过引入光滑函数序列去逼近l0范数,从而将l0范数最小的问题转化为光滑函数的最优化问题.针对光滑函数的选取以及求解该函数的最优化问题,提出一种基于光滑l0范数和修正牛顿法的重建算法——NSL0算法.首先采用双曲正切函数序列来逼近l0范数,得到一个新的最优化问题;为了提高该优化问题的计算效率,推导出针对双曲正切函数的修正牛顿方向,并采用修正牛顿法进行求解.实验结果表明,在相同的测试条件下,NSL0算法无论在重建效果还是在计算时间方面都明显优于其他同类算法.     

CS-MRI中稀疏信号支撑集混合检测方法

针对磁共振成像技术采样过程过慢的问题,给出一种新的基于压缩感知的图像重建方法。通过分析一种特殊的基于奇异值分解(SVD)的信号稀疏表示方法,提出一种结合稀疏信号位置和大小信息的支撑集混合检测方法,并根据该方法改进稀疏信号重建算法FCSA。实验结果证明,在相同的欠采样率下,改进FCSA算法重建图像的峰值信噪比(PSNR)比传统的基于小波稀疏基的FCSA算法重建图像的PSNR高2.21 dB~12.72 dB,比基于SVD稀疏基的FCSA算法重建图像的PSNR高0.87 dB~2.05 dB,且重建时间从基于小波稀疏基的FCSA算法的103.21 s下降至改进FCSA算法的36.91 s。     

一种应用ARPSO优化RBF神经网络的方法

针对径向基函数神经网络参数难以设置以及因此而导致的网络隐层结构不明朗的问题,提出了一种应用控制种群多样性的微粒群（ ARPSO）优化径向基函数神经网络（ RBF）的方法。通过引入“吸引”和“扩散”因子对基本微粒群算法进行改进,并将改进的微粒群算法用于RBF聚类半径的优化,进而能够合理地确定RBF的隐层结构。将用ARPSO优化的RBF神经网络应用于非线性函数逼近,经实验仿真验证,与基本微粒群（ PSO）算法、收缩因子微粒群（ CFA PSO）算法优化的RBF神经网络相比较,在收敛速度和识别精度上有了显著的提高。     

基于多通道小波的DTI图像恢复

扩散张量图像中存在的赖斯噪声给张量计算和脑白质追踪等带来严重影响。为了减少噪声影响,该文采用多通道小波对扩散加权图像进行恢复,采用峰值信噪比来定量地评估本滤波器消除赖斯噪声的性能。基于模拟和真实数据对张量场的表面扩张系数等进行了计算并进行人脑白质纤维追踪。把该去噪方法和单通道小波方法进行比较,实验结果表明,提出的滤波器具有更好的噪声性能。     

DTI扩散张量的一种稳健估计方法

为了获得更精确的DTI扩散张量场,提出了一种基于约束M估计子的稳健估计方法,首先对扩散加权图像序列进行双树复数小波降噪预处理,以减少热噪声影响,然后通过试探法找到一个合适的回归起始点,并通过Cholesky分解对扩散张量进行正定约束,最后寻找局部最小获得DTI扩散张量的约束M估计,并在模拟二阶张量场和真实DTI数据集上进行了实验.与最小二乘法和M估计子回归模型相比,该方法可以更有效地排除热噪声和生理性离群点影响,对DTI扩散张量估计很有价值.     

基于机器视觉的最大内接矩形快速检测算法

在进行皮革裁切、板材边角料再利用、PCB板布线等过程时都会遇到求解不规则图型最大内接矩形的问题;当前工厂的裁定手段普遍由人工估测来完成,这种作业方式不仅主观性强,而且效率低下;在研究了基于数字图像处理的遍历法、中心扩散法、遍历中心扩散法后,结合以上方法提出一种高效实用的最大内接矩形快速检测算法:边界排序生长法;实验结果证实:遍历法无法正确适用于凹多边形;中心扩散法虽然可适用于任意不规则图型,但其检测效果不够理想;遍历中心扩散法的检测结果较为理想,但该方法耗时巨大;而边界排序生长法在保证高效率的同时依旧可以拟合出理想的内接矩形.     

基于曲率保持PDE的非线性结构张量

提出了一种基于曲率保持扩散方程的非线性结构张量计算方法。在讨论了非线性结构张量算法必须满足3个条件的基础上,指出了基于散度的非线性结构张量与基于迹的非线性结构张量在提取图像二维结构信息时的不足;将曲率保持正则化方法用于平滑结构张量,使得新的非线性结构张量具有更好的结构估计能力。实验结果表明：该文方法对噪声图像仍能取得较好地局部结构估计结果。     

Spike sorting based on radial basis function network with overlap decomposition

Spike sorting is the essential step in analyzing recording spike signals for studying information processing mechanisms within the nervous system. Overlapping is one of the most serious problems in the spike sorting for multi-channel recordings. In this paper, a modified radial basis function (RBF) network is proposed to decompose the overlapping signals and separate spikes within the same RBF network. A modified radial basis function based on the Gaussian function is employed in the method to improve the accuracy of overlap decomposition. In addition, the improved constructing algorithm reduces the calculation cost by taking advantage of the symmetry of the RBF network. The performance of the presented method is tested at various signal-to-noise ratio levels based on simulated data coming from the University of Leicester and Wave-clus software. Experiment results show that our method successfully solves the fully overlapping problem and has higher accuracy comparing with the Gaussian function.     

3D space-varying coefficient models with application to diffusion tensor imaging

The present methodological development and the primary application field originate from diffusion tensor imaging (DTI), a powerful nuclear magnetic resonance technique which enables the quantification of microscopical tissue properties. The current analysis framework of separate voxelwise regressions is reformulated as a 3D space-varying coefficient model (SVCM) for the entire set of diffusion tensor images recorded on a 3D voxel grid. The SVCM unifies the three-step cascade of standard data processing (voxelwise regression, smoothing, interpolation) into one framework based on B-spline basis functions. Thereby strength is borrowed from spatially correlated voxels to gain a regularization effect right at the estimation stage. Two SVCM variants are conceptualized: a full tensor product approach and a sequential approximation, rendering the SVCM numerically and computationally feasible even for the huge dimension of the joint model in a realistic setup. A simulation study shows that both approaches outperform the standard method of voxelwise regression with subsequent regularization. Application of the fast sequential method to real DTI data demonstrates the inherent ability to increase the grid resolution by evaluating the incorporated basis functions at intermediate points. The resulting continuous regularized tensor field may serve as basis for multiple applications, yet, ameloriation of local adaptivity is desirable.     

Recursive methods for estimating the radial basis function‐based state‐dependent autoregressive model

Identifying a nonlinear radial basis function‐based state‐dependent autoregressive (RBF‐AR) time series model is the basis for solving the corresponding prediction and control problems. This paper studies some recursive parameter estimation algorithms for the RBF‐AR model. Considering the difficulty of the nonlinear optimal problem arising in estimating the RBF‐AR model, an overall forgetting gradient algorithm is deduced based on the negative gradient search. A numerical method with a forgetting factor is provided to solve the problem of determining the optimal convergence factor. In order to improve the parameter estimation accuracy, the multi‐innovation identification theory is applied to develop an overall multi‐innovation forgetting gradient (O‐MIFG) algorithm. The simulation results indicate that the estimation model based on the O‐MIFG algorithm can capture the dynamics of the RBF‐AR model very well.     

基于RBF神经网络的组合导航融合算法

提出一种基于径向基函数（RBF）神经网络的组合导航容错算法。该算法将局部滤波器状态估计分组引入作为融合中心的RBF神经网络，通过RBF神经网络的局部特性，实现全局估计的自适应性和容错性。该算法等价于对局部估计的模糊推理。仿真结果表明，该融合算法有较高的估计精度，能够及时检测出传感器故障并在融合网络中予以隔离，不致影响全局估计。     

A stable Gaussian radial basis function method for solving nonlinear unsteady convection–diffusion–reaction equations

We investigate a novel method for the numerical solution of two-dimensional time-dependent convection–diffusion–reaction equations with nonhomogeneous boundary conditions. We first approximate the equation in space by a stable Gaussian radial basis function (RBF) method and obtain a matrix system of ODEs. The advantage of our method is that, by avoiding Kronecker products, this system can be solved using one of the standard methods for ODEs. For the linear case, we show that the matrix system of ODEs becomes a Sylvester-type equation, and for the nonlinear case we solve it using predictor–corrector schemes such as Adams–Bashforth and implicit–explicit (IMEX) methods. This work is based on the idea proposed in our previous paper (2016), in which we enhanced the expansion approach based on Hermite polynomials for evaluating Gaussian radial basis function interpolants. In the present paper the eigenfunction expansions are rebuilt based on Chebyshev polynomials which are more suitable in numerical computations. The accuracy, robustness and computational efficiency of the method are presented by numerically solving several problems.     

混沌RBF神经网络异常检测算法

针对传统神经网络异常检测算法的准确率问题,文中将混沌和RBF（Radial Basis Function）神经网络相结合,既可利用混沌的随机性、初值敏感性等特点,也可发挥RBF神经网络大规模并行处理、自组织自适应性等功能。文中对混沌时间序列进行相空间重构得到相空间向量,作为RBF神经网络的输入,通过RBF神经网络构建电力负荷序列的拟合函数,在此基础上进一步预测,比较预测值与真实值的偏差,从而判断检测信号是否为异常信号。实验结果表明,该方法相对其他算法预测精度更高,具有较好的异常检测能力。