基于梯度动力学的协同神经网络学习算法的改进

本文在研究协同神经网络梯度动力学过程的基础上,针对学习过程收敛速度缓慢的缺点,提出了一种改进的、基于梯度动力学的协同神经网络学习算法。该算法分析了非平衡注意参数对学习过程的影响,简化了初始伴随向量的选取;并引入最优化理论,将该问题归结为求解非线性最优化问题,用共轭梯度法代替梯度下降法,加快了学习过程的收敛。通过对汉字图像库和人脸图像库的图像识别实验表明,该算法比其他学习算法的识别率高,并能较快地收敛到极小值。     

基于梯度动力学的协同神经网络学习算法的改进

本文在研究协同神经网络梯度动力学过程的基础上,针对学习过程收敛速度缓慢的缺点,提出了一种改进的基于梯度动力学的协同神经网络学习算法。该算法分析了非平衡注意参数对学习过程的影响,简化了初始伴随向量的选取;并引入最优化理论,将该问题归结为求解非线性最优化问题,用共轭梯度法代替梯度下降法,加快了学习过程的收敛。通过对汉字图像库和人脸图像库的图像识别实验,表明该算法较之其他学习算法有较高的识别率,并能较快的收敛到极小值。     

基于预条件共轭梯度法的混凝土层析成像

根据常规图像重建的共轭梯度迭代算法,提出一种预条件共轭梯度法。用一种新的预条件子M来改善系数矩阵的条件数,结合一般的共轭梯度法,导出预条件共轭梯度法。实验结果表明,预条件共轭梯度算法比共轭梯度算法具有更好的CT重建效果和消噪能力,可提高计算的精度和图像的重建质量。     

一种改进的共轭梯度法及全局收敛性

在DY共轭梯度法的基础上对解决无约束最优化问题提出一种改进的共轭梯度法．该方法在标准wolfe线搜索下具有充分下降性，且算法全局收敛．数值结果表明了该算法的有效性．最后将算法用于SO2氧化反应动力学模型的非线性参数估计，获得满意效果．     

基于频域共轭梯度算法的盲目图像恢复

在分析了目前各种算法存在的一些基本问题的基础上，提出了盲目图像恢复的频域共轭梯度算法，算法假设退化系统的点扩散函数具有圆对称性，并考虑图像的频域具有复共轭对称性，在频域里建立了新的优化判据；采用共轭梯度算法搜索判据，从而在有实际物理意义的区域中收敛于最优解；对光学成像系统常见的离焦、衍射模糊问题进行了仿真；用该算法实现了其退化图像的恢复，给出并分析了结果。     

基于小波域HMT模型的序列图像超分辨率重建*

鉴于基于小波域隐马尔可夫树的噪声抑制性和较好的边缘保持性,提出一种基于小波域隐马尔可夫树的序列图像的超分辨率重建算法。针对小波系数进行统计建模,讨论了不同尺度小波系数之间的隐马尔可夫树结构,利用了序列图像的运动信息,运用极大后验概率估计和贝叶斯原理,将小波域HMT作为图像先验知识并给出了超分辨率重建算法,最终通过EM算法和共轭梯度算法的交替迭代进行优化计算。实验结果表明方法的重建效果得到了明显的改进。     

基于QR分解的对称共轭梯度法成像算法

为了快速得到高质量的重建图像,提出了对称共轭梯度法成像算法,大大缩减了迭代次数,同时,将ERT物理模型进行规范化和Tikhonov正则化处理,进而将QR分解的思想引入ERT方程的求解中,提出基于QR分解的对称共轭梯度算法,实现了单步图像重建.理论分析表明,该算法具有良好的收敛性.通过典型流型的仿真实验,证明了该算法可以...     

基于Matlab的共轭梯度法研究

共轭梯度法是最优化课程中一个比较典型的寻找函数极小点的方法,Matlab软件是科研学习中的一个重要工具,本文尝试用Matlab软件研究共轭梯度算法,取得一定效果。     

基于梯度域的保纹理图像阴影去除算法

针对当前自然图像阴影去除算法需要多次人工交互、阴影去除结果纹理信息丢失等问题,提出了基于梯度域的图像保纹理阴影去除算法。该方法只需确定出阴影的大概边界,然后在梯度域中,分别对阴影内部和阴影边界的梯度进行最优化修正,得到无阴影的梯度图像,最后利用泊松方程,恢复出无阴影图像。利用多幅图像的实验结果证明,该算法操作简单,不需要多次人机交互,且阴影区域内纹理细节得到了较好的恢复。     

5G NR RSRP测量算法研究

RSRP(Reference Signal Receiving Power)是代表无线信号强度的关键参数,也是物理层测量的重要指标之一。当前5G NR中RSRP的测量算法多是均值法和其衍生算法,通过对现有算法的研究提出一种基于子集的共轭相乘算法。根据均值算法和共轭相乘算法进行测量值估计,并对相应算法进行测量结果的比较,进而得到子集共轭相乘算法在不同信噪比情况下可以使用不同子集数来提高RSRP估计值。将提出的新算法结合5G系统的特点与均值算法和共轭相乘算法进行比较分析,得到三种算法各自的特点。     

基于小波域局部高斯模型的图像超分辨率

提出了一种基于小波域局部高斯模型的图像超分辨率算法。小波域局部高斯模型采用单一的高斯函数刻画子带系数的局部概率分布，由于该模型具有很好的局部自适应性，可以较好地反映图像的局部结构信息，因此以此作为自然图像的先验模型，将图像超分辨率问题转化为小波域约束优化问题，并用共轭梯度法对其进行求解。实验结果表明，基于小波域局部高斯模型的图像超分辨率算法较好地再现了图像的各种边缘信息，重构出的高分辨率图像在信噪比和视觉效果方面都有较明显的提高。     

多帧图像的Tikhonov正则化重建算法研究*

介绍了Tikhonov正则化超分辨率重建算法的基本原理和特点,在原有正则化空域图像复原方法的基础上,根据多帧序列图像之间的互补信息,提出一种改进的正则化空域图像复原的新方法,该算法直接将正则化函数作用于图像超分辨率重建算法的条件概率项内,提高了正则化项的校正效率,并用共轭梯度运算来改善算法的收敛性,节省了图像重建所需的时间。实验和仿真结果表明,与传统方法相比,该算法不仅减轻了图像边缘纹理的模糊性,提高了图像的清晰度,而且收敛速度快。     

基于改进萤火虫优化算法的视频监控图像增强

针对视频图像增强问题中连续多帧图像序列中的像素相关性,建立了一种有效的视频图像增强模型,将视频连续图像增强问题转化为从原始低质量图像像素序列到高质量增强图像像素序列的寻优问题。基本萤火虫(GSO)算法具有容易陷入极值振荡和局部最优的缺陷,为了解决这个问题,在位置更新策略中引入了全局最优个体影响因子与局部最优个体影响因子,同时为了保证迭代过程中荧光素更新的多样性,对萤火虫荧光素的挥发及增益系数进行改进,提出了改进萤火虫(IGSO)算法。结合视频图像增强问题特性,重新定义了算法的群体的输入、萤火虫的荧光素和位置更新运动方程,设定了优化目标函数准则。最后典型的道路和室内监控视频图像增强实例验证了所提出的模型和算法的可行性。     

基于L1和L2混合范式的序列图像超分辨率重建

针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L₁和L₂混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到亚像素级,进而可以利用图像间的互补信息提高图像分辨率;其次利用L₁和L₂混合范式的优点,用BTV正则化算法解决重建的病态性反问题;最后进行序列图像超分辨率重建。实验数据显示算法可以降低图像均方误差,并将峰值信噪比(PSNR)提高1.2 dB~5.2 dB。实验结果表明,提出的算法能够有效地滤除高斯和脉冲噪声,保持图像边缘,提高图像可辨识度,可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。     

基于SIFT的POCS图像超分辨率重建

针对传统的POCS图像超分辨率重建算法中广泛使用的基于改进的Keren配准算法,对于序列帧间存在剪切和非均匀尺度变换现象时,很难做到精确的亚像素级配准,文中讨论了一种基于SIFT算法的POCS序列图像超分辨率重建算法。首先利用SIFT算法提取序列帧与参考帧间的SIFT关键点对,随后选取匹配关键点对,通过RANSAC去除误配点的同时估算出六参数仿射变换参数,最后使用POCS重建算法得到最终的重建结果。实验结果表明：该方法能有效地解决因运动估计不准而引起的重建图像效果不好的问题,特别是在序列帧间存在剪切和非均匀尺度变换现象时,重建效果明显好于传统的POCS算法,具有更强适应性。     

稀疏字典编码的超分辨率重建

基于学习的超分辨率方法通常根据低分辨率图像从样本库中选取若干特征相似的匹配对象,再使用优化算法进行超分辨率估计,但其结果受匹配对象的质量限制,并且匹配特征一般只选择图像的几何结构信息,匹配准确性较低.提出了稀疏字典编码的超分辨率模型,将高、低分辨率图像特征块统一进行稀疏编码,建立高、低分辨率图像的稀疏关联,同步实现匹配搜索和优化估计,突破了上述方法的限制.应用形态分量分析法提取图像的特征数据,提高了特征匹配的准确性,并同步实现超分辨率重建和降噪功能.优化方法采用稀疏K-SVD算法以提高稀疏字典编码的计算速度.采用自然图像进行实验与其他基于学习的超分辨率算法相比,重建所得到的图像质量更优.     

仿射运动模型下的图像盲超分辨率重建算法

研究利用帧间存在仿射运动的低分辨率图像序列重建出更高光学分辨率图像的盲超分辨率(BSR)问题。首先给出一种基于特征向量的模糊核零空间矩阵构造方法。将模糊的零子空间约束作为一项规整化泛函,提出一种非参数化模糊辨识、运动估计和图像重建三重耦合问题的联合迭代算法。该算法采用一个二层优化策略:先将三重耦合的BSR问题分解为关于模糊的二次型和关于运动参数与图像的非线性最小二乘(NLS)问题,再采用Gauss-Newton方法求解该NLS问题。仿真实验结果表明,文中提出的仿射变换下的BSR算法能对图像空间移变退化过程进行更为精确的建模,比纯平移BSR算法有更强的局部纹理恢复能力。最后通过真实车牌图像序列展示该算法的适用性。     

基于MAP框架的时空联合自适应视频序列超分辨率重建

超分辨率重建在视频监控、高清晰度电视、遥感图像、医学图像处理等领域具有广阔的应用前景. 最大后验估计(maximum a posteriori, MAP)法是普遍采用的一种超分辨率重建方法. 针对传统MAP法存在的局限性, 本文提出了一种基于MAP框架的时空联合自适应视频序列超分辨率重建算法. 时空联合自适应机制的引入使得算法在保持边缘的同时可减小错误运动估计矢量对重建图像质量的影响. 实验结果表明, 算法具有重建质量好、边缘保持能力强、收敛速度快等特点.     

基于GEP多标记学习的图像超分辨率复原算法

基于图像单一特征进行支持向量机预分类的超分辨率复原算法通过离线建立分类模型,减少了传统基于范例学习算法的样本块误匹配现象,提高了图像质量和计算速度。但由于图像特征的多样性,此类算法易造成复原结果的不稳定。本文提出一种基于基因表达式编程多标记学习的超分辨率复原算法,筛选出与目标图像相关性高的样本子库,在多标记框架下进行样本预分类。实验结果表明,本文算法稳定性强、鲁棒性好,进一步缩小了低分辨率图像块的匹配范围,更好的提高了超分辨率复原的效果和效率。