基于空间矩的亚象素边缘定位技术的研究

在空间矩亚象素细分算法的基础上，分析了造成该算法原理误差的原因，从而推导出任意角度边缘的原理误差函数，给出了原理误差函数的重要性质并提出了改进算法，将改进算法应用到空间矩亚象素边缘定位中，避免了以往利用二维误差校正表时需要的查寻时间和存贮空间，降低了计算复杂度，提高了测量精度。通过理想合成边缘的仿真实验对该算法及原理误差公式的有效性及精度进行验证，结果表明校正后边缘定位精度显著提高。     

一种新的基于多模误差切换的盲均衡算法

为了克服传统常模量算法(Constant module algorithm，CMA)和基于误差切换的盲均衡算法(Error switch algorithm，ESA)的缺点，本文利用MQAM(Multiple quadrature amplitude modulation)信号的分布特点，给出了适于数字通信系统的一种新的基于多模误差切换的盲均衡算法。理论分析和计算机仿真结果表明，新算法误差函数切换点明确，减小了计算量和剩余误差，收敛性能也令人满意。     

序列图像中三维空间点的精确重建方法

提出了一种针对序列定标图像的三维空间点精确欧氏重建算法，相对于传统基于代数误差最小化的方法，该算法用几何误差作为优化的目标函数，从而保证了三维重建点在欧氏距离误差的意义下是最优的；该算法是线性的，计算效率高；此外还可以扩展到任意多幅图像的重建中。真实测试图像的实验结果以及与传统算法的比较验证了该算法的有效性和精确性。     

一种改进的基于三角形折叠的网格简化算法

在已有的基于三角形折叠网格简化算法的基础之上，提出了一种改进的算法。对原算法的误差矩阵的计算进行了改进，提出了一种简单的误差控制方法。该改进的简化算法不仅能减少模型中的三角形数目和保持模型拓扑结构，而且实现简单、速度快。     

基于曲面形状误差的多层前向神经网络快速训练

如何显著提高多层前向神经网络训练速度一直是国内外共同关注的一个问题，而解决这个问题的关键在于充分了解导致现有网络训练算法训练效率低的根本原因．文中首先提出了网络输出函数的曲面形状误差和偏移误差的概念，并将指导网络训练的平方和误差分解为这两种误差，进而分析了这两种误差的主要特性，给出了导致现有算法网络训练效率低的主要原因，最后提出了新的网络训练误差模型和具体的网络训练算法．典型实例计算结果表明，与目前常用的网络训练算法相比，该文所提出的算法可显著减少网络训练时间。     

计算有效的多模盲均衡算法

为了进一步降低多模盲均衡算法的计算复杂度,研究了一类计算有效的量化误差多模算法。符号误差多模算法对误差信号取符号操作,降低了计算复杂度,易于硬件实现。采用抖动量化技术可以进一步提高符号算法的鲁棒性,但稳态均方误差性能有所下降。利用变步长策略的变步长抖动符号误差算法不仅收敛速率快,而且具有低稳态均方误差值。仿真结果验证了这三种算法的特性。     

条带式SAR常用成像算法的误差及计算效率分析

针对条带式SAR系统设计中,二次相位误差的大小和计算效率是进行算法选择的重要依据,而一般文献只做定性分析的问题,该文对距离多普勒(近似)、距离多普勒(精确)、Chirp Scaling、ωKA(近似)和ωKA(精确)5种常用算法,推导了二次相位误差和计算量的公式,对条带式常用成像算法的二次相位误差及计算量进行了详细的定量分析。编写了一个带图形操作界面的计算程序,可供用户计算条带式模式下5种常用算法的二次相位误差及计算量。通过用户界面,可以方便地得到5种成像算法的相位误差及计算量,以及计算量和相位误差随入射角的变化,从而为用户成像算法的选择提供一定依据。     

结合面积度量和误差校正的网格简化算法

提出了一种基于边折叠的网格模型简化的新方法。考虑到模型的局部形状特征，算法将局部面积度量因素加入简化计算过程，与二次方距离误差测度一起组成新的误差目标函数。还提出了计算二次方误差矩阵的预测-校正模型，用于降低简化累积误差。实验结果表明，该算法通用性较强，能够显著提升模型的简化质量，特别是对于曲率变化剧烈的模型表面，其简化模型能够更好地保持原有特征。     

CCD星敏感器光学系统误差的补偿

ＣＣＤ得敏感器的误差中，光学系统的不完善所带来的误差占相当部分。本文对此项误差的来源和作用机理进行了分析。提出了利用待定系数法建立简单公式，通过软件对误差进行补偿的方法。并通过计算举例，对该算法的计算精度进行了评估。     

一种新的变步长LMS自适应滤波算法

传统LMS算法的优点是计算简单、易于实现，缺点是收敛速度慢，如果为加快收敛速度而增大步长因子μ，则会导致大的稳态误差，甚至引起算法发散。固定步长因子无法解决收敛速度和稳态误差之间的矛盾。本文通过建立步长因子μ与误差信号之间的非线性函数关系，得出一种新的变步长自适应滤波算法（SVSLMS）。理论分析和计算机仿真结果表明该算法的性能优于传统的LMS算法和NLMS算法。即在计算量增加不多的前提下，能同时获得较快的收敛、跟踪速度和较小的稳态误差。