无线多跳网中的视频传输速率优化算法

为提高无线多跳网中视频传输速率的分配效率,提出一种分布式改进对偶算法。针对传统算法对步长参数敏感而导致的收敛速率慢或不收敛等问题,分布式改进对偶算法采用平滑技术,即在拉格朗日函数的基础上加入一个平滑函数,将其平滑化,避免步长调整,以提高收敛速度。仿真结果表明,在视频传输速率的分配方面,与传统对偶次梯度算法相比,该对偶算法的速度更快、效率更高,且随着网络规模的变大,效果更加明显。     

基于非线性主成分分析的自适应变步长盲源分离算法

算法的迭代步长对于算法的收敛性能有着重要影响。针对固定步长的非线性主成分分析(NPCA)算法不能兼顾收敛速度和估计精度的情形,提出基于梯度的自适应变步长NPCA算法和最优变步长NPCA算法两种自适应变步长算法来改善其收敛性能。特别地,最优变步长NPCA算法通过对代价函数进行一阶线性近似表示,从而计算出当前的最优迭代步长。该算法的迭代步长随估计误差的变化而变化,估计误差大,迭代步长相应大,反之亦然;且不需要人工设置任何参数。仿真结果表明,当算法的估计精度相同时,与固定步长NPCA算法相比,两种自适应变步长NPCA算法相对固定步长NPCA算法都具有更好的收敛速度或跟踪性能,且最优变步长NPCA算法的性能优于基于梯度的自适应变步长NPCA算法。     

复杂输入下变步长算法的改进及其应用

针对变步长算法的选取对自适应滤波器的性能有重大影响,而复杂输入下谐波对自适应滤波器的误差信号及步长有较大影响的问题,在常用变步长算法的基础上,提出了一种改进变步长算法.该算法根据调节过程调整原算法的系数,实现在调整初期具有较大的步长,而在调整后期具有足够小的步长,以获得较好的滤波效果.仿真分析和实例分析均表明:采用基于改进变步长算法的自适应滤波器进行变频调速下转子断条故障诊断,具有较高的可靠性.     

无线环境下拥塞控制算法的改进及其稳定性分析

无线网络中数据传输的往返时间RTT(roundtrip time)比有线网络中的RTT大,这使得针对有线网络设计的以时延作为拥塞信号的拥塞控制对偶算法应用到无线网络中时,其稳态性能下降,无线网络的带宽不能得到充分利用.针对对偶算法进行了改进,以保证该算法在无线网络中的稳态性能不会降低;同时,就改进算法的稳定性进行了理论分析和仿真,给出了判断该分布式算法稳定的定理和参数的选择范围.     

分数阶原始对偶去噪模型及其数值算法

目的：本文结合分数阶微积分理论和对偶理论,提出了一种与分数阶ROF去噪模型等价的分数阶原始对偶模型。从理论上分析了该模型与具有鞍点结构的优化模型在结构上的相似性,从而可使用求解鞍点问题的数值算法求解该模型。方法：使用求解鞍点问题的基于预解式的原始对偶算法对提出模型进行求解,并采用自适应变步长迭代优化策略提高寻优效率,弥补了传统数值算法对步长要求过高的缺陷。同时论证了确保算法收敛性的参数取值范围。结果：实验结果表明,提出的分数阶原始对偶模型能够有效地抑制“阶梯效应”,保护纹理和细节信息,同时采用的数值算法具有较快的收敛速度。结论：本文提出了一种分数阶原始对偶去噪模型,该模型可采用一种基于预解式的原始对偶算法进行求解。实验结果表明,提出的模型能有效改善图像的视觉效果,采用的数值算法能有效快速收敛。     

一种改进的变步长自适应谱线增强算法

传统的变步长最小均方误差(VS-LMS)算法在自适应稳态阶段步长变化较大,为有效解决这一问题,对算法中的参数进行了修改,提出了一种改进的变步长自适应谱线增强算法.新算法根据步长调整原则,通过改进步长因子与误差信号之间的非线性函数关系,使其初始阶段和时变阶段步长自适应增大、稳态阶段步长减小.经理论分析和仿真实验验证,新算法的时域和频域波形信息均优于原算法,具有良好的降噪性和稳定性以及较快的收敛速度,可更好地应用于自适应系统中.     

LMS自适应滤波算法的改进及性能分析

关于研究自适应滤波器算法优化问题,为了改善数字传输系统抗干扰能力,提高稳定性,减小误差,引入了自适应滤波算法,并详细分析了算法步长因子与失调误差e(n)之间关系对算法性能的影响.采用了改进的双曲正切函数为变步长,对传统的LMS算法进行了改进.分析了参数α、β、m对算法性能的影响.算法不但收敛速度快、稳态误差小,而且克服了变步长LMS算法达稳态时,步长变化太快的缺陷.利用MATLAB仿真结果与理论分析相一致,表明了算法具有良好的性能特性,可广泛应用于各种数字通信中.     

一种改进的LMS均衡算法研究

在分析均衡系统中常见的变步长LMS算法的基础上,提出了一种改进的变步长LMS均衡算法.通过计算机仿真结果表明,该算法在低信噪比及低输入功率时的情况下,其收敛性、稳态误差性能以及运算时间的综合性能优于原算法.     

仿射投影自适应算法在数字预失真系统中的应用

基于自适应滤波器的仿射投影算法,结合复数增益查找表结构,建立预失真系统模型.研究了步长参数和多重约束数对仿射投影算法收敛速率的影响;比较了仿射投影算法和归一化最小均方算法的性能.结果表明,在取值范围内的步长参数和多重约束数越大,仿射投影算法收敛速率越快;相同迭代次数、步长参数和正则化系数时,偏离归一化载波中心频率5 MHz处,仿射投影算法的系统邻信道功率比达到-59.3 dB,效果好于归一化最小均方算法的-44.2 dB.     

一种新的变步长LMS算法分析

最小均方(LMS)自适应滤波算法易于实现,在很多领域得到了广泛地应用.但是存在加快算法收敛和减小稳态误差之间的矛盾,而固定步长LMS算法无法解决矛盾.用反正切函数alan建立了步长因子与误差之间一种新的非线性函数关系.给出了一种新的变步长LMS算法.反正切函数较Sigmoid函数简单且易于控制,并且可以使步长在误差接近为零时变化缓慢.从而可以使算法具有更小的稳态误差.还分析了参数、对算法性能的影响.计算机仿真结果与理论分析一致,算法的性能优于固定步长LMS算法和SVSLMS算法.     

身份保持约束下的人脸图像补全

人脸图像补全作为图像补全技术的一种特殊应用,在被遮挡人脸的识别、人脸修复等问题上有不可替代的作用。现有的人脸补全算法只针对补全图像的真实性,而未考虑其补全后的身份一致性。针对这一问题,设计了一种基于改进的生成式对抗网络的人脸补全算法,通过引入SN-GAN算法,提高了模型训练的稳定性,同时利用人脸识别模型对生成图像加入了身份一致性约束,经过实验证明,所提方法能够在生成高真实性图像时有效保持补全图像的身份一致。     

基于模糊调整的径向基函数网络图像恢复算法

为了解决传统图像恢复中存在的建模难的问题,提出了一种基于RBF神经网络的图像恢复算法,该算法利用RBF神经网络的非线性映射能力和适应性,通过记录退化过程的逆过程来恢复图像。首先改进RBF网络中心参数的确定过程,提出基于模糊调整的中心参数学习算法,然后用模糊调整后的网络进行图像恢复。仿真结果表明,改进的RBF网络可对典型退化图像进行令人满意的恢复。     

基于深度学习的水下图像超分辨率重建方法

由于水体本身的特性以及水中悬浮颗粒对光的吸收和散射作用,水下图像普遍存在信噪比（SNR）低、分辨率低等一系列问题,但大部分方法传统处理方法包含图像增强、复原及重建,都依赖退化模型,并存在算法病态性问题。为进一步提高水下图像恢复算法的效果和效率,提出了一种改进的基于深度卷积神经网络的图像超分辨率重建方法。该方法网络中引入了改良的密集块结构（IDB）,能在有效解决深度卷积神经网络梯度弥散问题的同时提高训练速度。该网络对经过配准的退化前后的水下图像进行训练,得到水下低分辨率图像和高分辨率图像之间的一个映射关系。实验结果表明,在基于自建的水下图像作为训练集上,较卷积神经网络的单帧图像超分辨率重建算法（SRCNN）,使用引入了改良的密集块结构（IDB）的深度卷积神经网络对水下图像进行重建,重建图像的峰值信噪比（PSNR）提升达到0.38 dB,结构相似度（SSIM）提升达到0.013,能有效地提高水下图像的重建质量。     

基于图像退化模型的图像去雾算法

在雾、霾之类的恶劣天气下拍摄的图像,由于存在大气的散射作用,使得物体特征难以辨认,严重影响了图像的视觉效果,同时还妨碍了图像的特征提取. 因此,需要利用去雾技术对图像进行增强和修复,以改善视觉效果和方便后期处理. 本文针对暗原色先验去雾算法耗时长和处理效果不佳等问题,提出了一种改进的自适应边界约束去雾算法. 同时,引入了信息熵和平均梯度对其进行客观评价,对比实验结果表明该方法运算速度快,在细节处理上效果更好.     

模糊推理最大熵图像恢复算法

与线性恢复算法相比,基于最大熵的图像恢复算法具有更好的图像恢复效果,但其收敛速度较慢。为了提高最大熵图像恢复算法的收敛速度,首先给出了算法的非周期反卷积模型,然后采用模糊推理系统在线确定算法的迭代步长。由于采用了可变步长,因此极大地提高了算法的收敛速度。仿真实验表明提出的算法收敛速度快,图像恢复效果好。     

一种用于图像去雾的改进生成对抗网络

雾霾天气会使计算机视觉相关系统获取到的图像质量下降并影响系统的正常工作。传统图像去雾算法通过分析大量图像建立模型,并找出清晰图像与模型之间的映射关系,但该类算法大多存在颜色失真和图像失真的问题,且在某些特定场景下可能失效。基于卷积神经网络的去雾算法得到的图像质量相对较好,但是该类算法对数据集要求较高,普遍需要成对数据进行训练,而获取同一时刻和场景下的有雾图像与无雾图像难度较高。提出一种基于循环生成对抗网络（CycleGAN）的改进图像去雾算法,该算法无需使用成对的数据进行训练。通过优化生成器生成的无雾图像与真实无雾图像之间的颜色损失,使得生成器能够生成与无雾图像具有相同颜色分布的图像。同时,通过向2个生成器中分别添加对应目标域图像的输入并引入特征损失函数,以解决经典CycleGAN在图像转换时存在的图像失真问题,从而更好地还原原始图像的细节特征。实验结果表明,相较DCP、CycleGAN、AOD-Net、Cycle-dehaze等算法,该算法的结构相似度提高4.3%~23.0%,峰值信噪比提高2.3%~36.9%,其能取得更好的去雾效果。     

基于交替迭代和神经网络的盲目图像恢复

提出了种盲目图像恢复模型：退化图像经傅立叶变换后在频率域通过交替迭代的方式分解出原始图像和点扩展函数,当大致估计出退化模型的点扩展函数的类型及其参数后,用基于Ｈｏｐｆｉｅｌｄ神经网络的方法进行精确恢复,以提高恢复质量．实验证明,这种恢复模型可以在未知点扩展函数的情况下取得较好的恢复效果．     

基于稀疏编码和岭回归的文本图像复原算法

为解决现有稀疏编码方法在文本图像复原中存在的编码码元表述空间有限和计算时间长的问题,提出了一种基于岭回归的稀疏编码文本图像复原方法。首先,该方法在训练阶段使用样本图像块训练出用于稀疏表达的字典,并根据样本图像块和编码码元之间的欧氏距离对样本图像块进行聚类;其次,在局部流形空间构建低质量文本图像块和清晰文本图像块之间的岭回归,实现对编码码元表述空间的局部多线性扩展和快速计算;最后,在测试阶段搜索和低质量文本图像最相近的编码码元,计算出近似的清晰文本图像块,从而避免计算耗时的低质量文本图像块的稀疏编码。实验结果表明,所提算法在恢复的图像质量上相比现有的基于稀疏编码的算法在峰值信噪比上高0.3~1.1 dB,耗时降低了1~2个数量级,为提高文本图像复原质量和提升算法运算速度提供了一种解决方案。     

基于NAS-RIF算法和神经网络的图像盲复原

在图像盲复原中,NAS-RIF算法在无噪情况下,能够得到较好的复原结果,但是对有观测噪声的图像复原效果不理想。而Hopfield神经网络有利于缓解图像复原过程中的震铃效应,但前提是知道退化图像的点扩展函数。将二者相结合提出一种基于NAS-RIF算法和神经网络的图像盲复原新算法,首先由NAS-RIF算法先估计出退化图像的点扩展函数,再利用Hopfield神经网络算法对其进行复原。实验结果表明,该算法具有较好的盲复原效果。     

基于改进模拟退火的神经网络降质图像恢复

随着科学技术的发展，图像处理技术已经成为科学研究不可或缺的强有力工具，而图像恢复是图像处理中非常重要的一环。传统基于模拟退火算法的神经网络降质图像恢复方法，为了避免退火过程过早收敛，对温度的降低不得不慢慢进行，这样导致算法运行时间太长。采用改进的含回火过程模拟退火算法降温，实验表明该改进算法求解时间比传统的方法有了很大的提高，图像的恢复效果也较令人满意，比传统的逆滤波、维纳滤波方法具有更好的峰值信噪比。