一种用于农业环境监测的无线传感器网络设计

提出一种应用于农业环境信息监测的无线传感器网络,实现对农业试验田温度、湿度及光照强度的实时监测。处于同一个网络的节点通过点名和轮询机制,实现网络的建立与维护。传感器节点实时地获取所处环境的温度、湿度和光强信息。用户可根据需要查询相应的信息。实验结果表明：该网络能够实现所需信息的获取和传输功能。     

基于平稳小波变换的图像去噪方法

正交小波阀值消噪方法已广泛地应用于图像噪声抑制，目前对于正交小波阈值去噪方法的研究主要集中于如何选取阈值使消噪达到较好的效果，然而对于图像中噪声幅度较大的情况下，正交小波变换阀值消噪会使图像边缘失真，甚至图像模型，提出的平衡小波变换的图像消噪方法，可以有效地降低噪声，同时又较好地保持图像边缘细节，与正交小波变换阈值降噪方法相比，有明显优越性。     

基于AR模型的齿轮箱振动故障检测

在分析了正常和故障状态下齿轮箱振动测试信号的基础上,提出了一种基于AR模型的齿轮箱振动故障检测的新方法,首先用正常状态下AR模型系数构造正常状态的特征向量及容差,然后将各状态下的AR模型系数与之比较,从而判断齿轮是否出现故障。实验结果表明,该方法是可行和有效的。     

基于多尺度Retinex算法的遥感图像增强

遥感图像增强是对遥感图像进行后继处理的必要步骤且在遥感图像的处理中占有独特的地位.当前,有很多图像增强方法被应用到遥感图像的增强当中,文中引入Retinex增强算法,该算法可以实现对图像进行自适应的增强处理.为了使Retinex算法更具有普遍性和自适应性,采用多尺度Retinex算法对图像进行增强.多尺度Retinex算法即结合多个尺度上的单Retinex算法,因而可以进一步提高Retinex算法的自适应能力和对图像的增强效果.应用小波变换方法和多尺度Retinex算法对遥感图像进行增强对比实验,实验结果表明多尺度Retinex算法在遥感图像的增强方面具有优越性,并且可以取得令人满意的增强效果.     

一种基于Contourlet递归Cycle Spinning的图像去噪方法

综合利用Contourlet变换和递归Cycle Spinning,提出一种新的图像去噪方法.由于Contourlet变换缺乏平移不变性,直接进行Contourlet系数阈值图像去噪会产生伪吉布斯现象(导致图像失真),本文引入递归Cycle Spinning来有效地消除这种由于Contourlet变换缺乏平移不变性而产生的图像失真.实验结果显示,与小波递归Cycle Spinning图像去噪等方法相比,该方法明显改善图像视觉效果,显著提高图像的PSNR值.     

基于MAX197的高精度数据采集系统

模数（A/D）转换芯片广泛应用于数据采集和信号检测中,其精度一般在8～24位之间。主要以MAXIM公司的MAX197模数转换芯片和ATMEL公司的AT89S52单片机设计的12位精度数据采集系统为例,详细说明了单片机高精度数据采集系统的设计方法及单片机数字滤波的方法。     

多类别相关性结合的类属属性多标签学习

现有的类属属性学习方法在提取类别标签的特征时,大多仅单一考虑标签间的相关性,忽略实例和实例间以及特征与特征间的相关性,可能会降低分类精度.为了解决此问题,文中设计多类别相关性结合的类属属性多标签学习算法,考虑标签相关性、特征相关性和实例相关性.利用标签之间的余弦相似度计算标签相关性,构建相似图矩阵计算特征相关性和实例相关性.文中算法紧凑地选择标签的类属属性,提高分类精度,有效解决多标签分类遇到的维度过大问题.     

小波变换在流量计阶跃响应信号消噪中的应用

讨论了小波变换对空气质量流量计阶跃响应信号的消噪方法,选取具有5阶消失矩的Daubechies小波对含有噪声的原始信号进行逐层分解,对各层细节信号分别进行阈值处理,重构出消噪后的信号。最后与巴特沃斯数字低通滤波器的消噪效果进行比较,证实了小波变换消噪的效果更好。     

基于DSP和FPGA的数据通信实现方案

在诸如无线视频传输等许多的系统设计中,越来越多的使用到了ARM＋FPGA或DSP＋FPGA的方案,由ARM或DSP做控制,而FPGA做复杂的算法处理,这样的分工可以使二者各尽其能,达到整个系统的性能最优值。但如何协调控制器和FPGA,特别是如何进行两者之间的数据通信却是需要解决的问题。本文以BF537系列DSP为例,介绍一种方法,使得BF537能够动态的配置FPGA,并能够正确简单的与FPGA进行数据通信。经过实践证明该方法行之有效,并具有一定的通用性和灵活性。     

基于RPCA和LatLRR分解的红外与可见光的图像融合

红外光和可见光图像的融合在视频监控、目标跟踪等方面发挥着越来越重要的作用.为了得到融合效果更好的图像,提出了一种新的基于鲁棒性低秩表示的图像分解与深度学习结合的方法.首先,利用鲁棒性主成分分析对训练集图像进行去噪处理,利用快速的潜在低秩表示学习提取突出特征的稀疏矩阵,并对源图像进行分解,重构形成低频图像和高频图像.然后...