一个基于相邻像素兼容度的模糊加权平均滤波器

在文献[1]的基础上，提出几个改进的模糊加权平均滤波器。本文的方案不仅同时考虑了相邻像素对中心像素的兼容性以及中心像素对相邻像素的兼容性，而且还考虑到了权系数对局部环境的适应性。实验结果表明，该方法相比文献[1]中的模糊加权平均滤波器以及标准的均值滤波器、中值滤波器在噪声消除与边缘保留方面具有更好的性能。     

一种基于改进罚函数的盲分离算法

文章通过对Hyvarinen-Oja算法的理论分析与仿真比较，提出了一种改进的罚函数实时线性混叠信号盲分离算法。该算法不仅从理论上导出了罚函数的选取方法，而且也大大加快了算法的收敛速度，避免了目前纯罚函数方法可能带来的病态问题。最后进行仿真，结果表明该算法不仅具有很好的分离效果，而且分离时间较Hyvarinen-Oja算法缩短了30％。     

基于TMS320C6701的数字陷波器的实现

文章提出了一种基于TMS320C6701的数字陷波器的实现。介绍了该数字陷波器的硬件结构及在其上实现的三种自适应干扰抑制算法，给出了相应的实验结果。最后提出了在实践中应当注意的一些问题。     

一个基于多媒体短信息业务的变形动画生成机制

为了适应MMS(多媒体短信息业务)的发展，提出了一个基于图像扭曲的变形动画生成机制。该机制不仅能够实时地产生效果新奇、富于戏剧性的GIF动画，而且能够根据不同终端的特点实现图像的自适应处理，从而使在无线网络上传输丰富多彩的图像文件变得更为方便。     

异步脑—机接口的空闲状态检测新方法*

提出一种新的空闲状态检测方法,以训练集中各类运动想象样本的类内散度和正确检测率为指标,结合接收机曲线确定分类阈值,设计最佳三分类器,并采用模糊化技术对预测标签进行处理。将该方法应用于2005年BCI竞赛数据IVc,测试的均方误差为0.278 7。实验结果验证了该方法的有效性。     

移动自组网中的MAC地址动态分配

减小动态源路由协议DSR的开销、提高无线信道的利用率的关键是在协议运行时,使用1 B的MAC地址对节点进行标识。该文研究了如何为特定IP地址标识的网络节点动态分配MAC地址,实现了一种基于预测的无冲突MAC地址动态分配方法,其中所引入的开销较低。实际应用表明,该分配方法具有较强的适用性、可靠性。     

基于MRF-MAP的运动矢量恢复差错掩盖算法

针对帧间编码模式下出现图像块丢失的情况,提出一种有效的时间域运动矢量恢复差错掩盖算法。把运动矢量场建模为高斯马尔科夫随机场,对丢失图像块的运动矢量采用最大后验概率方法恢复,其权值能够根据空间和时间信息而自适应选择。仿真结果表明,该算法在客观和主观上都能获得高质量的图像。     

无偏稀疏正则化的双策略结构神经网络压缩

虽然深度神经网络模型的性能十分出色,但目前网络存在规模庞大、权重冗余度高的问题。同时,现有对网络权重剪枝的正则子估测偏差大。因此,本文提出无偏稀疏正则化的双策略结构神经网络压缩。首先,本文将神经网络所连接权重视为一组,提出采用估测值偏差小的非线性拉普拉斯函数,构建组间无偏结构稀疏正则子和组内无偏结构稀疏正则子,对冗余神经元和剩余神经元的冗余权重分别进行稀疏约束,构建无偏稀疏正则化的双策略结构神经网络压缩模型。其次,针对所设计的无偏稀疏正则化的网络压缩优化难题,本文采用近端算子技术获得无偏稀疏正则子的闭式解,进而设计基于近端梯度下降法的反向传播算法,实现神经网络准确的结构压缩。最后,通过在数据集MNIST、 FashionMNIST和Cifar-10进行实验验证,本文所提出的无偏稀疏正则子的双策略结构神经网络压缩不仅收敛速度快于目前主流正则子。而且在压缩率保持一致的情况下,相比已有的方法识别精度平均提升2.3%,在识别保持精度基本一致的情况下,相对已有方法平均提升11.5%的压缩率。     

面向卷积混叠环境下的盲源分离新方法

卷积混叠环境下的盲源分离(Blind source separation, BSS)是一个极具挑战性和实际意义的问题.本文在独立分量分析框架下,建立非负矩阵分解(Nonnegative matrix factorization, NMF)模型,设计新的优化目标函数,通过严格的数学理论推导,得到新的模型参数更新规则;并对解混叠矩阵进行标准化处理,避免幅度歧义性问题;在源信号的重构阶段,通过实时更新非负矩阵分解模型参数,避免源信号的排序歧义性问题.实验结果验证了所提算法在分离中英文语音混叠信号、音乐混叠信号时的有效性和优越性.     

基于自注意力对抗的深度子空间聚类

子空间聚类(Subspace clustering)是一种当前较为流行的基于谱聚类的高维数据聚类框架.近年来,由于深度神经网络能够有效地挖掘出数据深层特征,其研究倍受各国学者的关注.深度子空间聚类旨在通过深度网络学习原始数据的低维特征表示,计算出数据集的相似度矩阵,然后利用谱聚类获得数据的最终聚类结果.然而,现实数据存在维度过高、数据结构复杂等问题,如何获得更鲁棒的数据表示,改善聚类性能,仍是一个挑战.因此,本文提出基于自注意力对抗的深度子空间聚类算法(SAADSC).利用自注意力对抗网络在自动编码器的特征学习中施加一个先验分布约束,引导所学习的特征表示更具有鲁棒性,从而提高聚类精度.通过在多个数据集上的实验,结果表明本文算法在精确率(ACC)、标准互信息(NMI)等指标上都优于目前最好的方法.