采集型多媒体业务与联网监控系统

传统的监控系统正在多媒体化和网络化，成为新一代采集型多媒体业务的典型代表 。     

EBPSK调制信号功率谱分析

调制技术对数据传输效率有重要意义.提出EBPSK调制方法,推导了其功率谱解析表达式,给出EBPSK在不同调制指数时功率谱理论值与仿真结果,验证了理论分析的正确性.同时,揭示了EBPSK已调信号功率谱随调制角变化的规律;并对功率谱、频谱效率及其与抗干扰性能关系进行了分析.     

独特的网络小应用程序－Java Applet

本文介绍了重要的Ｉｎｔｅｒｎｅｔ工具Ｊａｖａ语言及其独特的小应用程序－Ｊａｖａａｐｐｌｅｔ，阐述了ａｐｐｌｅｔ的基本概念和它给Ｉｎｔｅｒｎｅｔ网带来的巨大影响，描述了ａｐｐｌｅｔ的生命期，以及使用ＡＷＴ建立ａｐｐｌｅｔ的一系列方法和ａｐｐｌｅｔ的安全机制，展望了Ｊａｖａ新思想对今后Ｉｎｔｅｒｎｅｔ的推动。     

基于PCNN的改进Split-merge图像分割

为了更好地分割图像,对传统Split-merge算法作出改进:PCNN先进行分裂,用一种简化的Mumford-Shah模型进行合并,使得分裂阶段不仅无效分割减少,而且无方块效应,对边缘定位准确;合并阶段能够理想地将分裂后的区域合并为感兴趣的前景与不感兴趣的背景,误合并与欠合并大幅减小.对Papav, Monkey, Twoman图像的仿真表明,其分割结果和运行时间均优于AMS,MBMS算法.仿真结果证明,本文算法是一种适用于图像分割的有效算法.     

最大模糊互信息用于图像分割

为了更好地选取图像阈值,将最大模糊熵(MFE)准则与最大互信息(MMI)准则结合,提出最大模糊互信息(MFMI)准则。同时为了有效确定最佳分割类数,提出根据模糊互信息差(dFMI)来判别的准则。综合上述的两点改进,提出一种新的多阈值分割算法——最大模糊互信息量分割算法(MFMI)。对合成图像、无损检测图像、标准测试图像进行仿真,同时对比结合前的MFE与MMI,经典的阈值分割法如OTSU和MET,以及流行的模糊C均值算法(FCM),可以发现MFMI误判率最小,代价是运行时间较长。综上,MFMI是一个有效的图像分割方法。     

基于SPCNN和Nagao滤波的图像去噪

为了更好地滤除椒盐噪声,提出如下方法:首先借鉴非线性模板和模板匹配的思想,改进了Nagao滤波器;再利用简化脉冲耦合神经网络模型,提出一种定位噪声点的方法;最后将两者结合用于恢复被椒盐噪声污染的图像.实验证实,采用本文算法恢复图像的主客观效果均优于标准中值滤波、自适应中值滤波、中子集型中值滤波、简化脉冲耦合神经网络滤波,且当噪声密度大范围变化时仍然具有较好效果.     

基于分割的彩色图像编码

文中基于第二代图像编码思想,提出一种新的静止图像编码方式:首先利用脉冲耦合神经网络对图像进行分割;接着对图像的边缘区,采用改进的链式编码来记录边缘形状信息,采用二维DCT编码记录边缘彩色信息,同时对图像的同质区与纹理区,则结合第二代小波采用一种改进的零树小波编码;然后采用零树关系重排量化系数;最后根据接收方的主观心理,给出算法相应的变型.实验表明,在不考虑信道噪声与接收方主观心理的情况下,文中算法优于流行的JPEG,CMP,EZW与JPEG2000.     

基于ABSUM的MIMO雷达频谱兼容波形设计

该文讨论了多输入多输出(MIMO)雷达发射波形和接收滤波器的联合优化问题,以确保与叠加的授权通信网络频谱兼容。考虑信号相关杂波的干扰,在发射能量、相似性和频谱兼容约束下,所提出的信干噪比(SINR)最大化的优化问题是NP-hard问题。为此,首先引入辅助变量对原问题进行修正,然后提出了一种基于乘子块连续上界极小化的原对偶(ABSUM)算法求解该问题。此外,利用内点法求解在ABSUM算法每个更新过程中涉及的二次规划问题。最后,仿真结果表明,ABSUM算法在输出SINR、波束图、频谱特性等方面优于现有方法。      

一种径向基函数神经网络的参数求解方法

为了求解径向基函数神经网络的权值,首先分析了传统基于训练误差的方法,发现该方法容易造成数据过拟合,原因在于训练误差是风险函数的下偏估计;因此,文中提出采用缺一交叉验证得分代替训练误差,来实现无偏估计风险函数;实验对摩托数据与玻璃数据进行拟合,证实了基于缺一交叉验证的方法优于传统基于训练误差的方法,且所得到的径向基函数网络能够较光滑地拟合数据,不会造成过拟合.     

基于正交分量辨别分析的人脸识别方法

线性辨别分析(LDA)特征空间的坐标轴是非正交的,并且基于LDA的分类器的性能容易受训练集变化的影响.Okada[1]提出了一种优化正交系统,但运算量大,且增加了特征空间坐标轴的数目,影响分类器速度.本文提出一种新的正交分量辨别分析(OCDA),没有增加坐标轴的数目,并且稳定性和识别率都优于LDA.