随机调制隐写中的噪声同步分析

针对Fridrich提出的使用固定密钥的随机调制算法,提出一种基于噪声同步分析的隐写检测方法.该方法使用图像复原、噪声估计和相关性计算实现对噪声同步程度的度量,并对同步分析下随机调制隐写的安全容量进行了分析.理论和实验表明,固定隐写密钥的使用会降低随机调制算法的安全性.     

仿真建模中随机值生成技术研究

针对仿真建模中随机数生成的问题,笔者提出了高斯随机值、随机值筛选、柏林噪声三种随机数生成和处理技术,并对其处理流程和算法进行了详细介绍,该技术已应用于某仿真训练系统的探测、指挥等仿真模型的实现上。应用表明,通过该技术生成的随机数较好的实现了作战过程中不确定因素的模拟。     

基于耦合HMM的多传感异步信息融合分类策略 *

针对多传感异步信息融合分类问题,提出了一种新颖的基于耦合隐马尔可夫模型（CHMM）结构的中期 融合分类策略,该策略既考虑到了多传感信息在时间上的相关性,又解决了信息流之间的异步问题;其次,通过 限制信息流的状态数量和限制信息流之间的异步程度,简化了模型结构;此外,为解决CHMM的算法实现问题, 提出了一种CHMM与双流HMM的等效变换方法,从而利用经典的HMM算法解决了CHMM的模型实现。最后 在唇读语音双模态数据库上的实验证明,该异步信息融合策略实现了比早期同步融合更理想的识别结果,证明 了该     

新的强高斯噪声自适应滤波方法

为有效去除严重的高斯噪声、更好地保护图像细节,提出了一种基于改进脉冲耦合神经网络（PCNN）的自适应去噪方法。根据PCNN神经元的点火捕获特性,定位受强噪声污染的像素,并采用类中值滤波对强噪声点进行滤除;基于无连接脉冲耦合神经网络（PCNNNI）的点火时刻矩阵自适应选择滤波方法平滑弱噪声点。实验结果表明,与传统去噪方法相比,该方法噪声去除效果好,图像细节保持完整,而且系统具有一定的泛化能力。     

噪声诱使模块化神经元网络产生随机多共振现象

首先,研究了噪声在多模块神经元网络中诱导的随机多共振现象.随机多共振现象是指存在不同的噪声强度,系统在这些噪声强度下对阈下信号的响应达到局部最优.其次,以FitzHugh-Nagumo神经元构成的模块化神经元网络为研究对象,通过数值模拟发现,神经元网络的系统响应随着噪声强度的增加多次达到局部最优,即产生随机多共振现象.同时,通过分析神经元网络平均膜电位的时序图,发现噪声通过诱导神经元网络在一个周期内产生多次发放进而诱导多次共振.最后,我们分析了两个子网络中加入不同强度的噪声时,噪声诱导神经元网络中的随机多共振现象.结果显示,当两个子网络加入不同强度的噪声时,随机多共振现象也会产生.     

色噪声激励下三势阱系统逻辑随机共振研究

本文利用基于Simulink的数值模拟方法研究了高斯色噪声激励下三势阱系统的逻辑随机共振现象.首先对于独立的加性和乘性高斯色噪声激励下的三势阱系统,发现仅有加性噪声作用不能实现可靠的逻辑操作,但加性噪声和乘性噪声共同作用可诱导良好的逻辑随机共振现象.和高斯白噪声相比较,高斯色噪声激励下能产生可靠逻辑随机共振的（D,Q）平面上的区域范围更大.进一步讨论了加性和乘性噪声之间的关联对于逻辑随机共振现象的影响,发现噪声关联对逻辑随机共振现象起着破坏性的作用.     

多阈值系统中高斯混合噪声改善信息的传输

讨论高斯混合噪声下多阈值系统中的随机共振现象.对于单峰噪声,当输入信号在阈上时,互信息随着噪声的增强单调递减,噪声总是不利于信息的传输;当信号在阈下时,互信息随着噪声的增强先递增然后再递减,适量的噪声能改善信息传输,随机共振现象存在.对于双峰噪声,信号在阈下或阈上,噪声有时能够改善信息的传输,随机共振和阈上随机共振存在.这些结果说明多阈值系统中噪声改善信息的传输依赖于噪声类型,拓广了随机共振和阈上随机共振在多元信息传输中的应用.     

一种强高斯噪声的图像滤波方法

针对图像中高方差的强高斯噪声特点,提出了一种图像噪声联合滤波的新方法。算法将受强高斯噪声污染的图像分为强噪声点集和弱噪声点集两部分,首先通过邻域像素强度值的变化特征,定位强噪声像素点,并采用改进的自适应均值滤波方法滤除,然后基于简化的脉冲耦合神经网络（PCNN）平滑弱噪声点像素。经实验结果验证,与已有的其他滤波方法相比,该算法在较好地滤除噪声的同时,具有良好的图像边缘保护和自适应能力。     

噪声图象中提取边界的随机启发式搜索方法

在噪声图象中如何有效地提取边界是图象分析领域中的难点。启发式搜索的方法常常用于提取边界,但是,这种方法由于采用固定的起始点、固定的引导度量以及对图象仅进行一次性搜索,对噪声往往很敏感,为此提出了一种随机启发式搜索算法,该方法随机地选取起始点,并依照引导度量的概率反复地进行随机搜索获得各种可能的边界轨迹,然后进行各搜索轨迹的积累自增强,最后根据自增强积累统计结果获得边界。大量的实验结果证明,在噪声图象中,随机启发式搜索方法可以在提取出有意义边界的同时有效地抑制噪声。     

基于时变盲混合高斯白噪声干扰的卫星姿态随机自学习控制

本文提出一种基于统计模式识别,针对盲混合高斯白噪声干扰下卫星姿态控制的方法.通过对噪声样本进行数据挖掘和模式识别,在线学习噪声的实时特性,获得其概率密度函数的先验知识,应用此先验知识进行样本聚类、分类、无监督学习并对噪声参数进行精确估计.学习系统将干扰白噪声参数的精确估计值传送至随机最优控制器以获得精度优良的控制效果,通过仿真研究表明了方法的有效性.     

高噪声背景下的语音识别系统设计

章讨论了高噪声背景下的汉语语音识别技术,从语音识别的一般方法出发,研究了基于半音节的半连续型隐马尔可夫模型（SCHMM）原理和算法,介绍了用DSP构建实现的方法,采用喉头送话器抑制了背景噪声,获得了较高的识别准确率。     

具有随机耦合强度两个复杂网络的自适应同步

探究当耦合强度不是常数而是随机变化时,两个不同复杂网络是否能够达到同步。假设耦合强度满足正态分布,在随机耦合强度的数学期望和网络拓扑结构分别已知和未知的情况下,设计合适的非线性自适应控制器使得两个网络获得同步。与假定耦合强度是一个确定值的研究成果相比,该结论更具有一般性。数值仿真表明了该方法的可行性和有效性。     

考虑随机量测时滞和同步相关噪声的改进高斯滤波算法

经典高斯滤波算法存在量测信息实时获取,以及过程噪声和量测噪声相互独立的假设条件.然而,在工程实际应用中该假设条件有时难以满足.本文针对一类具有随机量测时滞和同步相关噪声的高斯系统的状态估计问题,设计了一种高斯滤波框架形式的最优估计算法,并给出了所设计算法的三阶球径容积法则的次优实现形式-考虑随机量测时滞和同步相关噪声的容积卡尔曼滤波器(CKF–RDSCN).其借助Bernoulli随机序列,来描述系统中可能存在的量测时滞现象,并利用高斯条件分布性质来解决噪声相关问题,在此基础上构建所提出的最优估计算法.仿真结果表明,相比于扩展卡尔曼滤波(EKF),无迹卡尔曼滤波(UKF)以及容积卡尔曼滤波(CKF),在含有随机量测时滞和噪声同步相关的状态估计问题中,CKF–RDSCN具有更高的精度和更好的数值稳定性.     

基于条件随机域的上下文人类动作识别

提出一种新的基于条件随机域和隐马尔可夫模型（HMM）的人类动作识别方法——HMCRF。目前已有的动作识别方法均使用隐马尔可夫模型及其变型,这些模型一个最突出的不足就是要求观察值相互独立。条件模型很容易表示上下文相关性,且可使用动态规划做到有效且精确的推论,它的参数可以通过凸函数优化训练得到。把条件图形模型应用于动作识别之上,并通过大量的实验表明,所提出的方法在识别正确率方面明显优于一般线性结构的CRF和HMM。     

基于CARIMA模型的全局收敛的多变量随机自适应控制算法

本文针对多变量受控自回归积分滑动平均模型(CARIMA)提出了新的直接随机自适应控制算法,该算法不仅能鲁棒抑制任何定常负荷干扰而且应用于非最小相位系统仍具有全局收敛性,该算法不要求事先知道系统的关联矩阵只要求知道关联矩阵的整值参数。     

极大并联阈值网络中噪声改善信号的相关性

讨论了极大并联阈值网络中噪声改善信号相关性问题。当输入噪声为单峰高斯噪声时,输入信号在阈下时噪声才能改善信号的相关性,即随机谐振现象存在。而当输入噪声为双峰高斯混合噪声时,不仅输入信号在阈下时随机谐振现象有时存在,而且输入信号在阈上时噪声往往也能改善信号的相关性,即阈上随机谐振现象存在。噪声改善信号相关性随着网络中单元数的调整而改善。这些结果进一步说明了随机谐振或阈上随机谐振对噪声分布的依赖性,同时也拓广了随机谐振或阈上随机谐振在数字信号处理方面的应用。     

基于PCNN的高斯噪声滤波

论文针对高方差的高斯噪声的特点,提出了一种先定位和去除大噪声像素,后平滑小噪声像素的滤波方法。文中采用类均值滤波方法去除大噪声像素,利用改进的PCNN平滑小噪声像素。与已有的滤波方法相比,该算法在较好地滤除噪声的同时,具有自适应和图像边缘保护能力。实验结果证实了该方法的可行性和有效性。     

基于不同加权因子的随机多模型自适应控制

针对一类噪声方差未知的随机系统,基于不同加权因子设计多个参数辨识器辨识模型参数,在此基础上,构成多模型自适应控制器.在每个采样时刻基于指标切换函数选择最佳辨识模型.并将基于此最佳模型设计的控制器切换为当前控制器.同时,证明了多个模型控制器之间相互切换时整个闭环系统是全局收敛的.仿真结果表明,同单一自适应模型控制器相比,这种基于多个不同加权因子的多模型自适应控制器在模型参数发生跳变时可很好地改善被控对象的控制品质.     

两阶段多层感知的随机脉冲噪声比例预测

目的 基于卷积神经网络（CNN）在图块级上实现的随机脉冲噪声（RVIN）降噪算法在执行效率方面较经典的逐像素点开关型降噪算法有显著优势,但降噪效果如何取决于能否对降噪图像受噪声干扰程度（噪声比例值）进行准确估计。为此,提出一种基于多层感知网络的两阶段噪声比例预测算法,达到自适应调用CNN预训练降噪模型获得最佳去噪效果的目的。方法 首先,对大量无噪声图像添加不同噪声比例的RVIN噪声构成噪声图像集合;其次,基于视觉码本（visual codebook）采用软分配（soft-assignment）编码法提取并筛选若干能反映噪声图像受随机脉冲噪声干扰程度的特征值构成特征矢量;再次,将从噪声图像上提取的特征矢量及对应的噪声比例分别作为多层感知网络的输入和输出训练噪声比例预测模型,实现从特征矢量到噪声比例值的映射（预测）;最后,采用粗精相结合的两阶段实现策略进一步提高RVIN噪声比例的预测准确性。结果 针对不同RVIN噪声比例的失真图像,从预测准确性、实际降噪效果和执行效率3个方面验证提出算法的性能和实用性。实验数据表明,本文算法在大多数噪声比例下的预测误差小于2%,降噪效果（PSNR指标）较其他主流降噪算法高24 dB,处理一幅大小为512×512像素的图像仅需3 s左右。结论 本文提出的RVIN噪声比例预测算法在各个噪声比例下具有鲁棒的预测准确性,在降噪效果和执行效率两个方面较经典的开关型RVIN降噪算法有显著提升,更具实用价值。     

Courbage神经元映射模型的随机共振研究

采用神经元二维映射模型,通过数字仿真研究了高斯白噪声对神经元非线性动力学特性的影响.研究发现,噪声可以诱导具有次阈值输入信号的神经元产生动作电位和随机共振.随机共振现象的产生与否和噪声强度的大小以及输入信号的频率具有密切的关系.另外,还研究了系统的控制参数对随机共振现象的影响.