基于前向空间线性预测的声源时延估计算法

在带有混响和噪音的复杂环境中,传统广义互相关时延估计算法的抗噪能力弱、时延估计精度低。为解决该问题,基于前向空间线性预测技术,提出一种时延估计算法。结合多传感器提供的冗余信息与空间相关矩阵,改进不利声学环境下的声达时间差估计方法。采用空-时预测法,根据麦克风阵列输出中包含的语音信号源的空间和时间相关性,在抑制多麦克风噪声的同时最小化语音失真。仿真实验结果表明,与传统广义互相关时延估计算法相比,该算法时延估计错误率更低、稳定性更强。     

基于核函数的稀疏属性选择算法

鉴于传统属性选择算法无法捕捉属性之间的关系的问题,文中提出了一种非线性属性选择方法。该方法通过引入核函数,将原始数据集投影到高维的核空间,因在核空间内进行运算,进而可以考虑到数据属性之间的关系。由于核函数自身的优越性,即使数据通过高斯核投影到无穷维的空间中,计算复杂度亦可以控制得较小。在正则化因子的限制上,使用两种范数进行双重约束,不仅提高了算法的准确率,而且使得算法实验结果的方差仅为0.74,远小于其他同类对比算法,且算法更加稳定。在8个常用的数据集上将所提算法与6个同类算法进行比较,并用SVM分类器来测试分类准确率,最终该算法得到最少1.84%,最高3.27%,平均2.75%的提升。     

基于神经网络的时延预测算法研究

网络控制系统由于时延的存在,其稳定性通常难以保证,一般要求控制器能够准确预知系统的时延 值.网络形式的不同..时延的变化具有规律性或无序性.针对网络时延变化的不同情况,提出了利用线性神经网络和 RBF径向基函数网络技术对时延进行预测.通过对二者预测仿真结果的对比分析,得出了其各自进行时延预测的 适用条件.     

基于三角不等式和线性预测的运动估计方法改进

本文对Ｈ．６２３ 视频编码方案中的运动估计算法提出了两个改进方法：一是利用三角不等式原理对宏块进行筛选,只有通过筛选的宏块才继续进行匹配,从而减少了运算量;二是对搜索窗口位置先进行预测,然后再进行宏块匹配。     

基于线性编码的随机时延和丢包下的状态估计

关于具有数据随机传输时延和丢包的网络化状态估计问题,针对多个测量数据包同时到达远程处理中心的情况,为减轻计算负担,提出了一种线性编码方法对多个测量值进行线性重组进而用以推导估计器,并给出估计器稳定的充分条件.在最小方差原则下通过改变编码参数组合来改变估计器精度,通过算例仿真验证所提估计器的有效性.结果表明,上述估计器能...     

基于改进的快速稀疏编码的图像特征提取

考虑图像特征系数的最大化稀疏分布和特征基的正交性,在快速稀疏编码(FSC)模型的基础上,提出一种改进的FSC模型。该模型利用迭代法解决了基于L₁范数的归一化最小二乘法和基于L²范数的约束最小二乘法的凸优化问题,能够实现完备基和过完备基的学习,有效提取出图像的最佳特征,且比标准稀疏编码(BSC)模型的收敛速度快。分别利用自然场景图像和掌纹图像作为训练数据进行特征提取测试,并进一步利用提取的特征基进行图像重构实验,同时与BSC模型的图像重构结果进行对比,实验结果证实了所提出的改进FSC模型能够快速、有效地实现图像的特征提取。     

时延估计算法的FPGA实现

时延估计是雷达、声纳等领域经常遇到的一个问题,提出了利用相关计算法实现时延估计,并通过互谱插值提高估计精度。结合FPGA器件特性,运用VHDL语言编程,实现了整个相关算法。利用QuartusⅡ和Matlab软件进行了联合仿真,结果证明了设计的正确性。     

改进的互功率谱时延估计算法

麦克风阵列的声源定位一直是阵列信号处理领域的研究热点.以互功率谱相位估计法（mutual power spectrum phase estimation,CSP）为代表的时延估计法因为其原理简单、计算量小、易于实现而得到广泛应用.虽然CSP算法在高信噪比环境下有不错的估计效果,但当信噪比较低和声学场景较复杂时,算法效果急剧下降.为了解决这一问题,本文对CSP算法进行改进.通过对CSP算法的时延估计结果进行筛选,剔除不合理的时延值,更新算法参数后重新进行估计以得到合理的时延值,并经过多帧信号加权得到声源的时延值与位置信息.为了验证所提算法的有效性,本文分别在Matlab与真实环境下进行了实验验证,结果表明,改进后的CSP算法相比原有算法在时延估计精度方面有明显改善.     

基于仿射投影算法的时延估计

在时间延迟估计中,通常利用互相关算法对时延进行估计.然而,互相关算法受噪声影响较大,在低信噪比时无法准确对时延进行估计.LMS、NLMS等自适应算法能够避免噪声的影响,然而其收敛性较差.RLS自适应算法虽具有较好的收敛性,但算法复杂度较高.本文利用的仿射投影(AP)算法则具有较好的收敛性.模拟仿真表明该算法能准确估计时...     

基于小波降噪的稀疏傅里叶变换时延估计

稀疏傅里叶变换时延估计具有较低的运算时间复杂度,但在低信噪比时无法准确估计出时延.针对稀疏傅里叶变换时延估计在噪声干扰下时延估计精度下降的缺点,提出了基于小波降噪的稀疏傅里叶变换时延估计算法.算法利用小波降噪方法处理接收到的信号,再对降噪后的信号进行稀疏傅里叶变换广义相关,通过检测相关函数的谱峰得到估算的时延值.实验仿真以及对实测数据的验证均表明,在低信噪比条件下,基于小波降噪的稀疏傅里叶变换时延估计算法在保证数据高处理速度的同时,具有较好的抗噪性以及较高的时延估值精确度.     

基于改进块稀疏贝叶斯学习算法的波达方向估计

针对传统的基于稀疏表示的DOA估计算法单纯利用信号的空域稀疏性,导致在低信噪比时稀疏性能变差,影响信号稀疏重构效果的问题,使用分块稀疏理论对信号进行稀疏分解。随着目标增多及作战任务改变,DOA估计往往呈现目标群测向的特点,为了能够更好地利用信号的结构特征和统计特征,提出了基于空时联合的块稀疏DOA估计算法,使用块稀疏理论挖掘信号的内部结构,充分利用了信号的块内稀疏性和块间相关性,提高稀疏重构性能,进而对DOA估计效果有很大的提升。仿真实验表明,相比于经典的DOA方法,本方法有更好的估计效果。     

基于改进人工蜂群算法的支持向量机时序预测

为使支持向量机(SVM)能更好地完成参数寻优并获得时间序列变化空间预测功能,通过改进人工蜂群社区不同蜂群的搜索方式以强化算法角色分工机制的技术优势;引入模糊信息粒化理论进一步提升支持向量机时序预测框架的学习效率、回归精度及推广能力.将方法用于上证指数时序建模并进行多角度仿真实验对比研究,无论预测精度还是泛化性能均优于现有经典方法.所提出方法具有良好的时序预测效能,对大数据背景下满意近似解及模糊性问题研究亦具有一定的启发和借鉴意义.     

基于容积粒子滤波的时延差定位估计算法

在基于粒子滤波的时延差定位估计方法中, 重要密度函数的选取将直接影响估计的性能, 为此, 提出了基 于容积粒子滤波的时延差估计(BCPF-TDE) 算法. 该算法利用最新的数据检测信息, 通过容积卡尔曼滤波(CKF) 获 取粒子滤波的重要性密度函数. 仿真实验表明, 在粒子数目相同的情况下, 基于容积粒子滤波的时延差估计(BCPF- TDE) 方法与基于扩展粒子滤波的时延差估计(BEPF-TDE) 方法相比, 定位估计误差只有后者的50% 左右, 而运行时 间相当.

     

基于改进稀疏编码的图像超分辨率算法

针对传统基于稀疏字典对的超分辨率（SR）算法训练速度慢、字典质量差、特征匹配准确性低的缺点,提出一种基于改进稀疏编码的图像超分辨率算法。该算法使用自适应阈值的形态组成分析(MCA)方法提取图像特征,并采用主成分分析算法对训练集进行降维,提高特征提取的有效性,缩短字典训练时间,减少过拟合现象。在字典训练阶段,使用改进的稀疏K-奇异值分解(K-SVD)算法训练低分辨率字典,结合图像块的重叠关系求解高分辨率字典,增强字典的有效性和自适应能力,同时极大地提高了字典的训练速度。在Lab颜色空间对彩色图像进行重建,避免由于颜色通道相关性造成的重建图像质量下降。与传统方法相比,该算法重建图像质量和计算效率更优。     

Time delay estimation in continuous linear time-invariant systems

The use of a time delay in modeling LTI systems is quite common. However, attempts to estimate these time delays in continuous systems typically resorted to methods which increase the number of parameters in the system, in contradiction to the use of time delay in the model to begin with. We present here an attempt to estimate the time delays directly. The algorithm we present is supported both by analysis and simulations with very encouraging results     

基于改进MP稀疏分解的语音识别方法

在限定输入词汇量的条件下进行语音识别的过程中,结合MP稀疏分解的原子结构特性,提出把语音信号经MP稀疏分解所得的最佳原子时频参数作为匹配参数对语音进行识别。用基于遗传算法和原子库划分的策略对MP稀疏分解的寻优过程进行改进以提高MP稀疏分解的效率。在Matlab环境下进行仿真试验时,采用LGB算法对测试信号进行判别。试验结果表明,MP稀疏分解算法经改进后运行速度得到提高,采用10个原子的时频参数可有效识别长度约为6000的语音信号。     

基于改进稀疏自编码神经网络的软件缺陷预测

针对软件缺陷预测时普遍存在的样本缺陷数据不平衡、特征冗余等问题,引进稀疏自编码(SAE)神经网络并加以改进,提出了一种新的分类模型。模型结合了SAE神经网络和少数样本合成过采样技术(SMOTE)的优点,可弥补传统分类方法在软件缺陷预测时忽视少数类分类效果、不能很好地保留数据内部特征等不足。基于NASA软件缺陷公共数据库中多个数据集的实验结果表明:提出的模型在软件缺陷预测方面的分类效果明显优于其他算法,尤其提高了不平衡数据集中少数类的分类精度。     

基于稀疏卷积的前景实时双目深度估计算法

为了提高立体匹配算法处理前景视差估计任务的计算效率,针对一般网络采用完全双目图像作为输入,场景内前景空间占比小而导致输入信息冗余度大的缺点,提出了一种基于稀疏卷积的目标实时立体匹配算法。为实现和改善算法对稀疏前景的视差估计,首先利用分割算法同时获得稀疏前景掩膜和场景语义特征;其次通过稀疏卷积提取稀疏前景区域的空间特征后与场景语义特征相融合,并将融合特征输入到解码模块进行视差回归;最后以前景真值图作为损失生成视差图。在ApolloScape数据集上的测试结果表明,所提算法的准确性和实时性均优于先进算法PSMNet和GANet,且算法的单次运行时间低至60.5 ms,对目标遮挡具有一定的鲁棒性,可用于目标实时深度估计。     

基于改进的稀疏深度信念网络的人脸识别方法

由于稀疏表示在人脸识别上的优异表现,大量的研究关注于在深度网络上结合稀疏编码.常用的稀疏深度信念网络限制所有的隐藏单元具有相同的稀疏水平,这不是诱导稀疏表示最自然的方式.针对这个问题,根据压缩感知理论改进原来的稀疏项,添加了一个tan-sigmoid正则项逼近稀疏表示的最优解L0范数.这种方法不限制隐藏单元拥有相同的激活率,每个隐藏单元可以根据不同的任务自动学习到不同的稀疏水平.在ORL、UMIST和FERET人脸库上的识别结果表明,提出的方法与经典的稀疏深度模型相比,获得了很好的特征表示和识别效果.