系统辨识及信号重构中的反卷积计算

给出一种采用快速傅里叶变换（ＦＦＴ）的反卷积算法。对于Ｎ维圆卷积矩阵，所需复乘／除次数约为Ｎ（ｌｏｇ２Ｎ＋１），复加次数约为２Ｎｌｏｇ２Ｎ＋Ｎ／４。对卷积矩阵维数Ｎ＝２＾ｃ的反卷积计算，在不同ＦＦＴ时可将Ｎ维圈卷积矩阵求逆转变成解Ｎ／２，Ｎ／４，Ｎ／８…２阶线性方程组，所需乘法次数约为Ｎ＾３／４２。     

—大点数圆卷积算法设计

给出一种新的大点数基２长度的圆卷积算法。以往在计算圆卷积时常采用余数定理和多项式乘积，它可以对某些小点数圆卷积设计最少乘法次数的算法，并且结合这些算法可以构成具有较少乘法次数的大点数圆卷积算法。文中圆卷积计算被视为矩阵向量积。通过建立圆卷积矩阵中行向量之间和列向量之间的相关性可以压缩圆卷积矩阵，使矩阵向量积的乘法次数大大减少。这个过程对于基２长度的圆卷积矩阵可以重复进行下去，因此能够得到快速有效的基２圆卷积算法。     

最小平方卷积反演的一种快速迭代算法

本文介绍一种最小平方卷积反演快速迭代算法。其特点是：（１）迭代过程由ＦＦＴ实现;（２）收敛因子易于选取,收敛性好;（３）收敛性与迭代初值无关。     

卷积,相关的列表分析与算法

本通过对线性卷积（相关）,圆周卷积（相关）理论的深入分析与研究,找出了线性卷积（相关）与圆周卷积（相关）算法上的内在联系,给出了两个结论式,创建了在同一表格中计算线性卷积（相关）和圆周卷积（相关）的简便方法,并给出了实例。     

采用卷积神经网络的小幅文本图像重聚焦算法

针对文本图像拍摄过程中的散焦模糊问题,提出一种基于卷积神经网络的图像重聚焦算法．首先分析了传统的维纳滤波方法,并对其进行变形;然后将频域相除转化为循环卷积,并将该卷积核进行奇异值分解,从而将二维卷积转化为一维卷积．在重点考虑循环卷积、一维卷积核的基础上,设计出了一种新的卷积神经网络结构．该网络结构不但能够模拟维纳滤波的去散焦模糊过程,还能在不显式计算散焦模糊核的情况下恢复图像,并具有良好的抗噪声性能．同时,该卷积神经网络还具有收敛快、参数不敏感的良好特点．     

TDMC反卷积快速并行计算的研究

ＴＤＭＣ反卷积快速并行计算的研究何明一反卷积是众多工程逆问题中带有共性的基本问题，其研究一直很活跃．文献［１］提出了通过时域多次卷积实现反卷积的方法（称为ＴＤＭＣ反卷积），［２］对其做了进一步推广和应用．ＴＤＭＣ反卷积法的主要优点是，当其它许多方法失...     

滑动FFT在实时频谱计算中的应用

介绍了一种计算频谱的简单算法－滑动ＦＦＴ,分析了其在频谱计算中实时性的提高及其在工程中的应用,并给出了硬件实现方法,最后指出了它的固有缺陷。     

实信号二维FFT的高效算法

针对实信号频谱的特点，对一维基２时域抽点ＦＦＴ算法做了改进．在此基础上，导出了一个实信号二维ＦＦＴ的高效算法，它可节省一半的存贮空间，计算量减少接近一半．     

离散信号卷积的一种简便求解方法

通过对信号与线性系统中离散信号卷积及其运算方法的分析,研究离散信号卷积运算常用的方法及存在的缺点,在此基础上提出了一种简便的求离散信号卷积的方法,该方法简便易懂,避开了求离散信号卷积时需大量作图的繁琐过程,从而简化了求离散信号卷积的计算。     

卷积积分与卷积和解法分析

卷积运算在信号与系统理论、控制理论和动态电路的分析中具有重要意义．文中主要讨论卷积积分与卷积和的图解法比较，在此基础上，给出了他们各自的简易算法，并举例说明了其应用方法．     

应用卷积公式的一种方法——直线作图法

卷积公式在很多学科领域都具有广泛的应用而直接应用卷积公式进行计算常常是比较困难的.本文作者给出了一种计算卷积的有效的简便的方法.该方法易于操作.     

基于PSO-ConvK卷积神经网络的肺部肿瘤图像识别

针对卷积核随机初始化以及梯度下降法训练卷积神经网络易陷入局部最值问题,提出粒子群算法优化卷积核(particle swarm optimization-convolution kernel, PSO-ConvK)的图像识别方法。使用参数迁移法构造卷积神经网络,并提取卷积核,利用PSO不断更新粒子的速度和位置,寻找全局最优值以初始化卷积核,将其传递到卷积神经网络,用肺部肿瘤数据训练卷积神经网络,结合梯度下降法修正网络权重,使得PSO算法的全局优化能力与梯度下降法的局部搜索能力相结合。试验通过批次大小、迭代次数以及网络层数3个角度验证方法的有效性,并与高斯函数优化卷积核进行对比。结果显示, PSO优化卷积核的识别率始终高于随机化卷积核和高斯卷积核,识别率最终达到98.3%,具有一定的可行性和优越性。     

Design and Optimization of Winograd Convolution on Array Accelerator

With the rapid development and popularization of artificial intelligence technology, convolutional neural network(CNN) is applied in many fields, and begins to replace most traditional algorithms and gradually deploys to terminal devices. However, the huge data movement and computational complexity of CNN bring huge power consumption and performance challenges to the hardware, which hinders the application of CNN in embedded devices such as smartphones and smart cars. This paper implements a convolutional neural network accelerator based on Winograd convolution algorithm on field-programmable gate array (FPGA). Firstly, a convolution kernel decomposition method for Winograd convolution is proposed. The convolution kernel larger than 3×3 is divided into multiple 3×3 convolution kernels for convolution operation, and the unsynchronized long convolution operation is processed. Then, we design Winograd convolution array and use configurable multiplier to flexibly realize multiplication for data with different accuracy. Experimental results on VGG16 and AlexNet network show that our accelerator has the most energy efficient and 101 times that of the CPU, 5.8 times that of the GPU. At the same time, it has higher energy efficiency than other convolutional neural network accelerators.     

离散信号卷积的简便运算方法

通过对信号与线性系统中离散卷积及其运算方法的分析,研究序列形式的离散信号的卷积运算过程,在图解法基础上提出了较为简便的运算方法--列表法.此列表法与图解法所得结果完全相同,却使运算过程大为简化.     

态密度的卷积律

本文论述了态密度的卷积律及其证明,给出了态密度的卷积律的一个简洁的证明。     

基于窗口无关均值滤波的MSR图像增强

为解决多尺度Retinex方法在运算中要多次运用高斯卷积,尤其是采用大尺度高斯核进行卷积获取图像低频信息时,运算速度将大大下降这一问题,根据大尺度高斯卷积模板具有均值模板的特性,利用量化的均值滤波近似大尺度高斯卷积,将卷积模板简化成均值模板,并提出一种与滤波窗口无关的快速均值算法.该方法引入了一个数组s用于存储窗口横向移动时每一列的数值,从而减少重复计算,大大提高滤波速度.以640×640大小的彩色图像为例,其处理速度仅为0.0867s,相比原始的MSR算法速度提高了732倍.试验分析表明,该方法即保证实现良好的图像增强效果,同时极大的提高了运算效率.     

基于深度学习的手绘草图识别

现有的手绘草图识别方法严重依赖于费时费力的手工特征提取,而经典的深度学习模型主要是为彩色多纹理自然图像设计,用于识别手绘草图时效果不甚理想。本文提出了一种基于深度学习的手绘草图识别方法(Deep-Sketch) ,该算法根据手绘草图缺失颜色、纹理信息的特点,使用大尺寸的首层卷积核取代自然图像识别中常使用的小尺寸首层卷积核,获得更多的空间结构信息。利用训练浅层模型获得的模型参数来初始化深层模型对应层的模型参数,以加快收敛,减少训练时长。加入不改变特征大小的卷积层来加深网络深度等方法以减小错误率。实验结果表明,本文所提出的方法较之其它几种主流的手绘草图识别方法具有良好的正确率,对250类手绘草图识别正确率达到69.2%。