基于Matlab的AR模型参数估计

AR(自回归)模型是时域信号分析中的一种常见模型。基于Matlab用时间序列的最小二乘估计和FPE、AIC准则对AR(n)模型进行参数估计的传统方法为利用多次复杂的矩阵转换求解。在传统理论的基础上,笔者利用Matlab自有函数对AR(n)模型进行参数估计,确定出AR(n)模型的最优阶次,极大简化了原有程序,分析简单易懂,增强了参数估计结果的可操作性。     

基于概率分析的稀疏表示算法及在布料印染检测中的应用

为解决布料印染过程中,由于布料的褶皱或机器的故障而导致走布出现跑偏现象,本文提出了基于概率分析的稀疏表示分类算法(P-SRC),将布料的检测问题转换为稀疏表示的图像分类问题;同时提出了自适应纹理窗口选择算法和自适应样本个数计算方法。先把初始无偏转的图像,通过旋转产生新的图像,再利用所有图像作为训练样本构造过完备字典,对采集到的测试图像,按照本文提出的算法进行稀疏表示并分类识别。根据测试样本所属的类可判断染布机在走布过程中布料是否有偏转以及偏转的角度。实验表明,该算法提高了图像的识别率。     

时变失合AR模型的参数估计

首次提出了时变迭合ＡＲ模型,该模型在实际应用中具有广泛的应用价值。应用两步最小二乘法和限定记忆递推最小二乘法,给出了模型中时变参数的递推估计算法。     

基于主动表观模型的稀疏聚类人脸识别算法

在复杂的非人脸成分干扰以及训练样本过大、训练样本之间相似度较高的条件下,原始稀疏表示分类(SRC)算法识别准确率较低。针对上述问题,提出一种基于主动表观模型的稀疏聚类(CS-AAM)人脸识别算法。首先,利用主动表观模型快速、准确地对人脸特征点进行定位,获取主要人脸信息;然后,对训练样本进行K-means聚类,将相似程度高的图像分为一类,计算聚类中心,将该中心作为原子构造过完备字典并进行稀疏分解;最后,计算稀疏系数和重构残差对人脸图像进行分类、识别。将该算法与最近邻(NN)、支持向量机(SVM)、稀疏表示分类(SRC)、协同表示分类(CRC)人脸识别算法在ORL和Extended Yale B人脸数据库上对不同样本数及不同维数的人脸图像分别进行识别率测试,在相同样本数或相同维数情况下CS-AAM算法识别率均高于其他算法。在ORL人脸库中选取样本数为210时,相同维数条件下CS-AAM算法识别率为95.2%;在Extended Yale B人脸库上选取样本数为600时,CS-AAM算法识别率为96.8%。实验结果表明,该算法能够有效地提高人脸图像的识别准确率。     

改进型粒子滤波与稀疏表达的自适应图像跟踪算法

针对各种复杂场景下视频序列目标跟踪算法对目标外形、部分遮挡、灰度等参数敏感的问题,提出基于改进型粒子滤波与稀疏表达的自适应图像跟踪算法。通过建立过完备基,建立样本集合以及提取特征集合得到过完备集合。使用正交匹配跟踪算法求取稀疏系数,提出稀疏度计算公式用以计算各区域的匹配值,使用各匹配值求取目标位置。实验结果显示,算法能够稳健、高效地跟踪运动目标,相对各种运动跟踪算法,算法运行速度快,鲁棒性高,能够完成多种复杂环境下的跟踪任务。     

基于MP算法的语音信号稀疏分解

语音信号稀疏分解是一种新的语音信号分解方法,可以将语音信号分解为很简洁的近似表达形式。在语音信号稀疏分解的基础上,可应用于语音处理的多个方面,如语音压缩、语音去噪和语音识别等。研究利用Matching Pursuit（MP）算法实现语音信号的稀疏分解,实验结果表明基于MP算法的语音信号稀疏分解具有较好的重建精度和较高的稀疏度。     

快速稀疏分解在雷达目标识别中的应用

高分辨距离像目标识别算法很多,但利用高分辨距离像(HRRP)稀疏特点进行识别的方法却不多。为此,提出一种基于结构划分过完备字典完成雷达一维距离像稀疏分解,进而实现目标识别的算法。该算法首先依据字典原子的结构特点对其进行划分,简化字典表述的同时减少了原子数据存储量;随后,采用遗传匹配追踪算法(GAMP)对一维距离像训练样本进行稀疏分解以获得类别字典;最后,根据类别字典分析测试样本的重构误差实现目标识别。仿真实验证明,文中算法简洁、识别率高,即便受到噪声干扰依然能稳健地识别目标。     

图像1 DFFT-MP稀疏分解算法研究

针对图像稀疏分解速度慢和重建图像视觉效果不好的问题,提出了一种基于MP和一维FFT、的图像稀疏分解算法。算法中把二维图像按行抽取成一维信号,同样地,把过完备原子库中的原子按行抽取成一维原子,然后把二维图像或图像残差与原子的内积运算转化为一维信号或信号残差与一维原子的互相关运算,最后利用一维FFT方法计算一维信号与原子的互相关运算。通过实验验证表明,在重建图像的质量没有改变的前提下,当图像大小为512 X512时,一维FF7图像稀疏分解算法的速度比二维FFT提高了2. 11倍。     

基于稀疏表示与字典学习的彩色图像去噪算法

针对彩色图像在去噪时易产生模糊现象和伪色彩的问题,提出多信息结合字典算法。首先提出了基于RGB颜色空间各通道模值的加权梯度定义,并在此基础上建立了由彩色图像的亮度、加权梯度、颜色信息结合的一种过完备结构字典。其次利用噪声图像的稀疏性,通过不断更新迭代的字典训练过程,找到最优稀疏系数和最优学习字典,从而将噪声信息和图像有用信息分离开,精确重构图像并单求其颜色,进而得到去噪后的彩色图像。实验结果显示,与已有算法相比,本文提出的算法在不同的噪声强度下都取得了更好的视觉效果和更高的客观评价指标值,表明该算法具有良好的去噪性能。     

基于稀疏分解的数据分类算法

利用基于超完备字典的信号稀疏分解理论,提出一种基于稀疏分解的数据分类算法SRC。该算法通过学习不同类别数据的稀疏映射关系,把测试样本映射到高维空间中,根据稀疏重构的误差定义决策函数以确定测试样本的类别。采用UCI数据集评估该算法,并与SVM算法和Fld算法的实验结果进行对比,结果表明,SRC的分类准确率最高,不平衡数据集的实验结果显示了SRC的鲁棒性。     

基于稀疏表示和时频变换的ISAR成像算法

逆合成孔径雷达对空中机动飞行目标进行成像,在成像积累时间内,成像投影平面和横向尺度随时间变化,许多参数很难准确提取,人们无法获得更多的先验知识。一般采用鲁棒性强的距离-多普勒(RD)算法进行成像,但传统的RD成像算法基于目标匀速转动和方位均匀采样的假设,若用其对机动目标进行成像,则图像模糊,尤其对于随机缺损的雷达回波数据,其成像质量显著下降,甚至无法辨识。通过引入稀疏表示和时频变换,提出了一种基于稀疏表示和时频变换的距离-瞬时多普勒成像算法,其可对一般机动飞行目标进行有效成像。实验结果验证了所提算法的有效性和可行性。     

基于稀疏表示的人脸识别方法

分析了稀疏表示的数学本质就是稀疏正规化约束下的信号分解,研究了一种正交匹配追踪的稀疏表示算法并利用矩阵Cholesky分解简化迭代过程中矩阵求逆计算来快速实现算法,将该算法应用在人脸识别中,利用训练样本构建冗余字典,将测试样本看成冗余字典中训练样本的线性组合,通过在不同人脸库上的实验证明了该方法的有效性.     

基于稀疏表示的图像超分辨率重构算法

为提高单幅图像的分辨率,提出一种基于稀疏表示的图像超分辨率重构方法。该方法的核心是联合训练高分辨率和低分辨率字典,然后利用所得字典求解高、低分辨率下图像块共有的稀疏表示系数。与已有的基于稀疏表示的图像超分辨重构算法相比,该算法在求解稀疏表示系数时并未采用拉格朗日乘子将稀疏度和重构误差相结合,而是利用对偶模型求解原始的带约束优化问题。实验表明,与其他图像超分辨率重构方法相比,该方法所需手动调节参数较少,重构效果较好。     

基于低秩稀疏分解与协作表示的图像分类算法

目前,大部分图像分类算法为了获取较高的性能均需要充分的训练学习过程,然而在实际应用中,往往存在训练样本不足及过拟合等问题。为了避免上述问题出现,在朴素贝叶斯最近邻分类算法的原理框架下,基于非负稀疏编码、低秩稀疏分解以及协作表示提出一种非参数学习的图像分类算法。首先,基于非负稀疏编码和最大值汇聚操作表示图像信息,并构建具有低秩性质的同类训练图像集的局部特征矩阵;其次,采用低秩稀疏分解结合别类标签信息构建两类视觉词典以充分利用同类图像的相关性和差异性;最后基于协作表示表征测试图像并进行分类决策,实验结果验证了所提算法的有效性。     

稀疏表示人脸识别算法的研究与改进

为了提高稀疏表示人脸识别技术在对姿态、光照等情况下的识别率和鲁棒性,在GSRC算法的理论基础上提出使用向量总变差模型取代最小l1范数进行稀疏求解.在扩展YaleB人脸数据库和ORL人脸数据库上的数值实验结果中,改进方法在识别率和鲁棒性上都得到了提高,尤其在低维观测数据下,具有较大的优势.表明使用向量总变差模型进行稀疏求解在稀疏表示入脸识别率更具有优势.     

基于全局和局部短期稀疏表示的显著性检测

显著性检测是计算机视觉研究的一个重要问题。提出了一种由底向上的基于稀疏表示的显著性检测新算法。一般显著性检测主要包含两个部分,即图像特征提取和显著性度量。对于一幅给定的图像,首先利用独立成分分析(ICA)方法提取图像特征,然后用一个局部和全局模型对图像进行显著性度量。其中,利用一种低秩表示方法提取全局显著性,以及利用一种稀疏编码方法提取局部显著性。最后融合局部和全局显著图得到最终的显著图。在一个人眼关注数据库上与目前几种流行的方法进行了对比实验,实验结果显示所提出的方法能够得到更高的视觉关注预测准确率。     

一种新的基于稀疏分解的图像放大方法

提出了一对新的冗余离散小波变换(RDWT)和波原子变换(WAT)字典,并将其应用于图像稀疏形态成分分解以获得图像的卡通与纹理成分.并针对卡通和纹理所具有的不同形态学特征,对卡通成分采用具有曲率运动、边缘冲击特性和平滑去噪性能的非线性self-snake模型来放大;对纹理成分采用双三次插值方法来放大,最后通过叠加就可获得放大图像.实验结果表明,这种基于新字典对的稀疏形态成分分解的图像放大方法相比于传统的基于整幅图像的放大方法能够有效地保护小曲率和大梯度,强化图像边缘,保证纹理细节清晰完整.     

基于稀疏表示的多示例图像分类

为了有效地解决多示例图像分类问题,基于稀疏表示提出了一种新的多示例图像分类方法.该方法将图像看作多示例包,图像中的区域作为包中示例,利用示例嵌入策略计算包特征;然后将待分类图像包特征表示为训练图像包特征集上的稀疏线性组合,利用Z1优化方法求得稀疏解;最后根据稀疏系数提出一个为待分类图像预测标记的方法.在Corel数据集上的实验结果表明,与其他方法相比,所提方法具有更高的分类精度.     

帧间连续结构稀疏表示的目标跟踪算法

目标跟踪技术在日常生活和生产中有着广泛的应用,但是设计一种具有鲁棒性、准确性和实时性的跟踪算法仍具有很大的难度。为了提高跟踪算法的性能,设计了一种帧间连续结构稀疏表示目标跟踪算法。该算法在粒子滤波框架下进行,采用结构稀疏表示的原理重构候选目标。首先采用目标和背景样本构建稀疏字典, 以提高算法对目标和背景的区分能力。然后,构建含有帧间连续约束项的结构稀疏表示目标方程,该目标方程可以有效利用目标状态的连续性来确定目标状态。进而,根据重构残差设计了一种相似度描述方法,与传统方法相比,该方法对相似目标不敏感。最后,通过6组对比实验证明该算法具有较高的鲁棒性和准确性。     

基于K-SVD和稀疏表示的数字调制模式识别

为了提高数字信号调制模式识别在低信噪比下的正确率,通过分析基于稀疏表示的模式识别,提出了一种基于K-SVD和稀疏表示的特征提取方法.该方法首先引入主成分分析对样本进行降维,然后利用K-SVD算法构造稀疏字典并构建稀疏线性模型,最后通过e1范数最优化求解测试样本的稀疏系数,根据稀疏系数的分布提取特征值.利用支持向量机分类器进行信号的分类识别,仿真研究证明,新方法提取的特征值具有较好的有效性.