图像滤波的形态学开、闭型神经网络算法

该文设计完成了一种具有实用意义的形态学开、闭滤波的神经网络模型及其滤波参数的优化训练算法。实验结果表明该方法设计简便,实用性强且易于推广,对提高形态滤波性能效果明显。分析表明,形态滤波器可分解为形态滤波运算和结构元素选择两个基本问题。形态滤波运算规则已由定义本身确定,于是形态滤波器的最终滤波性能就仅仅取决于结构元素的选择。进行自适应优化训练的目的正是使结构元素具有图像目标的形态结构特征,从而使形态滤波器对复杂变化的图像具有良好的滤波性能和稳健的适应能力。     

彩色形态滤波器分析

形态滤波属于非线性信号变换处理,它利用信号的局部特征对信号进行修正。最近的研究表明形态滤波器能有效地滤除二值图像及灰度图像中的噪声,本文引入了建立在ＲＧＢ彩色空间上的彩色形态变换,针数字形态学理论从灰度空间扩展到彩色空间,对基本彩色形态滤波器（即彩色形态闭、开）及以它们为基础所构造出一些复杂的彩色形态滤波器进行了研究,并对它们选用不同结构元素的情况进行了分析,实验表明彩色形态滤波器能直接有效地消除     

形态滤波器结构元的自适应优化算法

该文提出了一种实现形态滤波器结构元优化设计的自适应算法,自适应过程类似于经典的最小均方(LMS)算法。通过将腐蚀与膨胀运算用隐函数表示,推导出腐蚀与膨胀运算中结构元的优化公式,由此进一步可得到任意组合形态滤波器的自适应优化公式。仿真实验表明该算法改善了形态滤波器的性能,具有设计简便、实用性强的特点。     

Top-hat形态学滤波在图像预处理中的应用及FPGA实现

阐迷了数学形态学在灰度图像滤波中的应用,设计出一种以现场可编程逻辑门阵列(FPGA)实现灰度形态学图像预处理的硬件架构,该结构的优势在于可自动生成定长结构元素的滤波器.对灰度图像形态学滤波效果进行了仿真.仿真表明,该方法在提高图像信噪比的同时,对外景干扰也有一定抑制作用,且具备很高的实时性,对系统小型化也具有重要意义.     

基于扁平结构元素的指纹脊检测

本文在介绍指纹特征提取的基础上,分析了灰度指纹图像脊检测的特点,提出了一种利用数学形态中的扁平结构元素检测灰度指纹图像中脊的方法,并对这种方法的性能进行了分析,与传统算法相比,在达到同等检测效果的情况下,其运算效率提高了约40％。     

一种全方位多角度自适应形态滤波器及其算法

根据形态滤波器的结构元特性,结合形态开—闭(闭—开)组合运算及自适应算法,建立了一种能有效去除复杂纹理图像中的各种噪声,并较好的保持图像细节的方法。实验证明,这种全方位多角度自适应形态滤波器与现有的中值滤波器、全方位结构元形态闭—开最小、开—闭最大滤波器等非线性滤波器相比较有更好的降噪性能及细节保护能力,扩展了形态滤波器在滤除高斯噪声方面的应用,提高了形态滤波器的适应性。     

多结构元受控形态滤波器

基于受控形态学中的形态开-闭和闭-开运算,采用多结构元素,构造了一类多结构元受控形态滤波器.该滤波器具有平移不变性、递增性、对偶性和幂等性等重要性质.多结构元受控形态滤波器不仅可以有效地抑制图像噪声,而且较好地保持了图像的几何结构特征,通过与传统形态滤波器的对比实验,进一步验证了该滤波器的优越性能.     

基于散射参数法的波导滤波器设计

介绍一种用散射参数准确设计波导滤波器的方法,并给出一个滤波器设计实例和仿真结果。设计时先对滤波器结构进行分析,采用微波网络综合以及滤波器设计理论计算出腔间耦合结构散射参数的理论值,并给出相关设计公式以及具体仿真方法。用高频结构仿真软件(HFSS)进行仿真时,对滤波器耦合结构和谐振器单元逐步进行仿真,再对进行整体仿真完成设计,仿真结果与理论值符合较好。散射参数法设计波导滤波器,可以提高设计效率,缩短研制周期。     

基于Matlab的加速度传感器振动信号处理方法研究

介绍了一种用Matlab信号处理工具箱进行数字滤波器设计的方法。给出了工具箱中的FDATool图形用户接口的详细使用方法,用FDATool进行滤波器设计,可以随时对比设计要求和滤波器特性调整参数,直观简便,在每次改变参数时,由于计算机的超强运算能力,只需点击设计按钮,新的滤波器立即产生,避免了传统滤波器设计的大量手工运算。并用他设计出了满足性能要求的低通数字滤波器,实现了对加速度传感器干扰振动信号的滤除,解决了工程实际问题。     

基于局部对比度的自适应Top-Hat红外小目标检测

Top-Hat的检测性能受限于固定单一的结构元素，导致对复杂背景的抑制能力差。针对该方法的不足，提出两种具有递进关系的改进Top-Hat算法。首先依据小目标与其邻域灰度值差异，改进了Top-Hat变换，提出了一种具有双结构元素的Top-Hat算法，分别为膨胀和腐蚀操作设计了各自的结构元素，并且调整了开运算的运算顺序，以提高对红外小目标的检测性能。在此基础上，又提出一种基于局部对比度的自适应双结构Top-Hat红外小目标检测方法，通过计算局部对比度得到显著图，获得先验信息，自适应地改变双结构元素的大小，利用目标区域及其邻域的灰度值差异来抑制背景和增强目标。与同类方法和非同类方法进行对比实验研究，结果表明，所提基于局部对比度的自适应Top-Hat方法在5种评价指标中均表现突出。     

Neural Network and Bandless Hysteresis Approach to Control Switched Capacitor Active Power Filter for Reduction of Harmonics

This paper proposes a combination of neural network and a bandless hysteresis controller, for a switched capacitor active power filter (SCAPF), to improve line power factor and to reduce line current harmonics. The proposed active power filter controller forces the supply current to be sinusoidal, in phase with line voltage, and has low current harmonics. Two main controls are proposed for it: neural network detection of harmonics and bandless digital hysteresis switching algorithm. A mathematical algorithm and a suitable learning rate determine the filter's optimal operation. A digital signal controller (TMS320F2812) verifies the proposed SCAPF, implementing the neural network and bandless hysteresis algorithms. A laboratory SCAPF system is built to test its feasibility. Simulation and experimental results are provided to verify performance of the proposed SCAPF system.     

基于信噪比分类网络的调制信号分类识别算法

针对传统降噪算法损伤高信噪比(SNR)信号而造成信号识别准确率下降的问题,该文提出基于卷积神经网络的信噪比分类算法,该算法利用卷积神经网络对信号进行特征提取,用固定K均值(FK-means)算法对提取的特征进行聚类处理,准确分类高低信噪比信号。低信噪比信号采用改进的中值滤波算法降噪,改进的中值滤波算法在传统中值滤波的基础上增加了前后采样窗口的关联性机制,来改善传统中值滤波算法处理连续噪声效果不佳的问题。为充分提取信号的空间特征和时间特征,该文提出卷积神经网络和长短时记忆网络并联的卷积长短时(P-CL)网络,利用卷积神经网络和长短时记忆网络分别提取信号的空间特征与时间特征,并进行特征融合与分类。实验表明,该文提出的调制信号分类模型识别准确率为91%,相比于卷积长短时(CNN-LSTM)网络提高了6%。     

有源电力滤波器新型神经网络控制方法

基于神经网络理论和瞬时无功功率理论，提出了一种新型有源电力滤波器控制方法，消除了电源电流在负载电流发生突变处产生的锯齿抖动。这种方法实时检测负载电流的二阶导数，判断负载电流是否发生突变。发生突变则采用基于神经网络理论的程序模块进行补偿电流控制。神经网络模块采用离线训练方法，应用误差反向传播(BP)算法，选择前向三层人工神经网络的模型得以实现。这种方法可以应用在单相、三相电力系统的滤波电路中。仿真结果证明了这种算法的有效性。     

基于神经网络的4型FIR滤波器的优化设计

详细讨论了4型线性相位滤波器的幅频特性与正弦基函数神经网络算法的关系,分析了神经网络系统的稳定条件,给出了FIR滤波器优化设计实例。根据4型FIR滤波器的幅频响应特性,构造出一个相应的神经网络模型,并建立了FIR线性相位数字滤波器的神经网络算法。该算法通过训练神经网络权值,使设计的数字滤波器与希望得到的FIR线性相位滤波器的幅频响应之间的误差平方和最小化,从而获得FIR线性相位数字滤波器的脉冲响应。计算机仿真表明了该算法的有效性和优异性能。     

An adaptive density-weighted contrast enhancement filter for mammographic breast mass detection

Presents a novel approach for segmentation of suspicious mass regions in digitized mammograms using a new adaptive density-weighted contrast enhancement (DWCE) filter in conjunction with Laplacian-Gaussian (LG) edge detection. The DWCE enhances structures within the digitized mammogram so that a simple edge detection algorithm can be used to define the boundaries of the objects. Once the object boundaries are known, morphological features are extracted and used by a classification algorithm to differentiate regions within the image. This paper introduces the DWCE algorithm and presents results of a preliminary study based on 25 digitized mammograms with biopsy proven masses. It also compares morphological feature classification based on sequential thresholding, linear discriminant analysis, and neural network classifiers for reduction of false-positive detections.     

Statistical analysis of neural network modeling and identificationof nonlinear systems with memory

The paper presents a statistical analysis of neural network modeling and identification of nonlinear systems with memory. The nonlinear system model is comprised of a discrete-time linear filter H followed by a zero-memory nonlinear function g(.). The system is corrupted by input and output independent Gaussian noise. The neural network is used to identify and model the unknown linear filter H and the unknown nonlinearity g(.). The network architecture is composed of a linear adaptive filter and a two-layer nonlinear neural network (with an arbitrary number of neurons). The network is trained using the backpropagation algorithm. The paper studies the MSE surface and the stationary points of the adaptive system. Recursions are derived for the mean transient behavior of the adaptive filter coefficients and neural network weights for slow learning. It is shown that the Wiener solution for the adaptive filter is a scaled version of the unknown filter H. Computer simulations show good agreement between theory and Monte Carlo estimations     

一种新的复值递归神经网络训练方法及其应用

一种新的基于数字滤波器理论的全互连复值递归神经网络训练方法被提出.每个递归神经元均具有复数ⅡR滤波器结构.通过优化ⅡR滤波器的系数来更新神经网络的权值,而优化过程则采用逐层优化(LBLO)技术和递归最小平方(RLS)方法.该算法的性能通过将其应用于复信道均衡来加以说明.计算机仿真结果表明,该算法具有较快的收敛速度.这为快速训练复值递归神经网络提供了一条新的途径.     

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。     

Complex-Valued Recurrent Neural Network with IIR Neuron Model: Training and Applications

In this paper, based on the digital filter theory and approach, a new algorithm for training a complex-valued recurrent neural network, is proposed. Each recurrent neuron is modeled as an infinite impulse response (IIR) filter. The network weights are updated by optimizing the IIR filter coefficients, and the optimization is based on the layer-by-layer optimizing procedure as well as the recursive least-squares method. The performance of the proposed algorithm is demonstrated with application to a complex communication channel equalization. Our approach provides a new way to perform fast training of complex-valued recurrent neural networks.