基于矩阵奇异值分解的高频雷达瞬态干扰抑制

雷电等瞬态干扰严重影响了高频雷达的工作性能,必须加以抑制。本文提出了基于矩阵奇异值分解的高频雷达瞬态干扰抑制方法。该方法将高频雷达回波信号分段构造成矩阵并进行奇异值分解,首先根据矩阵有效秩的大小判断雷达回波中是否存在瞬态干扰,然后利用奇异值分解的正交性实现雷达回波的正交分解,使瞬态干扰分离出来,以利于检测,最后通过建立线性预测的全极点AR模型对瞬态干扰位置处的回波信号予以恢复。实测数据处理结果表明本文方法是有效的。     

基于矩阵奇异值分解的高频雷达瞬态干扰抑制

雷电等瞬态干扰严重影响了高频雷达的工作性能,必须加以抑制。该文提出了基于矩阵奇异值分解的高频雷达瞬态干扰抑制方法。该方法将高频雷达回波信号分段构造成矩阵并进行奇异值分解,首先根据矩阵有效秩的大小判断雷达回波中是否存在瞬态干扰,然后利用奇异值分解的正交性实现雷达回波的正交分解,使瞬态干扰分离出来,以利于检测,最后通过建立线性预测的全极点自回归模型对瞬态干扰位置处的回波信号予以恢复。实测数据处理结果表明该方法是有效的。     

用于奇异值分解的全并行神经网络

本文提出一个实时奇异值分解(SVD)的全并行神经网络,给出并证明了它的有界性定理和稳定性定理,同时给出一个模拟例子。理论和模拟结果都说明所提出的神经网络对于SVD是有效的。     

用于一般矩阵奇异值分解的左,右神经网络

本文利用线性神经网络的结构和第一主分量分析神经网络的动态方程，提出一种左、右神经网络，给出并证明了它的有界性和稳定性定理，加上反Ｈｅｂｂ权修正规则，ＬＲＮＮ可以进行奇异值分解和对称矩阵的特征值分解，从渐近收敛速度和仿真结果都说明，ＬＲＮＮ是非常有效的。     

基于奇异值分解的图像去噪

提出了利用奇异值分解去除图像噪声的方法。从矩阵的角度出发,通过对图像矩阵进行奇异值分解,将包含图像信息的矩阵分解到一系列奇异值和奇异值矢量对应的子空间中,然后通过有效奇异值重构图像矩阵达到去噪目的。试验利用MATLAB通过对MRI(核磁共振)医学图像进行去噪处理,验证了奇异值分解的去噪效果,并且通过对多幅图像的试验结果进行分析,得到了去噪重构图像时所需有效奇异值数目的统计值。     

基于奇异值分解和小波神经网络的人脸识别

针对人脸识别在有遮挡、表情变化和光照变化引起的鲁棒性变差问题,以及传统人工神经网络用于人脸识别时存在的维数灾难问题,提出一种分块奇异值分解和小波神经网络结合的人脸识别算法。首先,将人脸图像进行分块,获得图片局部的奇异值,并将其按一定顺序排列得到人脸的特征向量;然后,运用加入动量项的改进小波神经网络进行人脸图像分类识别;最后,在Matlab环境下利用ORL和YALE人脸图像数据库进行仿真实验,并且在GUI图形用户界面上进行验证。实验结果表明,该算法实现简单,识别率高,对光照、遮挡、表情等变化有很好的鲁棒性,具有很大的使用价值。     

基于奇异值分解的图像匹配方法

传统的图像匹配方法中, 由于实时图和参考图之间存在着灰度差异和几何形变,仅用灰度作为特征进行匹配算法的性能很容易受到影响。文中提出了一种基于奇异值分解的图像匹配方法。该方法首先利用奇异值分解方法,求出模板图像矩阵的奇异值及奇异值向量,用它们作为模板图像的特征代替传统算法中的灰度对两幅待匹配图像进行全局搜索定位。由于奇异分解方法所特有的优越性,匹配实验取得了良好效果。实验结果验证了该方法的有效性。     

奇异值分解算法在纤维识别中的应用

图像表示是模式识别研究中关键问题之一.奇异值分解(SVD, Singular Value Decomposition)是一种有效的图像表示方法,近年来已被广泛应用到计算机视觉、信号处理、模式识别和图像处理等领域.但是,奇异值分解在处理高维数据时的效率瓶颈以及无法同时考虑样本类别信息和固有几何结构信息的缺陷制约了奇异值分解的应用范围和应用研究的发展. 本项目针对奇异值分解存在的局限性,通过系统地研究奇异值分解在特征提取中的应用,拓展和推动奇异值分解的应用,具有重要的理论研究意义和实用价值.同时,将研究成果用于解决混纺纤维的纤维识别问题,对纺织品截面纤维进行准确的图像表示.其研究成果将为解决纺织品检验领域纤维自动识别与分析这一世界性难题带来创新性的突破.     

一种基于奇异值分解的特征抽取方法

特征抽取是模式识别的基本问题之一,Fisher线性鉴别分析是特征抽取中最为经典和广泛使用的方法之一。该文分析了Fisher线性鉴别分析在求解过程中可能存在的问题:鉴别矢量的分量可能是复数;特征值对扰动的敏感性;鉴别矢量之间未必具有正交性。由此提出了均衡散布矩阵的概念,并利用均衡散布矩阵构造了一种新的线性鉴别准则。利用奇异值分解定理,将求取鉴别矢量转化为对矩阵求奇异向量。用该方法进行求解可以有效地避免前述的问题。试验结果表明,该鉴别准则具有良好的鉴别能力。     

用自相关确定MA模型阶数的二种新方法

本文提出利用样本自相关确定－高斯ＭＡ模型阶次的二种新方法，仿真例子证明了新方法的有效性。     

基于奇异值分解的特征跟踪方法

在传统的基于模板匹配的跟踪方法中,均是给定一个模板,然后从图像中各个位置取出一个个与模板大小一致的区域进行相似性度量,找出与模板距离最小的一个区域作为当前模板,以便进行下一步的匹配跟踪工作。在景象匹配和相关跟踪过程中,由于所面临的大多数是变化的场景,实时获取的图像与预存模板之间存在比较大的差异,传统相关匹配方法的应用就会受到限制;而且在跟踪过程中,随时更新模板会造成跟踪性能对扰动过分敏感,从而产生漂移。首先拍摄目标不同角度的图像（尽可能包含目标可能出现的所有情况）,构成目标图像训练集合,抽取出特征矩阵,对它进行奇异值分解,构成一个关于目标的多维空间。然后再用匹配方法在全局范围搜索,找出目标的大致位置,并利用收敛方法在确定的大致位置内进行搜索,确定目标的仿射变换系数,从而得到一个目标位置的确切描述。     

海杂波中目标分数域谱范数特征检测方法

对于海上机动目标,采用分数阶傅里叶变换(FRFT)可以很好地解决其回波多普勒谱能量扩散的问题,为了使机动目标回波能量做最佳化的相参积累,需要反复搜索变换阶数,然而由于海上目标机动状态的随机性和时变性,难以搜索得到最佳变换阶数。针对这一问题,该文利用矩阵理论中的奇异值分解实现各变换阶数条件下FRFT谱的特征提取,设计特征检测统计量,提出基于分数阶域奇异值的海杂波抑制与目标检测方法,在增加利用了机动目标在FRFT域形状信息的同时避免了最佳变换阶数搜索。在高斯白噪声仿真数据评估条件下,所提方法在信杂比为–2.5 dB时可以达到60%的检测概率;经过实测数据验证,方法可以在信杂比为4.7 dB的条件下,稳定完成目标检测,具有较好的检测性能,且易于工程化实现。     

直接序列扩频通信中窄带干扰抑制的奇异值分解方法

在很强的单音干扰存在时,传统的线性预测滤波方法不能达到很好的抗干扰性能.该文提出了一种用奇异值分解方法(SVD)来抑制扩频通信中的单音干扰的问题,建立了利用SVD技术抑制直接序列扩频通信(DSSS)中的窄带干扰的系统模型.并与传统的双边LMS滤波器进行了误码率比较.仿真表明,SVD方法对干扰有很强的抑制能力,当BER=10-2时,SVD方法的增益要高于LMS方法3dB.而且同传统的LMS算法相比,SVD方法避免了算法收敛的问题.     

结合雷达目标特征的红外成像目标识别

由于单传感器在导弹的目标识别和跟踪方面存在的固有缺陷,近年来,数据融合技术在这一方面得到广泛地应用和研究。文中提出了在双模（ 雷达,红外） 数据融合方案中,结合雷达目标特征的红外成像目标识别方法,并详细讨论了所涉及的图像处理技术（ 区域分割,骨架提取） 和人工神经网络分类技术。最后给出了实验结果和结论。     

基于Schmidt正交化的多天线选择复用

该文从提高信道传输有效性的角度,提出了一种新的多天线选择发送策略--贪婪搜索(GS)法,使用这种方法挑选出使容量最大化的发送天线组合作为传输信号的天线。此法在结合注水(waterfilling)法进行天线功率分配的情况下,与理想的全天线注水法相比,可以减小发射机的复杂度,在独立信道下传输容量略有损失,在相关信道下可以提高传输容量,并且所付出的代价是仅需要对信道矩阵进行Schmidt正交化变换。这种方法一般用于信道矩阵列不满秩,即发送端天线数大于接收端天线数,发送端已知信道矩阵的情况(与注水法结合)或者接收端已知信道矩阵的情况(等功率分配)。     

Chaotic Signal Denoising Algorithm Based on Self-Similarity

Inspired by the self-similar fractal proper-ties of chaotic attractors and the heuristics of similarity filtering of images, a novel chaotic signal denoising algorithm is proposed. By grouping the chaotic signal with similar segments, the denoising of one-dimensional input is transformed into a two-dimensional joint filtering problem. Singular value decomposition is performed on the grouped signal segments and the transform coefficients are processed by thresholding to attenuate noise and finally undergo inverse transformation to recover the signal. Because the similar segments in the grouping have good correlation, the two-dimensional transformation of the grouping can obtain a more sparse representation of the original signal compared with the threshold value denoising in the direct one-dimensional transform domain, thereby having better noise suppression effect. Simulation results show that the algorithm can improve the reconstruction accuracy and has better signal-to-noise ratio than existing chaotic signal denoising algorithms.