采用超拉普拉斯先验的图像快速去卷积

通过分析自然图像梯度统计的长尾分布特性,证明超拉普拉斯模型是很好的。文章提出一个基于超拉普拉斯先验项的去卷积方法,实现运动模糊图像复原。该算法使用分步交替迭代最小化办法优化能量方程,通过查表的方法快速求解图像的反卷积。这种方法的速度是现有技术的几倍,能够在不到3秒内对1兆像素的图像去卷积。     

去卷积实现雷达方位超分辨

介绍了一种新的信号处理方法:对天线方向图和天线扫描时产生的目标方位回波通过去卷积提高雷达的方位分辨率。计算机仿真结果证明分辨率得到提高。应用雷达实测数据也证明这种去卷积实现方位超分辨的方法是可行的。     

去卷积实现雷达方位向超分辨方法的实验研究

用去卷积方法实现了米波雷达方位向超分辨，并对去卷积方法进行了讨论。仿真和实测数据表明，在雷达回波高信噪比条件下，该方法是简单实用的。     

高阶Hopfield型神经网络的吸引域和指数收敛速度的估计

利用 Lyapunov方法,对高阶连续 Hopfield型神经网络平衡点的局部指数稳定性进行研究,得到了该网络平衡点的吸引域及其中每点趋向于平衡点的指数收敛速度的估计结果。     

基于盲目反卷积算法的声发射源信号复原研究进展

在声发射检测系统中,采集到的声发射信号因在传播过程中受到干扰而发生失真和畸变,不能完全表征源信号特征,这造成一定的检测误差.对整个声发射系统建立卷积模型,并利用盲目反卷积算法对源信号进行估计.结合声发射检测的特点,从声发射波传播的数学模型、盲目反卷积系统模型、盲目反卷积求解算法等方面入手,对声发射源信号盲目反卷积的相关...     

一种基于多尺度卷积神经网络和分类统计的图像去雾霾方法

传统的去雾霾方法会导致天空、白云和明亮区域内的颜色失真.为了解决以上问题,提出了一种基于多尺度卷积神经网络和分类统计的去除图像雾霾的方法.首先用多尺度卷积神经网络估计图像的透射率,其次对所估计的透射率进行分类统计以确定在暗通道内天空、白云和明亮区域的像素值,最后通过低通高斯滤波器平滑图像场景的辐射度,得到恢复的无雾霾图像.实验结果表明,采用提出的方法对图像去雾霾后明亮区域内的颜色不会失真,且保留了图像的自然外观,对合成图像和真实图像均有较好的去雾霾效果.     

InAs/GaSb Ⅱ型超晶格的拉曼和光致发光光谱

采用分子束外延(MBE)技术,在GaSb(100)衬底上外延生长晶体结构完整和表面平整的Ⅱ型超晶格InAs(1.2 am)/GaSb(2.4 am).拉曼光谱表明:随着温度从70 K升高至室温,由于热膨胀作用和光声子散射过程中的衰减,超晶格纵光学声子拉曼频移向低波数方向移动5 cm-4,频移温度系数约为0.023 cm-1/K.光致发光(PL)峰在2.4～2.8 μm,由带间辐射复合和束缚激子复合构成,2.55 μm PL峰随温度变化(15～150 K)发生微小红移,超晶格中InAs电子带与GaSb空穴带带间距随温度变化比体材料的禁带宽度小.PL发光强度在15～50 K随温度升高而升高,在60～150 K则相反,并在不同温度段表现出不同的温度依赖关系.     

二能级原子系统中高次谐波与高阶拉曼谱的相干相消现象

利用强激光场驱动下的原子二能级模型 ,探讨了高次谐波与高阶拉曼谱的相干相消现象。结果发现适当选取激光场的强度使高阶拉曼线处于谐波位置时 ,由于相干效应 ,高阶拉曼谱得到抑制而高次谐波谱则得到加强。     

基于小波去噪和去卷积的半导体光放大器增益系数谱测量方法

为了提高半导体光放大器(SOA)增益系数谱测量的准确性,减少光谱仪分辨率和系统噪声对测量结果的影响,提出了由传统的Hakki-Paoli(HP)方法改进得到的基于小波去噪和去卷积过程的Hakki-Paoli(HP-DD)方法,分析了其原理,并给出去卷积的算法和小波去噪的原理。在数值模拟中,对模拟的放大自发辐射(ASE)谱进行处理,表明HP-DD方法能较大程度地改善增益系数谱的测量准确度。在实验中,通过对半导体光放大器的放大自发辐射谱进行实际测量,分别用HP-DD方法和HP方法求得增益系数谱,验证了HP-DD方法的测量结果的精确度有很大程度的改善。     

一种基于ICA和过采样技术的盲反卷积方法

将过采样技术和线性独立分量分析（ＩＣＡ）神经网络结合在一起，得出一种新的盲均衡方法。单输出信号通过采样转换为多输出观测信号，从而可以直接利用ＩＣＡ方法得到信道均衡输出。     

一种新的盲解卷积准则和算法

定义了盲解卷积问题的期望解后 ,将二阶累积量和四阶累积量合并为一个新的统计量 ,称为归一化累积量 ,考察信号通过线性时不变系统时归一化累积量的特性 ,形成一个基于归一化累积量的盲解卷积准则 ;借助于经典的最陡梯度算法 ,导出了一种新的盲均衡算法 ,计算机模拟验证了该算法     

多通道盲反卷积算法综述

本文阐述了多通道盲反卷积（Multichannel Blind Deconvolution-MBD）的发展历程、基本模型及假设、数学原理以及通用求解过程,讨论了目前MBD几个研究方向的发展现状与面临的问题。在分析了MBD研究进展的基础上,从时域、频域、时频域、子空间、子带技术及其他算法六个方面分类综述和比较了MBD典型算法的特点与方法思路,说明了各类算法的优缺点以及主要问题。最后指出了目前多通道盲反卷积算法研究存在的不足,并提出了MBD未来理论和应用研究中可继续深入的开放课题。      

基于量子遗传算法的多通道通信信号盲反卷积算法研究

本文在分析多输入多输出盲反卷积的网络结构和算法模型的基础上，提出了一种基于输出信号上下文信息的盲反卷积算法，并提出一种采用量子遗传算法的新的优化求解方法，对仿真的通信信号分离的结果表明算法的有效性。     

基于非参数密度估计的多通道盲解卷积

非参数密度估计方法被用来直接估计在自然梯度盲解郑积算法中遇到的评价函数(score function)。与用一个非线性函数简单地代替评价函数相比较,这种直接估计评价函数的方法的主要优点是:它可以用来对杂系混合信号,即同时包含超高斯和亚高斯的信号,进行盲解卷积。因为评价函数可以被直接的估计出来,因此,就不需要针对不同的源信号选择不同的非线性函数来代替评价函数。这种方法可以用在更加“盲”的情况。     

盲源分离和盲反卷积

盲信号处理是信号处理领域的热点研究问题,盲源分离和盲反卷积是盲信号处理的重要组成部分近年来取得许多重要进展.本文主要介绍盲源分离和盲反卷积的基本模型、数学原理和研究进展;分析了各种方法的特点并指出了进一步的研究方向.     

面向多路源信号的单通道盲去卷积算法研究

传统的单通道盲去卷积的方法存在仅能从混合信号中分离出2路源信号的局限,考虑到以上问题,该文提出一种基于优化的深度卷积生成对抗网络的单通道盲去卷积算法(SCBDC),能从1路混合信号中分离和解卷积出3路以上的独立源信号和混合矩阵。该文实验在汉字和遮挡图像数据集上进行,随机选择4路信号与混合矩阵进行卷积混合,实验结合峰值信噪比(PSNR)和信号相关性指标来评价分离的效果,结果显示,该算法能够有效地分离出多路源信号并去卷积。     

盲解卷积与窄带阵列模型结合的信号分离算法

在水声制导技术中,提出了一种高效分离算法,实现了对多目标源信号的分离,为系统后端对多目标定位提供了技术支持。窄带信号条件下,把盲分离与阵列信号处理结合起来．借助阵列模型把接收的混合信号变成解析信号,然后利用瞬时复值盲分离算法进行分离获得源信号的解析信号,取实部后便是实源信号。从而将实数的卷积混合转化为复数的瞬时混合,在盲分离阵列模型的基础上,通过复数盲分离的手段完成盲解卷积。解卷积恢复的多目标源信号十分有利于多目标特征识别与定位。通过构建正弦信号盲解卷积仿真实验,对文中提出的盲解卷积方法进行了验证。结果表明了该方法的正确性。     

时域AMARI的盲去卷积算法研究

利用Bussgang性质作为代价函数，给出了一种基于高阶累积量的盲源分离算法，该算法利用连续修正方法对代函数进行优化，得到源信号的盲分离。针对实际应用。生成3路卷积混合信号进行仿真分离。与源信号相比，分离结果除；列顺序改变、幅值缩放和时间延迟外，其他信息基本得到了保留，从而证明了该算法的有效性。     

基于累积量极值的非线性系统盲反卷积

提出一种新的基于累积量极值的非线性系统盲反卷积算法.通过引入中间变量作为隐含观测量,反卷积系统估计转化为两个子系统估计问题.第一个子系统估计是一具有完备指导信号训练集的后非线性系统(post nonlinear system)辨识,第二个子系统的估计则是一般基于累积量极值的线性系统盲反卷积.与其它算法比较,新算法具有明确的收敛性质和快速的收敛速度.