基于精确字典稀疏表示算法的高光谱图像目标检测

目标检测是高光谱图像处理领域的主要研究内容之一。目前,稀疏表示算法已经在这方面取得了较好的检测效果。但传统的稀疏表示(SR)算法中的字典既包含目标信息又包含背景信息,且比例不确定,导致数据处理难度很大。针对传统稀疏表示(SR)算法的不足,提出了精确字典稀疏表示算法(ADSR)。该算法通过构造仅包含目标信息的目标字典和仅包含背景信息的背景字典,分别求解稀疏向量并恢复稀疏图像,继而利用目标与背景残差值不同这一特性区分图像中的目标与背景。在保证检测精度的同时,减小了数据处理的复杂度,缩短了运算时间。仿真实验将ADSR算法与RX算法、SR算法进行性能比较,证明了改进算法在检测效率上的优势。     

基于交叉熵的NC-OFDM系统最优导频序列设计算法

针对NC-OFDM(non-contiguous orthogonal frequency)系统子载波非连续且动态变化导致传统等间隔分布的导频序列设计算法计算复杂度高、频谱利用率低和处理时延大等问题,提出了基于交叉熵的最优导频序列位置优化设计算法。算法以最小化系统均方误差为准则,采用交叉熵算法在所有可用子载波中求解目标函数的最优解,有效解决了传统穷举搜索算法计算复杂度高的问题。与传统算法相比,所提算法保证了信道估计精度,降低了系统均方误差和误码率,从整体上提高了系统性能。     

基于稀疏重构编码的图像检索算法

针对现有方法在哈希函数构造过程中没有考虑数据的稀疏结构,提出了一种基于稀疏重构的哈希函数学习方法。利用相似点的l_(21)范数对重构系数进行了稀疏约束,以增强局部保持映射过程中的判别性,并构建拉普拉斯矩阵进行局部邻域关系的约束,在调和协方差矩阵和最小化数据的重构误差间建立了一种平衡机制。从特征所在的空间与经映射后的汉明空间的可判别性角度出发,对哈希函数构造过程中的内在要求和约束同时进行了考虑并综合权衡。采用公共图像检索数据集Caltech-256进行实验,实验结果表明:32位编码长度时,本文算法的检索精度比其他无监督的深度哈希算法至少提高了4.69%。     

改进类电磁机制算法在阵列天线综合中的应用

针对原始类电磁机制算法中采用的局部搜索方法过于简单且寻优效率低的缺点,提出了一种改进类电磁机制算法,并用于解决大规模、非线性的阵列天线综合优化问题。改进类电磁机制算法结合稀疏阵列天线综合问题的内在机理,引入一种基于阵元状态切换的局部搜索方法来代替原有的随机线性搜索方法,能够有效地加快算法搜索速度并增强算法的全局搜索能力。二维稀疏面阵的仿真结果表明,与线性规划、模拟退火算法和混合遗传算法相比,改进后的类电磁机制算法能够获得更优的稀疏阵列。     

斜拉索大桥的稀疏复指数与基频识别法

针对复指数法(CE)需要准确定阶且对噪声敏感的问题,提出一种稀疏改进的复指数算法。先用高阶次的拟合模型进行模态计算,然后用稀疏优化法代替最小二乘法计算振型系数,从众多振型系数中自动选出真实模态对应的系数,最终达到剔除虚假模态的目的。通过引入稀疏优化方法解决了使用高阶拟合模型难以有效剔除虚假模态的问题,突破了模型阶次不能过高的限制,提高了算法的精度和抗噪声性能,令其在斜拉索基频测试中表现出更高的识别精度。     

基于二值神经网络的SSD目标检测算法

针对SSD(Single Shot MultiBox Detector)目标检测算法存在的计算量过大、占用内存空间较多而影响检测速度的问题，提出一种融合二值神经网络的改进算法。将SSD算法的浮点型的参数以及激活函数进行二值化，降低算法的时间复杂度和空间复杂度。实验结果表明，所提算法能够在基本确保目标检测准确率的情况下，减少内存占用量并有效提高检测的速度。     

降低OFDM系统峰均比的SI-PTS算法

针对正交频分复用系统的高峰均功率比问题,在传统子块交织和部分传输序列(partial transmit sequence,PTS)算法的改进基础上提出了联合SI-PTS算法。算法中提出了1个新的子块交织方案,其中的每个子块相互交织。另外,还提出了1个新的相位因子优化方案,方案中的相位因子只有两相序列,迭代次数等于子数据块的数目,极大地降低了计算复杂度。所提算法基于传统PTS算法,利用新的优化方案优化部分传输序列,并结合新的子块交织技术,打乱原正交频分复用(orthogonal frequency division multiplexing,OFDM)信号序列,以降低其相关性,并进而降低OFDM系统的PAPR值。仿真结果表明,SI-PTS算法与传统PTS、SLM算法相比,能有效地改善OFDM系统的PAPR性能,并在保持系统误码率性能的前提下,有效地降低计算复杂度;SI-PTS算法对PAPR的抑制能力随着子载波数目的增加而下降,随着分组数的增加而提高。     

一种新的鲁棒无监督显著性目标检测方法

针对传统无监督图像显著性目标检测鲁棒性不强、学习算法复杂度高的问题,提出了一种新的鲁棒无监督显著性目标检测方法——三元结构化矩阵分解目标检测。该方法利用低秩矩阵三元分解降低奇异值分解(singular value decomposition)的算法复杂度,结合高层先验知识,提升复杂背景下的显著性目标检测性能。通过分层稀疏正则化和构造索引树,解决显著图的细节缺失问题。在3种标准多目标数据集上对主流无监督显著性目标检测方法进行了实验对比,结果表明,所提方法学习时间最多可以降低40%,并且F-measure指标在超过50%的阈值范围内鲁棒性优于当前最好的无监督检测算法。     

格基规约算法在MIMO检测中的应用

研究了格基规约(lattice reduction,LR)技术中的LLL(Lenstra-Lenstra-Lov’asz)算法,以及格基规约辅助(LR Aided,LRA)的多输入多输出系统(multiple input multiple output,MIMO)检测技术,重现了已有的多种LRA低复杂度检测算法的结果,探讨了LR与MIMO检测的本质,继而提出了一种带边界限定的格基规约辅助的选择性的快速枚举展开算法。仿真结果表明:LLL算法能大幅度提高矩阵的正交性,使低复杂度MIMO检测算法的性能接近最优检测;而本文提出的改进算法能进一步逼近最优检测的性能,使误码率为10-4时,和最优检测算法的检测性能仅差0.8dB。     

一种改进反正切函数的变步长LMS算法

针对已有的最小均方误差(least mean square,LMS)算法性能方面的缺陷,通过对步长选取问题的研究,提出了一种改进变步长LMS算法。基于原反正切函数引入输入信号反馈因子的二范数项,以实现对输入信号的实时跟踪,提高算法的跟踪能力。用误差相关值代替原算法中的误差平方项,提高其抗干扰能力,并加入补偿项,以补偿算法趋于稳态时的收敛速度。详细讨论了各个参数对算法收敛性、跟踪性、稳定性的影响及算法的抗干扰性。与已有算法进行的仿真结果对比表明,在高低信噪比情况下,改进算法在收敛速度、稳态误差,以及对时变系统跟踪能力等方面均呈现了优异的性能。