自适应解卷积与二次型共轭梯度算法

提出一种新的解卷积算法，它是将卷积运算关系ｙｉ＝ｈｉ＊ｆｉ转换为解矩阵方程Ｙ＝ＡＨ．运算这个矩阵方程可实现卷积与解卷积。文中也给出解矩阵方程的优化算法、ＱＣＧ（二次型共轭梯度）算法。计算机模拟表明，新算法具有精度高、速度快、数据短和计算稳定等优点．     

长信号卷积的快速运算及其语音处理的应用

通过对有限长信号卷积运算的快速算法分析，根据长序列信号的结构特点及卷积运算的数学特征，提出了一种长信号引速卷积及相关的算法实现，给出了相应的C 算法程序，结合算术傅立叶变换进行了改进。并把该算法运用到实际的语音处理中，得到了较好的快速和重建效果。     

基于Winograd卷积的并行深度卷积神经网络优化算法

针对并行深度卷积神经网络算法在大数据环境下存在冗余特征计算过多、卷积运算性能不足和参数并行化合并效率低等问题，提出了基于Winograd卷积的并行深度卷积神经网络优化算法。首先，该算法提出基于余弦相似度与归一化互信息的特征过滤策略，通过先筛选后融合的方式消除了通道间对于冗余特征的计算，以此解决了冗余特征计算过多的问题；然后，结合MapReduce提出了并行Winograd卷积策略，通过使用并行化Winograd卷积运算替换传统卷积运算的方式来提升卷积运算的性能，以此解决了卷积运算性能不足的问题；最后，提出基于任务迁移的负载均衡策略，通过动态负载迁移的方式来均衡集群中各节点之间的负载，降低了集群总体的平均反应时长，以此解决了参数并行化合并效率低的问题。实验表明，WP-DCNN算法显著降低了DCNN在大数据环境下的训练代价，而且对并行DCNN的训练效率也有大幅提升。     

FIR数字滤波器的FPGA实现

介绍了FIR数字滤波器FPGA的实现方法,阐述了FIR滤波器的线性相位特点和结构原理,并依据这些原理,对FIR卷积运算算法的VHDL的实现进行了探讨。     

基于可分解的卷积核和快速傅立叶变换 FFT 的指纹图像增强算法

指纹识别系统在图像增强阶段涉及很多卷积运算,占用大量的计算时间.在不利用专门的 DSP 处理器进行指纹图像增强处理情况下,常规的卷积运算计算时间非常长.在指纹图像增强过程中,卷积运算主要集中在方向场估计和高波滤波两个阶段.为此本文提出了一种指纹图像增强算法,利用可分解的卷积核和快速傅立叶变换来替换常规的卷积运算,可减少算法的时间复杂度,快速实现指纹图像增强     

FIR滤波器的高速实现

介绍了一种实现FIR滤波器高速运算的有效方法。该方法在传统的滤波嚣系数奇偶对称性的基础上，根据系数经System View软件量化后成比例的特点，利用加法运算采简化卷积中大量繁琐耗时的乘法运算；同时推导出奇偶对称性的运算规律并给出详细运算步骤和计算公式。最后给出该算法分别与仅利用系数对称性、直接卷积两方法相比较的加速比。仿真结果表明，文中所采取的优化措施能够提高信号处理速度。     

快速卷积算法的综述研究

卷积神经网络是深度学习算法应用最广泛的方向之一,目前卷积神经网络的应用不仅仅是停留在科技领域,已经扩展到医学、军事等领域,并且已在相关领域发挥着巨大的作用。卷积是卷积神经网络中最为核心的一部分,卷积运算占整个网络70%以上的时间,所以针对卷积运算的加速研究就显得十分重要。首先介绍近年来的卷积算法,并对其复杂度进行分析,总结了这些算法各自的优点和不足,最后对其理论研究和应用领域可能存在的突破进行了探讨和展望。     

超复数空间彩色边缘检测器的实现

提出超复数空间彩色图像边缘检测器的一种新实现方法--基于超复数空间旋转变换的彩色边缘检测。分析结果表明，Sangwine提出的超复数空间彩色图像边缘检测算法实质是一种色差图像边缘检测算法。通过把彩色图像映射到超复数空间进行处理，产生色差边缘图像。为了解决超复数空间的卷积运算问题，文中对超复数空间旋转运算进行推广，提出了旋转变换算子，把超复数空间中的矢量卷积运算转化为标量运算，极大地降低了计算复杂度。实验结果表明了本方案的正确性。     

基于GPU的卷积检测模型加速

近年来,形变部件模型和卷积神经网络等卷积检测模型在计算机视觉领域取得了极大的成功。这类模型能够进行大规模的机器学习训练,实现较高的鲁棒性和识别性能。然而训练和评估过程中卷积运算巨大的计算开销,也限制了其在诸多实际场景中进一步的应用。利用数学理论和并行技术对卷积检测模型进行算法和硬件的双重加速。在算法层面,通过将空间域中的卷积运算转换为频率域中的点乘运算来降低计算复杂度;而在硬件层面,利用GPU并行技术可以进一步减少计算时间。在PASCAL VOC数据集上的实验结果表明,相对于多核CPU,该算法能够实现在单个商用GPU上加速卷积过程2.13~4.31倍。     

一类基于加权系数的插值算法

插值运算作为一种标准的运算在图象处理领域，尤其是在图象的放大、旋转和卷积处理过程中有着广泛的应用。当图象的轮廓被提取出来后，插值核的选取要考虑到计算速度和数学精度的要求。在本文中，提出了一种新的插值算法．引入了八个加权系数。通过它们可以得到一个加权公式。通过软件编程实现该算法后，处理后的图象效果得到了较好的提高，并且有效地减轻了锯齿现象。     

基于二值化密集卷积神经网络的表情识别算法

人脸表情识别已成为人工智能领域的重要研究课题,但传统的卷积神经网络需要庞大的计算资源使得其应用受限,而二值化卷积神经网络可通过快速与或运算代替原本的浮点乘法运算,大大降低了算法对计算资源的需求。论文提出了一种基于数据增强和二值化卷积神经网络的人脸表情识别算法,通过均值估计,在FER2013数据集上达到了66.15%的识别率,超越了部分基于浮点乘积运算的卷积网络,为表情识别算法移植到小型设备中提供了可能。     

基于MATLAB的线性卷积及其快速实现方法

MATLAB中实现直接线性卷积通常调用conv()函数指令。对于线性卷积,一般直接比较麻烦。为了提高运算效率和运算工作量的目的,文章采用基于MATLAB实现线性卷积的自编函数clconv()和利用FFT和IFFT实现快速线性卷积的方法。通过实例验证及仿真结果,验证了clconv()函数的有效性,并且快速线性卷积的方法在计算出与直接线性卷积近似解的同时,运算工作量大大减少,运算速度大大提高,验证了利用FFT和IFFT实现快速线性卷积的有效性和优越性。     

基于ARM+FPGA平台的二值神经网络加速方法研究

现有的卷积神经网络由于其结构复杂且依赖的数据集庞大,难以满足某些实际应用或者计算平台对运算性能的要求和能耗的限制。针对这些应用或计算平台,对基于ARM+FPGA平台的二值化算法进行了研究,并设计了二值神经网络,该网络减少了数据对存储单元的需求量,也降低了运算的复杂度。在ARM+FPGA平台内部实现时,通过将卷积的乘累加运算转换为XNOR逻辑运算和popcount等操作,提高了整体的运算效率,降低了对能源和资源的消耗。同时,根据二值神经网络中数据存储的特点提出了新的行处理改进算法,提高了网络的吞吐量。该实现方式在GOPS、能源和资源效率方面均优于现有的FPGA神经网络加速方法。     

透射波CT中小波算法的研究

提出了一种用于透射波CT中的小波卷积重建算法，并构建了离散的小波变换及CT图像重建算法，该算法在实际应用时迭代次数少、运行速度快，优于传统的Radon变换重建算法，并可利用计算机语言进行编程实现。实验结果表明，该算法在图像重建中具有运算速度快、重建图像细节准确等特点。     

一种快速Bilateral滤波器的设计与实现

本文提出了一种Bilatral滤波器的快速算法.在算法的设计上,首先对空间邻近度函数建立一组动态掩模,代替原始耗时的逐点运算,时间降至原有时间的三分之二;再离散化亮度相似度函数,使整个Bilateral滤波器计算公式形成卷积形式;在算法的实现上,引入了快速傅立叶变换FFT进行加速,时间复杂度由卷积运算的0(N2)降至O(Nlog2N),降低了一个数量级.     

基于TMS320C54x系列DSP的卷积处理的实现

卷积是数字信号处理中最基本、最常用的运算之一。本文介绍了利用TMS320C54x系列芯片为基础的DSPLIB库函数中的相关函数和FFT函数来实现数季卷积处理的两种方法，使卷积运算的实现变得容易，并对DSPLIB库函数的使用进行了详细介绍，给出了具体的程序清单和实验结果。     

卷积在MATLAB GUI中的仿真实现

卷积是《信号与系统》教学中的重要基础概念,深入了解卷积运算过程对帮助卷积概念的理解具有重要意义。分析了连续时间信号与离散时间信号卷积的特点,介绍了运用MATLAB GUI编程实现卷积运算动态演示的方法,对促进信号处理方面教学手段的多样化提供了有益的探索。     

用模板卷积方法研究汉字笔划的细化

本文介绍了一种细化算法。该细化算法是利用模板重复进行卷积运算,再扫描确定细化点。这种方法易于硬件实现,细化中可剔除部分噪声和笔划边缘的毛刺     

基于ZCU102 DSP的CNN卷积运算加速方法

本文提出设计了一种在ZCU102平台上加速卷积神经网络（CNN）卷积运算的方法,使用1个DSP IP实现卷积操作中1个int8类型或者unit8类型输入特征图像数据和2个int8类型卷积核参数的乘法运算。卷积运算是卷积神经网络的基本操作,提高卷积运算并行度可使卷积运算速率提升一倍。8-bit卷积神经网络量化技术是设计实现的基础,减少了处理器（PS）数据传输带宽需求。ZCU102 MPSoC的可编程逻辑（PL）资源较少,充分利用DSP IP资源可降低逻辑资源需求,提升逻辑资源利用率,增加SoC系统设计灵活性。     

基于Dropout深度卷积神经网络的ST段波形分类算法

心电信号的ST段波形变化是心肌损伤等心血管类疾病临床诊断的重要辅助手段之一.针对ST段波形分类以及深度卷积神经网络过拟合问题,提出一种基于概率随机舍弃神经元建立子网络的Dropout深度卷积神经网络,通过心电信号数据去噪、ST段候选段筛选、神经网络卷积与下采样运算过程,实现ST段波形样本训练与测试.仿真实验对比分析了算法的波形分类准确率、卷积核个数影响和Dropout对算法泛化能力影响,与专家手工标注、BP、RNN和DCNN等方法进行比较,实验结果表明Dropout DCNN能够有效提高卷积神经网络泛化能力,提升算法的可用性.