基于重加权?1范数惩罚的远近场混合源定位算法

现有信源定位方法大多假定信源是远场源或近场源,而实际定位系统中往往存在远场源和近场源共存的情况。为实现远、近场源分离及高精度信源定位,本文在稀疏信号重构理论框架下提出了一种新的远近场混合源定位算法。该算法利用阵列协方差矩阵反对角线元素和重加权l1范数惩罚获得所有信源的到达角（Direction Of Arrival, DOA）估计。在DOA估计的基础上,根据远场与近场源距离参数位于不同区间的特点利用一维搜索实现远、近场源分离以及近场源距离参数的估计。从理论角度分析了重加权l1范数惩罚算法的重构性能。本文所提算法不仅同时适用于高斯和非高斯信号,而且无需多维搜索和参数配对,也无需信源数的先验信息,同时还可以获得较好的定位精度。计算机仿真结果验证了所提算法的有效性。     

基于解析轮廓波变换的图像稀疏表示及其在压缩传感中的应用

 提出了具有平移不变性的低冗余度解析轮廓波变换.在该变换中圆对称滤波器组首先将图像分解为多个不同分辨率的细节子带和一个低频子带,再对细节子带进行希尔伯特变换形成二维解析信号.最后用方向滤波器组对二维解析信号进行分解,实现具有平移不变性多尺度多方向的解析轮廓波变换.解析轮廓波变换基函数的实部和虚部与Gabor小波的实部和虚部类似,符合人眼视觉特性.实验结果表明解析轮廓波变换在图像去噪和压缩传感方面具有明显优势.     

基于特殊导频去噪的OFDM信道估计算法

主要研究了正交频分复用(OFDM)系统中基于导频辅助的信道估计算法,分析和比较了2种常用的算法,并提出了一种基于特殊导频序列去噪的信道估计算法。仿真结果表明:提出的基于特殊导频去噪的信道估计算法和LS算法相比,在没有增加LS算法运算复杂度的情况下,有效地抑制噪声的影响,提高了信道估计的准确性;和LMMSE算法相比,信道估计的准确性高于LMMSE算法。     

一种基于关联规则挖掘的组织数据方法

针对在数据挖掘中采用二进制转换的方法，定义了二进制序列集的相关概念并为此提供依据。分析了事务与关联规则在二进制序列集中的表示方法及其在空间、时间上的复杂度。通过实验验证，在关联规则数据挖掘中采用二进制序列集这一组织数据方法是有效且可行的。     

字典学习模型、算法及其应用研究进展

稀疏表示模型常利用训练样本学习过完备字典, 旨在获得信号的冗余稀疏表示. 设计简单、高效、通用性强的字典学习算法是目前的主要研究方向之一, 也是信息领域的研究热点. 基于综合稀疏模型的字典学习方法已经广泛应用于图像分类、图像去噪、图像超分辨率和压缩成像等领域. 近些年来, 解析稀疏模型、盲字典模型和信息复杂度模型等新模型的出现丰富了字典学习理论, 使得更广泛类型的信号能够被简单性描述. 本文详细介绍了综合字典、解析字典、盲字典和基于信息复杂度字典学习的基本模型及其算法, 阐述了字典学习的典型应用, 指出了字典学习的进一步研究方向.     

基于多级树分割的小波零树ECG压缩算法

提出了一种多级树分割(SPIHT)的小波零树心电图压缩算法.算法由整数小波变换、小波零数编码组成.算法不需要浮点运算,计算复杂度低,压缩效率高.实验结果表明算法是有效的,在得到高压缩比的同时仍能保持低的信息失真度.     

基于视觉标准模型和复数小波的自然图像识别*

根据双树复数小波具有近似平移不变性和良好方向选择性的特点,提出了一种基于双树复数小波的识别方法,获得了有限平移不变和尺度不变的特征,解决了Serre视觉标准模型中Gabor小波计算复杂的问题。用Caltech5图像库的图像进行测试,获得了良好的识别效果。结合Dirk Walther提出的自上而下注意机制,在保证较高识别率的同时大大提高了运算速度。实验结果表明,该方法在识别准确率上可与Serre标准模型相比,且运算速度明显提高。     

基于全变差正则化的相位恢复算法

相位恢复问题是指仅通过信号傅立叶变换（或其它线性变换）的幅值恢复原始信号.由于相位信息的缺失,该问题是一个不适定问题,因此需利用先验知识确保精确重建.本文基于非线性压缩感知框架,提出利用自然图像在梯度算子下的稀疏性进行相位恢复的算法.该算法将全变差正则项融合到基于支撑约束和幅值约束的相位恢复问题中,并利用交替方向乘子法（ADMM）对所对应的非凸优化问题进行求解.实验结果表明,该算法明显优于HIO,RAAR等经典的相位恢复算法,并对噪声具有鲁棒性.     

基于可调滤波器金字塔算法的人脸特征提取

特征提取是人脸识别中最重要的一个环节,我们在HMAX模型的基础上,提出了一种改进的视觉信息处理模型,它利用可调滤波器金字塔算法对图像进行多尺度、多方向分析,并结合一系列分层处理,得到了具有尺度、平移、旋转不变性的特征向量,解决了人脸识别中的一个重要难题。在ORL人脸数据库中的实验结果证明了该算法的有效性。     

利用多尺度卷积神经网络的图像超分辨率算法

单幅图像超分辨率问题是典型的图像反问题。近年来深度学习广泛应用于图像超分辨率重建。为提高超分辨率算法的性能,本文利用多尺度和残差训练的思想,提出一种利用多尺度卷积神经网络的图像超分辨率算法。该算法采用多尺度的卷积核及收缩--扩展的网络结构来提取图像多尺度的信息,并在网络结构中使用跳跃连接,以便更好的传递信息并弥补由于使用下采样和上采样而造成的图像细节信息的损失,来提高图像的重建质量。通过与其它算法的对比实验表明了本文算法不仅可以取得更好的性能,并且训练的收敛速度较快。