基于局部回归模型的图像超分辨率重建

针对基于稀疏重建的图像超分辨率(SR)算法一般需要外部训练样本,重建质量取决于待重建图像与训练样本的相似度的问题,提出一种基于局部回归模型的图像超分辨率重建算法。利用局部图像结构会在不同的图像尺度对应位置重复出现的事实,建立从低到高分辨率图像块的非线性映射函数一阶近似模型用于超分辨率重建。其中,非线性映射函数的先验模型是直接对输入图像及其低频带图像的对应位样本块对通过字典学习的方法得到。重建图像块时利用图像中的非局部自相似性,对多个非局部自相似块分别应用一阶回归模型,加权综合得到高分辨率图像块。实验结果表明,该算法重建的图像与同样利用图像具有自相似性的相关超分辨率算法相比,峰值信噪比(PSNR)平均提高0.3~1.1 dB,主观重建效果亦有明显提高。     

基于稀疏学习与显著性的人脸识别方法研究

针对复杂环境下人脸识别效果差、识别率低等问题,提出一种利用稀疏学习及显著性理论提取人脸特征的方法。基于稀疏编码理论模拟人类视觉感知机制,利用学习得到的基函数构造多尺度多方向滤波器提取图像外观轮廓特征,并对该特征做局部二值模式滤波,以突出人脸局部细节纹理特征。依据视觉注意机制对处理后的特征构造显著图,增强关键特征对于人脸识别的贡献。在LFW、YALE标准库和自制视频帧图像库上的实验结果表明,该方法的识别率高于传统特征提取方法,得到的人脸特征更具代表性,并且在复杂环境下具有较强的鲁棒性。     

基于vb的二叉树的实现研究

二叉树是树形数据结构的基础,通过分析二叉树的基本特点,建立二叉树的基本逻辑结构和物理结构的模型,并且通过visualbasic实现了二叉树的物理存储、基本算法如遍历、插入和删除运算等。     

博科的两大变化

虽然一段时间以来,NAS赢得了相当数量的中小企业用户,甚至使人们对SAN的发展前途产生了怀疑,但据最近一项调查显示,世界400家大公司中,有50%的公司认为,他们需要SAN存储网络,SAN仍然保持着强劲的发展势头。作为存储区域网络(SAN)基础设施供应商,博科为用户提供光纤通道交换机产     

基于稀疏自编码深度神经网络的林火图像分类

针对林火与相似目标很难区分的问题,提出一种基于稀疏自编码深度神经网络的林火图像分类新方法。采用无监督的特征学习算法稀疏自编码从无标签图像小块中学习特征参数,完成深度神经网络的训练;利用学习到的特征从原始大小分类图像中提取特征并卷积和均值池化特征;对卷积和池化后的特征采用softmax回归来训练最终softmax分类器。实验结果表明,跟传统的BP神经网络相比,新方法能够更有效区分林火与红旗、红叶等类似物体。     

基于最优格拉斯曼框架的测量矩阵投影构造方法

压缩采样中测量矩阵对于信号的压缩及重建都有着十分重要的作用。为了减小测量矩阵与稀疏变换矩阵的互相干性,对测量矩阵和稀疏变换矩阵的乘积,构造其Gram矩阵并通过最优投影法优化之。格拉斯曼框架各元素间具有较小的相干性,使优化后的矩阵逼近格拉斯曼框架则可以获得更好的性能。     

基于Xen的虚拟磁盘调度算法改进

Xen目前所采用的I/O调度算法能够较好的保证公平性;但在实际应用中,不同的虚拟机可能有不同的性能需求。该文研究了Xen虚拟存储的实现和I/O调度算法的原理,提出了基于反馈的动态优先级调度策略,通过对比测试验证了磁盘带宽在不同虚拟机之间的按需分配。     

多维数据库模式下联机数据分析技术的实施

随着社会的发展和技术的进步,越来越多的领域和企业组织都需要处理并分析其已有的海量数据和信息.基于目前数据库技术的日趋成熟与相应的数据仓库技术的不断兴起,提出了一个基于多维数据库模式的联机数据分析技术的原型平台解决方案,即侧重于多维数据库存储模式的实现和该存储模式下的联机数据分析功能的设计两方面,完成了该原型平台的设计与实现.文中主要研讨了该原型平台的开发过程中所涉及的重点以及难点技术问题,并最终将该原型平台应用并满足某信息系统的实际联机数据分析的需求,从而验证了该原型平台的相关功能的实用性和有效性.     

云存储日志文件系统中垃圾数据回收的设计与实现

互联网大数据蓬勃发展,各个行业都围绕着大数据展开研究。与此同时,由于数据量的异常膨胀,随之而来的问题就是如何回收垃圾数据。基于云存储日志文件系统HLFS(Hadoop distributed file system based Log-structured File System),设计与实现了垃圾数据回收子系统。通过在HLFS中添加垃圾回收子系统,不但可以提高数据空间的利用率,还可以有效地避免数据空间不够用。为了分析HLFS中垃圾回收子系统的性能,最后对比了HLFS垃圾回收子系统和其他系统中垃圾数据回收机制的优缺点,从而帮助用户选择合适的垃圾回收机制提高磁盘利用率和系统性能。     

基于稀疏重建的信号DOA估计

从稀疏信号重建角度提出了一种改进的波达方向(DOA)估计方法。由于最小冗余线阵(MRLA)能以较少的阵元数获得较大的阵列孔径,将MRLA与l1-SVD方法相结合估计信号的DOA。仿真结果表明,经多次实验验证,所提方法是有效的,相比l1-SVD方法可以估计出更多信源的DOA,并且可以用较少的阵元数估计更多的信源DOA,具有信源过载能力。