复系数FIR数字滤波器的神经网络设计方法

神经网络是一种设计实系数FIR滤波器的有效算法,为了将该方法扩展到复数域,建立统一的基于神经网络的滤波器设计框架,文中提出了一种用多层神经网络设计任意幅频响应的复系数FIR数字滤波器的新算法,主要思想是将设计问题转化为实系数多层神经网络的训练问题,在实数域对幅频响应的平方误差函数的实部和虚部分别进行最小化,误差将收敛到全局最小点.实验结果表明,利用该算法设计的滤波器具有较小的幅频响应误差和群延迟误差.该算法能解决具有任意幅频响应和群延迟要求的问题,是一种有效的设计算法.     

嵌入式多核系统软件设计和开发

嵌入式多核系统包含多种同构和异构的计算、存储和通信资源来完成复杂的功能.需要采用相对复杂的软件栈来完成任务调度、资源管理和通信.软件设计和开发中需要解决的关键问题包括任务分解和调度、并行方法、通信延迟、操作系统和中间件的设计等.需要选择合理的解决方案来满足嵌入式环境对实时和资源限制的要求.     

考虑双目竞争视觉现象的非对称失真立体图像质量评价方法

目的 现有方法存在特征提取时间过长、非对称失真图像预测准确性不高的问题,同时少有工作对非对称失真与对称失真立体图像的分类进行研究,为此提出了基于双目竞争的非对称失真立体图像质量评价方法。方法 依据双目竞争的视觉现象,利用非对称失真立体图像两个视点的图像质量衰减程度的不同,生成单目图像特征的融合系数,融合从左右视点图像中提取的灰度空间特征与HSV （hue-saturation-value）彩色空间特征。同时,量化两个视点图像在结构、信息量和质量衰减程度等多方面的差异,获得双目差异特征。并且将双目融合特征与双目差异特征级联为一个描述能力更强的立体图像质量感知特征向量,训练基于支持向量回归的特征—质量映射模型。此外,还利用双目差异特征训练基于支持向量分类模型的对称失真与非对称失真立体图像分类模型。结果 本文提出的质量预测模型在4个数据库上的SROCC （Spearman rank order correlation coefficient）和PLCC （Pearson linear correlation coefficient）均达到0.95以上,在3个非对称失真数据库上的均方根误差（root of mean square error,RMSE）取值均优于对比算法。在LIVE-II（LIVE 3D image quality database phase II）、IVC-I（Waterloo-IVC 3D image qualityassessment database phase I）和IVC-II （Waterloo-IVC 3D image quality assessment database phase II）这3个非对称失真立体图像测试数据库上的失真类型分类测试中,对称失真立体图像的分类准确率分别为89.91%、94.76%和98.97%,非对称失真立体图像的分类准确率分别为95.46%,92.64%和96.22%。结论 本文方法依据双目竞争的视觉现象融合左右视点图像的质量感知特征用于立体图像质量预测,能够提升非对称失真立体图像的评价准确性和鲁棒性。所提取双目差异性特征还能够用于将对称失真与非对称失真立体图像进行有效分类,分类准确性高。     

电池储能提高电力系统调频性能分析

针对同功率电池储能系统对火电机组调频替代能力量化不明确的问题,通过分析对比电池储能系统与火电机组调频的原理,确定储能调频在频率响应稳定性和快速性方面的优势。从调差系数出发,分析储能对高比例可再生能源调频系统的影响,确定同功率储能对火电机组在提升调频效果方面的优势。定义了储能调频替代的功率和能量指标,并提出储能提高频率最低点的替代指标。最后,根据所提出的相关定量指标,以中国东部某区域电网系统为例,分析了不同扰动场景下多时间尺度的储能的替代能力,验证了电池储能对火电机组的高替代能力。     

基于周期截断数据矩阵奇异值分解的干扰抑制技术

针对现有适用于单天线接收机的干扰抑制技术难以为周期调频(PFM)干扰和卫星导航信号提供足够分离度,导致消除干扰成分时卫星导航信号损伤较大的问题,该文提出一种基于周期截断数据矩阵奇异值分解的干扰抑制方法。利用调频干扰信号的周期性把分散在较大带宽的能量集中到重排数据中几个甚至单个频点;进而采用奇异值分解(SVD)将干扰与期望信号映射进不同的投影子空间以消除干扰成分。仿真结果表明该方法可以降低在剔除干扰时卫星导航信号损失,提升卫星导航接收机对抗宽带周期调频干扰的能力。     

基于自适应方向导数滤波器的彩色边缘检测

传统彩色边缘检测算法在提高边缘检测准确性时可能将噪声检测为边缘,而在提高噪声鲁棒性时会将部分边缘当作噪声进行抑制,导致部分边缘信息丢失。为解决传统彩色边缘检测算法在边缘检测准确性与噪声鲁棒性之间的矛盾问题,提出一种基于自适应各向异性高斯方向导数（ANDD）的彩色边缘检测算法。通过彩色图像的微分自相关矩阵构建反映边缘类型的度量准则,以自适应地确定每个像素处ANDD滤波器的形状,从而准确提取不同类型的边缘特征,采用ANDD滤波器组对图像进行平滑处理,提取在三个通道上的ANDD特征。在此基础上,利用奇异值分解得到最优融合权值,并融合三个通道的ANDD特征,以增强彩色边缘强度。实验结果表明,该算法在无噪声和含噪声环境下的Pratt品质因子分别为0.849 6和0.791 4,与彩色Canny、RCMG-MM和FRPOS算法相比,在保持较高边缘检测准确率的同时具有较优的噪声鲁棒性。     

三维几何信号经验模式分解及其应用

针对三维几何信号非线性、非平稳的特点,提出基于经验模式分解的三维几何信号处理方法。将信号球面参数化,映射到平面,进行均匀规则采样。对平面信号进行限领域的经验模式分解,得到各个内蕴模式图层。从图层信号得到不规则的原始映射信号,逆映射回三维几何模型信号。将该方法用于几何模型的光顺及增强处理,实验结果表明,该方法能够有效处理三维几何信号。     

基于三层虚拟图像生成的单样本人脸识别

针对人脸识别中的单训练样本情况下识别率较低的问题,提出一种三层虚拟图像生成方法。采用奇异值扰动方法突出人脸特征,通过几何变换方法增强姿态、尺度变化和样本数量,基于空间分布的方法改善样本分布。在ORL人脸库上的实验结果表明,该方法能有效地对单样本问题中的训练样本进行预处理。     

The Dirichlet problem for a 3D elliptic equation with two singular coefficients

In the present work, we investigate the Dirichlet problem for a three-dimensional (3D) elliptic equation with two singular coefficients. We find four fundamental solutions of the equation, containing hypergeometric functions of Appell. Then using an “a-b-c” method, the uniqueness for the solution of the Dirichlet problem is proved. Applying a method of Green’s function, we are able to find the solution of the problem in an explicit form. Moreover, decomposition formulas, formulas of differentiation and some adjacent relations for Appell’s hypergeometric functions were used in order to find the explicit solution for the formulated problem.     

Disaggregation & aggregation of time series components: A hybrid forecasting approach using generalized regression neural networks and the theta method

A hybrid forecasting method is proposed which leverages from statistical and neural network techniques to perform multi-step ahead forecasting. The proposed method is based on the disaggregation of time series components, the prediction of each component individually and the reassembling of the extrapolations to obtain an estimation for the global data. The STL decomposition procedure from the literature [5] is implemented to obtain the seasonal, trend and irregular components of the time series, whilst Generalized Regression Neural Networks (GRNN) [12] are used to perform out-of sample extrapolations of the seasonal and residual components. The univariate Theta model is employed for the estimation of the directional component. The application of the GRNN is based on the dynamic calibration of the training process for each of the seasonal and irregular components individually. The proposed hybrid forecasting method is applied to 60 time series from the NN3 competition and 227 time series from the M1 Competition dataset, to obtain 18 out-of sample predictions. The results from the application demonstrate that the proposed method can outperform standard statistical techniques in the literature. One of the main contributions of the current research lies in the investigation of the strengths and weaknesses of the GRNN in extrapolating structural components of time series.