基于SVD—DWT域数字图像水印算法

在一类基于奇异值分解(SVD)的数字水印算法中,提取过程要使用原始图像奇异值分解的正交矩阵;若用其它图像的正交矩阵来代替,则可以重构出任意期望的水印图像,表明算法具有非常高的虚警率.为了消除算法的不确定性,提出了一种改进的基于SVD-DWT域的数字图像水印算法,将SVD分解的正交矩阵U作为控制参数嵌入载体图像小波分解的细节子带中.实验结果表明,该算法既保持了原有算法的鲁棒性和不可见性,同时也消除丁提取结果的不确定性.因此可以将算法应用于版权保护.     

基于直方图特性的LSB匹配隐写分析研究

为了提高对高精度原始图像LSB匹配数字隐写的检测能力,提出了基于直方图特性的LSB匹配隐写分析方法.根据高精度原始图像在LSB匹配数字隐写过程前后灰度直方图、差分直方图以及小波分解后的子带系数直方图的特性差异,提取了23维的特征向量,并使用支持向量机对其进行训练,建立区分载体图像与载密图像的分类器达到检测秘密信息的目的.实验结果表明,该方法在性能上要优于文献[5]的局部极值法.     

功率受限的无线网络的传输速率控制

无线自组织网络是没有预置基础设施支撑的自组织可重构的自治网络.由于需要克服远近效应问题、干扰问题以及提高信道的空间复用度,并且为了降低网络节点的能耗,提高网络的生存时间和系统的能量效率,网络节点的发射功率受到限制.因此,如何在功率受限的情况下保证网络数据传榆性能,成为无线网络的关键问题.提出了功率受限的无线自组织网络模型,该模型用发送功率的凸函数作为度量效用的指标之一,更加贴切地反映了网络节点功率受限的特点.采用对偶分解的方法求解模型,得到分布式算法,协调节点的传输功率和数据速率,达到全网效用最大化.最后用具体的拓扑和效用函数进行仿真,验证了算法的收敛性,并考察传输速率和功率的关系对网络性能的影响.     

基于MP算法的语音信号稀疏分解

语音信号稀疏分解是一种新的语音信号分解方法,可以将语音信号分解为很简洁的近似表达形式。在语音信号稀疏分解的基础上,可应用于语音处理的多个方面,如语音压缩、语音去噪和语音识别等。研究利用Matching Pursuit（MP）算法实现语音信号的稀疏分解,实验结果表明基于MP算法的语音信号稀疏分解具有较好的重建精度和较高的稀疏度。     

基于复小波变换全监督学习的微震波形降噪与相位拾取

由于井下微震信号有着更低的信噪比, 导致信号拾取精度降低. 现阶段基于小波阈值的信号降噪算法等在面对信噪比较低的信号时存在泛化性差, 阈值难以衡量等问题. 为解决这一问题, 本文研究了一种复小波变换全监督学习的微震波形降噪方法. 该方法首先利用复小波变换结合卷积自编器设计一个具有多个卷积和反卷积操作的编码-解码器完成图像的降噪过程. 为验证此方法的有效性, 首先在Stanford的Earthquake数据集上构建了Earthquake2023进行训练和测试, 并有着较好地拟合效果和训练结果. 同时基于该方法降噪后信号设计了一种震相拾取方法, 并达到了较高的拾取精度. 本文设计了多组对比实验, 结果表明此降噪方法能有效提高信号的峰值信噪比和均方根误差, 两者分别提高了16 dB和24%, P波、S波初至到时拾取的误差相较于STA/LTA减小了0.3 ms.     

基于渐进式分解架构的风电时间序列预测

准确预测风电机组各项指标对准确管控机组和调控电网的供需有着重要意义. 预测指标任务可抽象为风电时间序列预测任务. 目前时间序列预测模型主要采用深度学习模型, 但是风电时间序列具有较强的波动性和随机性, 导致绝大部分模型不能较好挖掘风电时间序列的复杂演化特性. 为解决上述问题, 提出了一种基于渐进式分解架构的风电时间序列预测方法, 该方法首先应用神经网络池化分解方法将复杂的依赖关系简化并应用注意力机制学习长期趋势, 然后运用多变量融合捕捉模块增强了网络整体的多变量关联挖掘能力, 最后, 融合趋势项和周期项对风电时间序列做出准确的预测. 实验结果表明, 该方法在风电时间序列的多步预测中均方误差相比基线模型至高可提升24%, 在多尺度预测长度下表现出预测性能稳定提升的同时, 计算效率显著优于同类模型.     

基于RGBD数据与深度权重的压缩光场显示

使用多层空间光调制器的压缩光场(compressive light field,CLF) 显示技术具有空间带宽利用率高、图像分辨率好等优势,是一种很有前景的光场显示技术。传统的方法将光场分解视为超定问题并使用优化算法求解。随着重建光场的分辨率、深度、视角等性能参数的提升,优化算法的计算效率低、内存消耗大的缺陷被放大,难以实现快速计算。为此,本文提出了一种新型CLF分解算法,该算法将原始光场分解为物点进行存储,仅占用少量内存;利用深度权重和加权平均代替了优化算法,大幅提高了运算效率。在同等条件下,所提出的算法占用内存仅是传统方法的38.8%,计算时间缩短了93.7%,图像质量提高约1 dB。最后通过仿真和实验两种方式对比了该方法和传统方法的显示效果,验证了算法的有效性。     

基于GRNN与注意力机制模型的非侵入式家用负荷分解

为了提高识别精度,提出一种基于GRNN与注意力机制模型的非侵入式家用负荷分解方法.采用批标准化来减少神经网络层与层之间的耦合,利用GRNN强大的时间序列特征表示能力,来提取电力负荷入口处测得的总用电信息与各电器能耗之间的关系,同时利用注意力机制来减少模型的权重参数.最后通过算例验证了算法的可行性与优越性.     

MC-CDMA系统中基于QR分解的多址干扰消除算法

多址干扰是导致MC-CDMA系统误码性能下降的重要因素。为了消除多址干扰,提出基于接收信号功率排序和QR分解的多址干扰消除算法（Power-based MMSE Sorted QR Decomposition,P-based MMSE-SQRD）对MC-CDMA系统的上行链路进行检测。仿真结果显示,与传统的串行干扰消除算法相比,P-based MMSE-SQRD的误码性能有明显的提高,而且其复杂度也相对较低。     

借助梯形分割的点面包含分析

在诸多研究领域中,判断点是否在多边形内是一个非常基本的问题。在分析了解决这一问题的传统方法基础上,提出了一种基于梯形分割的点面包含算法。该算法将多边形分割成若干个梯形网格单元,将判断点是否位于多边形内的问题转化为判断点是否位于梯形网格单元中这一问题。算法已用于GIS平台软件相应的包含分析模块,试验结果证明该算法稳定可靠、适用于任意复杂多边形而无需对奇异情况进行单独处理。