基于LMS的图像自适应预测编码

为了提高图像编码预测器的预测性能,提出了一种低复杂度,高效的自适应预测方法。采用LMS(Least MeanSquare)自适应滤波技术进行预测,并对预测值进行减邻域均值的改进,有效克服了图像的非零均值和非平稳性特征,满足LMS算法的要求,使预测性能得以提高。通过对不同图像的仿真结果表明,该方法的预测差值图像的熵比GAP算法和MED算法的差值图像的熵要小0.1 bit/piexl左右,均方误差(MSE)也要小于后两者的均方误差。     

基于新型联合感知矩阵的压缩学习目标识别技术

目标识别正逐渐成为自动化领域中提供准确目标类别信息的一项重要技术,并且当前大多数目标识别方法都是基于深度学习框架实现.通常,深度学习框架的输入数据均为原始图像数据,而在实际应用中,探测器获取原始图像数据并作为深度学习框架的输入进而实现目标识别的方式并非是高效的,数据获取并识别的过程包含了大量的冗余信息,降低了识别效率.在本文中,通过深度学习与压缩感知技术的结合,提出了一种基于联合感知矩阵的压缩学习目标识别技术(Target recognition technology based on a new joint sensing matrix for compressed learning,TRNPCL),使得探测器可快速生成目标图像多维压缩数据,且压缩数据可直接作为深度学习目标识别框架的输入数据,而无需再进行解压缩步骤.该方法不仅大大减小了深度学习框架的数据输入量,在与同等压缩比下的单空间域数据压缩学习方式相比较,还保持了较高的识别准确率.在未来,该方法有望成为一种更有效、更灵活的目标识别方法,并特别适用于指纹识别、人脸识别等应用领域.     

基于MOM分析的金属载体上线天线

对于金属载体上的线天线,采用RWG基函数以及伽略金法将电场积分方程转化为矩阵方程组,结合稳定双共轭梯度法,解算出表面电流的展开系数,进而得出金属载体上线天线的辐射特性。为了验证算法的正确性,以金属载体附近的单极子天线为例,采用MOM(mehtod of moment)法以及软件FEKO进行仿真计算,两种方法的计算结果验证了算法的正确性。