基于累加法的高斯白噪声性能分析

基于中心极限定理的累加法,提出了一种新的产生高斯白噪声的方法.首先分析了高斯白噪声的特点,用均匀分布随机序列累加产生高斯分布随机序列,分析其时域和频域特征,并与用 Matlab 里的 randn 函数产生的高斯分布随机序列进行对比.最后用2χ检验法对由累加法产生的高斯分布随机序列进行检验.实验结果表明,累加法产生的随机数十分近似于高斯分布白噪声.     

基于FRFT与WVD的旋转LFM信号参数估计

为了克服传统的全域搜索法在旋转LFM信号参数估计过程的繁琐问题,提出基于分数阶傅里叶变换(FRFT)与魏格纳分布(WVD)的旋转LFM信号参数估计方法.通过分析旋转LFM信号的性质和特性,给出了该信号的FRFT形式.基于WVD良好的时频分辨率,得到了清晰的调频信号时频分布,并且给出旋转LFM信号参数估计的具体步骤.仿真实验结果表明,该方法有效可行.     

基于加权多核子空间聚类的图像分割方法

为了解决单核子空间聚类算法在图像分割任务中无法较好地处理数据非线性结构和噪声等问题，提出了一种基于非凸低秩子空间聚类的图像分割方法。首先，采用自适应形态学重构种子分割方法对梯度图像进行逐点最大值运算，将图像预分割为不同区域大小的超像素图像，弥补了超像素分割算法过度分割的缺陷；其次，对超像素块进行颜色特征提取，并堆叠成数据矩阵输入到多核子空间聚类算法中；再根据子空间表示求解系数矩阵，进而构造出亲和矩阵；最后，输入谱聚类中得到最终的分割结果。在公共数据集上的对比实验结果表明，所提方法取得了最佳的聚类性能和分割效果。     

基于FRFT的复合chirp信号分析

作为Fourier变换的一种广义形式,分数阶傅里叶变换（FR订）同时融合了信号在时域和频域的信息,是一种新的时频分析方法。而复合线性调频（chirp）信号相对单斜率线性调频信号具有更好的速度分辨力和距离速度联合分辨力。为了分析该信号的特征,提出了一种基于分数阶Fourier变换的分析方法。由于复合chirp信号在FR丌域呈现的冲激特性,以此实现复合chirp信号的检测。实验结果表明．该方法对复合chim信号的检测是有效的。     

基于累加法的高斯白噪声性能分析

基于中心极限定理的累加法,提出了一种新的产生高斯白噪声的方法。首先分析了高斯白噪声的特点,用均匀分布随机序列累加产生高斯分布随机序列,分析其时域和频域特征,并与用Matlab里的randn函数产生的高斯分布随机序列进行对比。最后用 检验法对由累加法产生的高斯分布随机序列进行检验。实验结果表明,累加法产生的随机数十分近似于高斯分布白噪声。     

基于正交投影学习的图像特征提取算法

为了改进低秩嵌入在数据重构和噪声抑制方面存在的不足,提高特征的识别准确度,提出了一种基于正交投影学习的图像特征提取算法,设计了半二次方的交替方向乘子法用于求解正交投影学习模型。 该模型通过引入正交矩阵保留样本的主要特征,引入范数约束使提取的特征更加显著;使用加权 Schatten p 范数来逼近秩的最优解。为提高模型的鲁棒性并使其适用于有监督场景,将广义相关熵用于数据项建模和分类损失函数的构建。 在不同规模数据集上的实验结果表明,所提模型具有比现有其他模型更优良的特征提取性能。     

旋转线性调频信号的分析与设计

为提高复合线性调频(CLFM)信号的距离速度联合分辨力,提出了一种基于分数阶傅里叶变换的旋转线性调频(RLFM)信号,给出了设计方法,仿真得到了RLFM信号的模糊函数图、-3dB模糊度图、距离模糊函数图及速度模糊函数图,最后将其与CLFM信号进行了对比,结果显示,当旋转角度α满足1/2 α<5/6时,RLFM信号具有更好的速度分辨力和距离速度联合分辨力.     

锂离子蓄电池恒压补充电方法研究

针对锂离子蓄电池健康充电目标,探索了一种锂离子蓄电池恒压补充电方法。该方法结合锂离子蓄电池充电管理过程,基于反馈控制思想,实现了锂离子蓄电池的恒压补充电。该方法在研制的机载蓄电池地面维护设备中探索应用,应用于锂离子蓄电池的充电维护、循环充放电活化过程。实验结果表明,该方法在充电过程中,能够较好地实现恒压补充电,充电速率较原有限压补充电方式提高20%。在补充电时,锂离子蓄电池温度保持在合适范围内,充电效率和充电时间等参数得到有效提高。该方法对锂离子蓄电池使用寿命的延长有一定促进作用。     

基于空洞空间金字塔池化和多头自注意力的特征提取网络

针对深度学习在图像处理领域中多尺度特征提取能力弱、特征内部信息捕获能力差的问题,提出了一种基于空洞空间金字塔池化和多头自注意力的特征提取网络（PPSANet）。首先,引入小扩张率的空洞卷积对空洞空间金字塔池化（ASPP）模型进行改进,提高局部特征信息的感受野;其次,将改进的ASPP模型合并到残差网络（ResNet）的每个残差块中,使网络在多个维度上都具有多尺度特征提取能力;最后,将残差网络的底层残差块替换为多头自注意力（MHSA）,增强网络特征学习能力,捕获数据和特征内部的相关性。图像分割实验中,与残差网络相比,在肺结节数据集中DICE相似系数（DICE）提升了5.16个百分点,肝癌数据集中DICE提升了5.22个百分点;目标检测实验中,与残差网络相比,平均精度均值（MAP）提升了2.9个百分点。实验结果表明,PPSANet能够有效解决图像处理中多尺度特征提取能力弱和内部信息捕获能力差的问题,在一定程度上提高了图像处理的能力。     

融合块对角约束的鲁棒低秩多核聚类

针对现有的多核学习(multiple kernel learning, MKL)子空间聚类方法忽略噪声和特征空间中数据的低秩结构问题,提出一种新的鲁棒多核子空间聚类方法(low-rank robust multiple kernel clustering, LRMKC),该方法结合块对角表示(block diagonal representation, BDR)与低秩共识核(low-rank consensus kernel, LRCK)学习,可以更好地挖掘数据的潜在结构.为了学习最优共识核,设计一种基于混合相关熵度量(mixture correntropy induced metric,MCIM)的自动加权策略,其不仅为每个核设置最优权重,而且通过抑制噪声提高模型的鲁棒性;为了探索特征空间数据的低秩结构,提出一种非凸低秩共识核学习方法;考虑到亲和度矩阵的块对角性质,对系数矩阵应用块对角约束. LRMKC将MKL、LRCK与BDR巧妙融合,以迭代提高各种方法的效率,最终形成一个处理非线性结构数据的全局优化方法.与最先进的MKL子空间聚类方法相比,通过在图像和文本数据集上的大量实验验证了...