基于Contourlet变换的区域特征自适应图像融合算法

Contourlet变换克服了小波变换在处理高维信号时的不足,比小波变换具有更好的方向性、较高的逼近精度和更好的稀疏表达性能.因此将Contourlet变换应用于图像融合领域,能更好的提取图像边缘特征,为融合提取更多的特征信息.基于Contourlet变换的区域特征自适应图像融合算法是将图像进行Contourlet变换分解后,针对不同的频率域特点选择不同的融合规则,针对高频系数特性选用了区域特征自适应的融合规则,最后通过重构得到融合图像.将基于小波变换的融合算法和本文所提算法进行了主观和客观的对比,结果表明,基于Contourlet变换区域特征自适应的图像融合算法是一种有效可行的图像融合算法.     

小波域局部维纳滤波器估计误差分析及图像去噪

对小波域局部维纳滤波算法的估计误差进行了理论分析,推导了估计误差平方期望表达式,得到了一种观测系数局部方差估计的阈值.以此为基础,提出了一种小波域图像去噪算法.先对观测系数做阈值化处理,再进行局部自适应维纳滤波.实验结果表明,该方法提高了真实信号系数方差估计的准确度,在去噪性能上优于Mihcak等提出的LAWML算法.     

一种强噪声背景下微弱超声信号提取方法研究

为解决在强噪声背景下获取超声信号的难题,基于粒子群优化算法和稀疏分解理论提出一种强噪声背景下微弱超声信号提取方法.该方法将降噪问题转换为在无穷大参数集上对函数进行优化的问题,首先以稀疏分解理论和超声信号的结构特点为依据构建了粒子群优化算法运行所需要的目标函数及去噪后信号的重构函数,从而将粒子群优化算法和超声信号降噪联系在一起;然后根据粒子群优化算法可以在连续参数空间寻优的特点建立了用于匹配超声信号的连续超完备字典,并采用改进的自适应粒子群优化算法在该字典中对目标函数进行优化;最后根据对目标函数在字典上的优化结果确定最优原子,并利用最优原子按照重构函数重构出降噪后的超声信号.通过对仿真超声信号和实测超声信号的处理,结果表明本文提出的方法可以有效提取信噪比低至-4 dB的强噪声背景下的微弱超声信号,且和基于自适应阈值的小波方法相比本文方法表现出更好的降噪性能.     

非线性时间序列的小波分频预测

基于噪声的小波变换特点，结合小波包分解和模极大重构来抽取含噪信号的主分量，提出了一种基于最佳尺度分解和Volterra自适应滤波的分频预测算法，使用较少的模型训练样本，同时具有强的抗噪能力.该算法克服了传统小波分解尺度选取的盲目性及单纯Volterra预测器抗噪性能的不足，数值仿真表明，针对含强噪声的非线性信号可进行有效预测. 关键词： 小波分解 Volterra自适应滤波器 分频预测     

小波阈值降噪算法在光电探测器信号 处理中的应用

针对光电探测器传统降噪处理中软、硬阈值函数存在的缺点,提出了一种含参数的阈值函数和逐层变化的阈值相结合的小波阈值降噪算法.该算法可以调整参数使生成的阈值函数于软、硬阈值函数之间,且在临界阈值处平滑过渡,保留部分有用信号.应用过程中阈值可随着分解层数的改变而改变,对各个分解层有自适应特征,减少小波系数阈值处理中的固定偏差,从而在保留原有信号的同时减除不必要噪声.仿真及实测结果表明,采用该小波阈值降噪算法处理的信号信噪比较高、均方误差较小,有效地抑制噪声对光电探测器输出信号的干扰.     

SPH核函数光滑长度最优选取和自适应准则研究

基于小波分析理论和RKPM再生核函数研究无网格方法SPH中多尺度诊断工具,多尺度再生核函数使得数值计算在不同尺度上的响应分离,并通过动态伸缩窗函数给出计算域不同位置的时频特性,实现在无网格体系下构造网格计算方法的“自适应网格”,从而达到对不同流场位置多分辨率分析的目的.利用多尺度诊断工具中的小波分解算法给出SPH核函数在频域内能量残差估计,发展一种核函数光滑长度最优选取准则.最后,基于可压缩流场激波稀疏波共存的现象,针对传统的光滑长度自适应的缺陷,构造一种避免数值计算“拖尾”现象的自适应准则.     

基于多尺度总体最小二乘的图像去噪

提出了一种基于多尺度总体最小二乘的图像去噪算法.采用平稳小波变换对噪音图像进行分解,分别对各个分解层的高频子带,通过总体最小二乘算法估计信号小波系数;并且考虑到不同尺度小波系数之间的相关性,将尺度相关性约束到总体最小二乘算法中,进而准确估计各高频子带信号小波系数,再由估计的信号小波系数通过小波逆变换得到去噪图像.实验结果表明,考虑尺度间相关性的总体最小二乘平稳小波变换图像去噪算法能有效去除图像噪音,在信噪比和视觉质量上有了较大改善.     

基于多尺度总体最小二乘的图像去噪

提出了一种基于多尺度总体最小二乘的图像去噪算法.采用平稳小波变换对噪音图像进行分解,分别对各个分解层的高频子带,通过总体最小二乘算法估计信号小波系数|并且考虑到不同尺度小波系数之间的相关性,将尺度相关性约束到总体最小二乘算法中,进而准确估计各高频子带信号小波系数,再由估计的信号小波系数通过小波逆变换得到去噪图像.实验结果表明,考虑尺度间相关性的总体最小二乘平稳小波变换图像去噪算法能有效去除图像噪音,在信噪比和视觉质量上有了较大改善.     

基于双树复小波变换的非平稳时间序列去趋势波动分析方法

多重分形去趋势波动分析是研究非平稳时间序列非均匀性和奇异性的有效工具, 针对该方法中趋势项难以确定的问题, 提出一种基于双树复小波变换的方法, 实现了非平稳信号的多重分形自适应去趋势波动分析. 利用双树复小波变换提取信号的多尺度趋势和波动信息, 通过小波系数的希尔伯特变换确定每个时间尺度不重叠子区间的长度, 使多重分形分析具有信号自适应性及较高的计算效率. 以具有解析形式分形特征的倍增级联信号和分数布朗运动时间序列为例验证本文方法的有效性, 所得结果与解析解相吻合. 与传统的多项式去趋势多重分形方法相比, 本文方法根据信号自身特点自适应地确定信号的趋势和不重叠等长度子区间长度, 所得结果更加精确. 对倍增级联信号时间序列取不同的长度, 验证了算法的稳定性. 分别与基于极大重叠离散小波变换和离散小波变换多重分形方法进行比较, 表明本文方法具有更精确的结果和更快的运算速度.     

提升小波变换和混沌加密的数字声频水印

提出了一种提升小波变换和混沌加密的数字声频水印算法.先对声频信号进行提升小波变换,通过修改提升小波变换系数的统计平均值来实现同步码和水印信息的嵌入,利用听觉掩蔽阈值来自适应确定最佳嵌入强度,以保证嵌入隐藏信息对人耳的不可感知性;为了改善水印的安全性,采用改进logistic混沌映射产生密钥序列对隐藏信息进行加密.实验结果表明:与传统的傅里叶变换、余弦变换、小波变换的声频水印方案相比,本文方法具有更好的不可感知性和安全性,且能够更加有效地抵抗各种常见信号处理攻击.     

基于自适应模板法的脑电信号转移熵分析

脑电信号是一种产生机理相当复杂且非常微弱的随机信号, 综合反映了大脑组织的脑电活动及大脑的功能状态. 由于脑电信号的微弱性, 传统的基本模板方法在脑电信号分析上得到了良好的应用. 为进一步提升分析脑电信号的性能, 提出了一种新的基于自适应模板的转移熵方法并分析了青少年脑电与成年人脑电信号. 结果表明: 对于青少年脑电还是成年人脑电, 与基本模板法相比, 基于自适应模板法的转移熵可以更显著地表示脑电信号的耦合作用, 并且具有更好的区分度, 这将能更好地捕捉到信号中的动态信息、系统动力学复杂性的改变. 同时, 该方法将更有利于医学临床诊断的辅助检测, 对脑电信号是否处于病理状态的诊断提供了新的更好的判断依据.     

混沌时间序列多步自适应预测方法

针对混沌时间序列局域自适应预测方法在多步预测中预测器系数无法调节的问题，根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点，提出了混沌时间序列多步自适应预测方法.仿真结果表明，此方法的多步预测性能明显好于局域自适应预测方法的多步预测性能. 关键词： 多步自适应预测方法 局域自适应预测方法 混沌时间序列     

基于QMEMS陀螺的自适应滤波方法研究

 根据QMEMS陀螺的特性,在对现有卡尔曼滤波方法分析的基础上,根据自适应滤波理论和UD分解理论,提出了一种改进型自适应滤波方法,该方法可去除QMEMS陀螺在采样过程中产生的异常值,并增强惯性导航系统的实时性和稳定性。通过对QMEMS陀螺实际输出数据的滤波仿真显示,该方法去噪效果明显好于卡尔曼滤波方法,利用该方法对QMEMS陀螺的采样数据进行处理,可以为惯性导航解算提供更为准确的数据,提高惯性导航系统的精度。     

闪光照相CCD图像的自适应中值滤波方法

中值滤波是一种在去除噪声的同时能较好地保护图像边缘细节的非线性图像处理方法。为了滤除闪光照相CCD图像中的脉冲噪声，同时能更好地保护图像边缘，提出了一种改进的自适应中值滤波方法。该方法采用局部中值和局部方差作为判断噪声点的阈值，实现了局部自适应的中值滤波，克服了传统自适应中值滤波方法的缺点，对椒盐噪声和随机脉冲噪声均有较好的滤波效果。实验结果表明，该方法消除图像脉冲噪声十分有效，对闪光照相CCD图像的处理结果也较好。     

基于空间自适应非凸正则项全变差相干斑噪声抑制

全变差正则化方法是相干斑噪声抑制研究的热点.非凸正则项能够更好地保持图像的边缘、纹理细节信息;空间自适应正则化参数可以根据像素点所在的区域,合理地控制噪声抑制程度,从而提高噪声抑制效果.本文结合非凸正则项和空间自适应正则化参数提出了一种新的全变差相干斑噪声抑制模型,并且给出了一种模型求解的数值算法.数值试验结果表明该模型能够获得更好的相干斑噪声抑制效果.     

Adaptive meshless centres and RBF stencils for Poisson equation

We consider adaptive meshless discretisation of the Dirichlet problem for Poisson equation based on numerical differentiation stencils obtained with the help of radial basis functions. New meshless stencil selection and adaptive refinement algorithms are proposed in 2D. Numerical experiments show that the accuracy of the solution is comparable with, and often better than that achieved by the mesh-based adaptive finite element method.     

直接数据域局域联合混响抑制方法研究

针对非平稳条件下混响抑制问题,提出一种可利用待测数据统计信息的直接数据域局域联合(D3JDL)空时自适应方法。不同于级联方法,该方法没有独立运行直接数据域空时自适应和局域联合方法,仅在待测空时样本内用直接数据域空时自适应原理构造非期望数据矩阵,用于获取待测样本的统计信息,并作为局域联合方法的输入进行降维空时处理。由于D3JDL方法不存在待测样本与学习样本之间统计特性失配的问题,且较好地利用了统计信息,因此具备良好的非平稳环境适应能力。仿真和实验数据处理结果表明,D3JDL方法抗混响效果优于常规波束形成加匹配滤波处理和其它空时自适应处理方法。      

一种基于虚拟传感的无需误差传声器的自适应有源降噪方法*

该文基于虚拟传感技术引入了一种用于耳机的无需误差传声器的自适应有源降噪方法。该算法仅使用一个参考传声器实现了一种前馈和反馈自适应算法结合的有源降噪算法,提高了有源降噪稳定性,简化了耳机硬件结构。利用DSP平台实现了该文提出的方案,并通过实验验证了其良好的降噪性能和实用价值。     

一种高效的自适应波束域变换方法及应用研究

波束域变换将阵元域数据投影到一个低维的波束域空间, 不仅能够减小信号处理算法的运算时间, 提高算法性能, 还能够抑制干扰. 本文针对常规自适应波束域变换方法需要在线调整波束变换矩阵、更新波束域导向矢量由此导致实时实现困难的问题, 提出一种高效的自适应波束域变换方法. 该方法将波束域协方差矩阵与导向矢量均表示成不依赖自适应波束变换矩阵的闭合形式, 省去在线调整与更新过程, 使运算效率得到了显著提高. 最后将该方法应用到波达方向(DOA)的估计之中, 仿真研究表明, 本文方法获得了比常规自适应方法更好的DOA估计性能. 此外, 本文方法还具有另一个非常突出的优点, 即它可以有效抑制运动强干扰. 这是因为本文方法无需训练波束变换矩阵, 其当前运算结果与历史快拍数据无关, 这样可以有效避免常规自适应方法中因目标运动所导致的训练数据与应用数据失配的问题.     

基于Adaptive Elastic Net方法的近红外光谱建模技术

当近红外光谱信息远远大于样本量时,对光谱信息进行自动变量选择进而建立光谱与微量成分含量之间的稀疏线性模型重要且具有挑战性。针对聚苯醚生产过程中微量成分邻甲酚难以测量的问题,将变量选择方法Adaptive Elastic Net用于建立近红外光谱与邻甲酚含量之间的定量校正模型,并将其模型性能与ElasticNet方法进行对比。在变量数目远远大于样本量的情形下,ElasticNet方法虽可以实现变量选择,但由于其系数估计不具备Oracle性质,使得模型的可解释性和预测精度受到影响,而Adaptive Elastic Net方法通过对L1惩罚项施加自适应权重从而很好的解决了上述问题并提高了模型性能。为了验证Adaptive Elastic Net方法的模型性能指标,用最终被选中的自变量数目来评价模型复杂度;利用复相关系数R2来评价模型的可解释性,利用平均相对预测误差MRPE(mean relative prediction error)和预测相关系数R_p来评价模型的预测精度。Elastic Net方法建立的模型性能指标为：NSIV=529,R2=0.96, MRPE=3.22％, R_p=0.97; Adaptive Elastic Net方法的性能指标为：NSIV=139, R2=0.99, MRPE=2.00％, R_p=0.99。结果表明：Adaptive Elastic Net所建立模型的性能指标优于Elastic Net方法,可以得到更加简单且具有较强可解释性和较高预测精度的稀疏线性模型。