一种改善鲁棒性的噪声有源控制自适应神经网络方法

控制对象参数的时变是噪声有源控制付诸实际应用所面临的主要问题之,传统的控制方法通常不考虑对象参数时变。本文首先引入一个能方便进行在线自适应的扩展控制对象自适应神经网络模型,在此基础上提出一种噪声有源控制的自适应神经网络方法。通过在控制过程中分别对控制网络和模型网络进行自适应,解决了控制对象参数的时变问题,显著改善了整个系统的鲁棒性。实验结果表明,对于控制对象参数的突变扰动,该方法具有良好的鲁棒稳定性。     

一种尺度自适应调整的高斯滤波器设计方法

固定尺度参数的经典高斯滤波器往往在滤除噪声的同时造成图像的模糊,为此设计了一种尺度可变的自适应高斯滤波器。通过计算滤波器各滤波窗口内像素点灰度值的均值,以及该均值与当前像素点灰度值的差值,确定滤波窗口的平滑度,并将其作为高斯函数尺度的大小,从而实现滤波器尺度参数的自适应调整。实验结果表明,该滤波器在有效滤除噪声的同时能够尽可能的保持图像原有信息不受影响,且计算简单,适于工程应用。     

一种基于自适应权值的立体匹配方法

提出了一种新的自适应权值的立体匹配方法,在匹配中无需逐像素确定其支持窗口的尺寸。首先根据像素间的相似性和邻近性对匹配窗口内每一像素的支持权值进行调整,使与待匹配点位于同一区域的像素权值增大,然后在匹配的代价函数中引入视差平滑性约束项,从而获得最终视差。在Middlebury提供的标准图像上进行了测试。实验结果表明,该方法可以获得良好的视差图。     

一种基于正态反高斯模型的贝叶斯图像去噪方法

提出一种新的贝叶斯图像去噪方法,该方法以正态反高斯(NIG)模型为先验模型,对图像小波系数的稀疏分布统计建模,并用最大后验概率(MAP)估计法对小波系数进行估计。为了改善贝叶斯图像去噪的效果,还根据尺度间相关性的大小对小波系数分类进行处理。此外,还引入了递归循环平移(CycleSpinning)算法对小波变换缺乏平移不变性产生的吉布斯现象进行抑制。实验结果表明该去噪算法能有效地去除图像中的高斯白噪声,更好地保留图像细节,提高图像的峰值信噪比值。     

一种基于选择性测量的自适应压缩感知方法

针对低信噪比条件下现有压缩感知系统重构性能严重恶化的问题,提出了一种基于选择性测量的自适应压缩感知结构.首先推导并分析了经过压缩测量的噪声的统计特性及其对重构性能的影响;然后基于输出能量最小化准则,设计了一种压缩域投影滤波联合噪声检测的自适应感知器,感知获得噪声子空间的位置信息;进一步利用该信息构造选择性压缩测量矩阵,智能选择测量信号,同时"屏蔽"噪声分量,极大提高了压缩测量值的信噪比.仿真结果表明,相对于现有压缩感知结构,选择性测量的压缩感知结构明显改善了含噪稀疏信号的重构性能,可更好地应用于吸波材料的前端特性分析、认知无线电的频谱感知等领域.     

一种自适应的盲水印方法

目前数字水印算法多局限于在图象中嵌入特定的标记,并通过改变空域值或频域系数值来达到目的.提出了一种新颖的自适应盲水印方法.首先基于小波变换的零树结构,找出重要系数,然后根据重要系数所在区域的特性构造出一个序列信息,再利用置乱变换最终得到水印信息,而不修改图象本身的任何特征.因此水印的不可见性从根本上得到了保证.其中,重要系数的选择是自适应于图象的,并且水印的检测是不需要原始图象的盲检测.实验证明该方法的鲁棒性较强,是一种行之有效的方法.     

一种改进的基于混合高斯模型的运动目标检测方法

混合高斯模型方法被广泛应用于运动目标检测,但是现有的混合高斯模型方法在应对噪声和光照突变时效果不佳,其运动目标检测的效果会受到严重影响。为了解决上述问题,提出了一种结合边缘混合高斯模型方法以及改进的基于邻域差方法的综合方法。该方法充分利用了边缘图像对于噪声和光照突变不敏感,以及邻域差方法可以去除部分噪声的特点,对图像序列进行综合处理。实验结果证明,该方法可以提升运动目标的检测率,降低误警率,可以更有效地应对噪声和光照突变的干扰,从而具有更准确的目标检测效果。     

一种基于高斯拟合的衍射光斑峰值位置的定位方法

基于衍射理论的分块镜共相位误差检测中,衍射光斑最高峰峰值位置的定位精度直接影响最终的测量精度,峰值定位精度受限于CCD的像元尺寸。针对衍射光斑的特点及最高峰峰值位置亚像元的定位精度要求,提出了基于高斯拟合的最高峰峰值位置的定位方法。在采样间距为5μm,采样点在10个左右的情况下,定位精度高于600nm,与传统的质心法及Hilbert变换法相比,精度可以提高20%以上,且鲁棒性好。实验结果表明,该方法是一种有效的亚像元精度的峰值定位方法,为提高共相位误差的测量精度提供有效途径。     

边界层近场噪声的一种计算方法

随着航行器速度的不断提高,近年来边界层近场噪声已日益受到人们的关注。本文研究了它的产生机理并提出了一种理论计算方法。研究表明:边界层近场噪声与壁面切应力、垂向脉动速度谱曲线形状及当地雷诺数有关。
√With the uninterrupted increasing of vehicle velocity,boundary layer near field noise has attracted much attentions recently. This paper researchs its mechanism and presents a theoritical calculation method. The results of the research show that boundary layer near field noise is related to the wall shear stress,Spectral curve of vertical fluctuating velocity and local Reynolds number. The numerical calculation results relating √19871985-02-182022-08-0961210.15949/j.cnki.0371-0025.1987.06.009吴君朋. 边界层近场噪声的一种计算方法[J]. 声学学报,1987,12(6): 486-490. DOI: 10.15949/j.cnki.0371-0025.1987.06.009WU Jun-peng. A METHOD CALCULATING BOUNDARY LAYER NEAR FIELD NOISE[J]. ACTA ACUSTICA,1987,12(6): 486-490. DOI: 10.15949/j.cnki.0371-0025.1987.06.009486490https://www.jac.ac.cn/cn/article/doi/10.15949/j.cnki.0371-0025.1987.06.009https://www.jac.ac.cn/article/exportPdf?id=c28c5ecc-e469-419a-bdde-3123a401b44dhttps://www.jac.ac.cn/fileSXXB/journal/article/sxxb/1987/6/     

基于卷积神经网络的恒星光谱自动分类方法

恒星光谱自动分类是研究恒星光谱的基础内容,快速、准确自动识别、分类恒星光谱可提高搜寻特殊天体速度,对天文学研究有重大意义。目前我国大型巡天项目LAMOST每年发布数百万条光谱数据,对海量恒星光谱进行快速、准确自动识别与分类研究已成为天文学大数据分析与处理领域的研究热点之一。针对恒星光谱自动分类问题,提出一种基于卷积神经网络(CNN)的K和F型恒星光谱分类方法,并与支持向量机(SVM)、误差反向传播算法(BP)对比,采用交叉验证方法验证分类器性能。与传统方法相比CNN具有权值共享,减少模型学习参数;可直接对训练数据自动进行特征提取等优点。实验采用Tensorflow深度学习框架,Python3.5编程环境。K和F恒星光谱数据集采用国家天文台提供的LAMOST DR3数据。截取每条光谱波长范围为3 500~7 500 部分,对光谱均匀采样生成数据集样本,采用min-max归一化方法对数据集样本进行归一化处理。CNN结构包括：输入层,卷积层C1,池化层S1,卷积层C2,池化层S2,卷积层C3,池化层S3,全连接层,输出层。输入层为一批K和F型恒星光谱相同的3 700个波长点处流量值。C1层设有10个大小为1×3步长为1的卷积核。S1层采用最大池化方法,采样窗口大小为1×2,无重叠采样,生成10张特征图,与C1层特征图数量相同,大小为C1层特征图的二分之一。C2层设有20个大小为1×2步长为1的卷积核,输出20张特征图。S2层对C2层20张特征图下采样输出20张特征图。C3层设有30个大小为1×3步长为1的卷积核,输出30张特征图。S3层对C3层30张特征图下采样输出30张特征图。全连接层神经元个数设置为50,每个神经元都与S3层的所有神经元连接。输出层神经元个数设置为2,输出分类结果。卷积层激活函数采用ReLU函数,输出层激活函数采用softmax函数。对比算法SVM类型为C-SVC,核函数采用径向基函数,BP算法设有3个隐藏层,每个隐藏层设有20,40和20个神经元。数据集分为训练数据和测试数据,将训练数据的40%,60%,80%和100%作为5个训练集,测试数据作为测试集。分别将5个训练集放入模型中训练,共迭代8 000次,每次训练好的模型用测试集进行验证。对比实验采用100%的训练数据作为训练集,测试数据作为测试集。采用精确率、召回率、F-score、准确率四个评价指标评价模型性能,对实验结果进行详细分析。分析结果表明CNN算法可对K和F型恒星光谱快速自动分类和筛选,训练集数据量越大,模型泛化能力越强,分类准确率越高。对比实验结果表明采用CNN算法对K和F型恒星光谱自动分类较传统机器学习SVM和BP算法自动分类准确率更高。     

基于自适应径向基神经网络的类星体光谱自动识别方法

通过对光谱的研究来识别和认证类星体是天文学研究中的重要方法。文章提出了一种对类星体光谱进行自动识别的自适应径向基神经网络(RBFN)方法。该方法包括以下几个步骤: (1)先将训练样本归一化,再利用PCA变换进行降维,获得样本特征向量; (2)设计出K均值聚类算法与梯度下降法相结合的径向基神经网络结构的基本模型,再用SSE(sum of squares error)误差函数进行判断,对RBFN隐含层的神经元进行自动调节,直至满足给定误差阈值; (3)用训练得到的参数对用于测试的样本中的类星体光谱进行识别。该方法不但克服了经典RBFN算法选择隐层神经元数目的困难,而且还提高了对类星体识别的稳定性和正确率。研究结果对于大型光谱巡天所产生的海量数据的自动处理具有重要意义。     

一种基于拉曼光谱的石油产品快速分类方法

提出了一种基于拉曼光谱的石油产品快速分类方法.首先,利用经过谱图预处理的石油产品训练样本拉曼谱图构建模型知识库,计算各类别的特征拉曼谱图和类内阈值;其次,将石油产品测试样本的拉曼谱图经过相同的预处理,再计算其与各类别特征拉曼谱图的线性相关系数,若最大相关系数大于或等于最大相关系数对应类别的类内阈值,则该样本属于此类别....     

一种基于激光诱导击穿光谱的塑料分类方法

传统的废旧塑料处理主要采用焚烧掩埋的方式,不仅污染环境,还造成了资源浪费,废旧塑料回收对于推行循环经济、促进可持续发展具有重要意义。传统的塑料分类装置存在精度较低,成本较高,分类结果易受样品颜色影响及对操作人员身体健康造成威胁的缺点。激光诱导击穿光谱技术(LIBS)具有多元素同时分析、无需样品预处理,检测速度快,对样品损害小,不受塑料颜色影响等优点。将其与基于化学计量学的样品分类方法相结合,应用到塑料样品检测领域,有利于提升塑料分类精度。但是,现有分类方法需要更改参数多、所构建模型普适性差。通过自主搭建的LIBS实验平台,研究激光器能量、延时时间、积分时间和光谱信号接收角度对光谱信号强度的影响,获取最佳的实验条件。并通过该平台分析11种塑料的2200个样品点,选用偏最小二乘算法(PLS)对谱图数据进行建模分析,研究最优的训练集和验证集比例及最佳的主成分数的选取方法,实现样品类别与样品数据的最大相关性,达到克服背景干扰、提高分类精度的目的。实验结果表明,不替换干扰谱图时,验证集样品的分类精度为99.80%,测试集样品的分类精度为99.09%;替换掉干扰谱图后,验证集和测试集的样品分类精度均达到100%,且分类时间减少。由此可见,激光诱导击穿光谱与偏最小二乘方法结合可以成功的用于塑料样品分类。     

一种基于GAN和自适应迁移学习的样本生成方法

研究了基于生成式对抗网络(GAN)和跨域自适应迁移学习的样本生成和自动标注方法。该方法利用自适应迁移学习网络,基于已有的少量可见光图像样本集,挖掘目标在红外和可见光图像中特征内在相关性,构建自适应的转换迁移学习网络模型,生成标注好的目标图像。提出的方法解决了红外图像样本数量少且标注费时的问题,为后续多频段协同目标检测和识别获得了足够的样本数据。实验结果表明:自动标注算法对实际采集的装甲目标图像和生成的装甲目标图像各1 000张进行自动标注测试,对实际装甲目标图像的标注准确率达到95%以上,对生成的装甲目标标注准确率达到83%以上;利用真实图像和生成图像的混合数据集训练的分类器的性能和使用纯真实图像时基本一致。     

一种基于并行化方法的自适应光学闭环预测控制器

自适应光学系统的性能受限于伺服系统的延迟误差和波前传感器的光电子噪声。提出了一种多模型单变量预测模型,该模型采用基于Levenberg-Marquardt学习算法的前馈型神经网络。利用计算机多核处理器,设计了一个具有并行处理能力的预测控制器,来实现对自适应光学闭环控制电压的预测,以消除延迟误差的影响。通过数值仿真实验,研究了预测控制器对控制电压和远场斯特雷尔比的影响,与未采用预测控制器的系统进行了比较,并对预测算法的并行性能进行了分析。实验结果表明,使用并行化方法的预测控制器可以有效缩短系统的预测时间,提高预测算法的加速比,与经典比例积分(PI)控制算法相比可以更有效地降低系统由于伺服延迟引起的误差,远场的斯特雷尔比有明显地提高。     

一种基于非线性微扰参数的自适应混沌控制方法

研究了基于非线性微扰参数的自适应控制混沌方法，以Ｈｅｎｏｎ映像为例进行了数值研究，获得了很好的控制结果。由于系统变量较大时参数作较大调整，故这种控制方法无须等待系统靠近待控的周期轨道时加入控制。因此，非线性微扰参数的自适应控制法优于线性微扰参数的自适应控制法     

一种新的激光制导系统噪声处理方法

为了提高激光导引头测角的精度与截获目标的命中率;针对噪声对激光制导系统的影响,在激光制导的原理上,采用了一种新的基于软件来处理噪声的DSP实时控制系统;首先,在控制电路上进行高低档实时测噪、动态控制门限;其次,基于MATLAB平台对其进行仿真计算得到噪声倍数表;最后,在DSP控制软件上通过查表的方式实现实时去噪的算法;结果表明,该方法大幅度提高了信噪比,从而提高了末制导系统航向与俯仰测角精度,最终提高了导弹目标命中率;通过实验室数据仿真和外场模拟试验,从未加去噪声处理和添加处理两方面进行对比仿真以及对结果的分析,验证了该方法的有效性、合理性以及可行性。     

一种基于图像融合和卷积神经网络的相位恢复方法

相位恢复法利用光波传输中某一(或某些)截面上的光强分布来传感系统波前,其结构简单,不易受震动及环境干扰,被广泛应用于光学遥感和像差检测等领域.传统相位恢复法采用迭代计算,很难满足实时性要求,且在一定程度上依赖于迭代转换或迭代优化初值.为克服上述问题,本文提出了一种基于卷积神经网络的相位恢复方法,该方法采用基于小波变换的图像融合技术对焦面和离焦面图像进行融合处理,可在不损失图像信息的同时简化卷积神经网络的输入.网络模型训练完成后可依据输入的融合图像直接输出表征波前相位的4-9阶Zernike系数,且波前传感精度均方根(root-mean-square,RMS)可达0.015λ,λ=632.8 nm.研究了噪声、离焦量误差和图像采样分辨率等因素对波前传感精度的影响,验证了该方法对噪声具有一定鲁棒性,相对离焦量误差在7.5%内时,波前传感精度RMS仍可达0.05λ,且随着图像采样分辨率的提升,波前传感精度有所改善,但训练时间成本随之增加.此外,分析了实际应用中,当系统像差阶数与网络训练阶数略有差异时,本方法所能实现的传感精度,并给出了解决方案.     

一种基于深度卷积神经网络的水下光电图像质量优化方法

由于水体对光的吸收和散射,水下光电图像具有低信噪比、低对比度等特点,导致目标难以识别,限制了水下光电成像装备的实际应用和发展。为提高目标的探测精度和识别率,提出包含一维并行卷积和子像素卷积的深度卷积神经网络,利用其从水下光电图像训练集中学习优化图像质量的参数,实现了去噪和对比度增强。实验结果表明,相比于经典去噪方法和对比度增强方法联合处理的结果,本文方法得到的峰值信噪比和均方根对比度分别平均提高了2.93 dB和14.41,能够有效地权衡去噪、对比度增强和亮度提升等,获得适合人眼视觉感受的图像,且处理单幅图像的平均速度是经典方法的9.46倍。利用测试集对网络进行测试,其在一定范围内较好地优化了图像质量,具有一定的泛化特性。     

一种低温接收机噪声分时注入的方法

提出一种低温接收机噪声分时注入方法,可以在线对接收机系统进行标定。可以有效地解决大气变化、地表噪声、链路增益变化等对系统定标照成的影响。该方案已应用在国内多台射电望远镜项目中,并获得较理想的效果。