利用部分采样点以及幅度谱恢复离散信号

关于利用幅度谱以及一部分时域采样点来恢复整个离散信号的唯一性问题,本文提出了三个定理,并讨论了实现这种恢复的几种数值算法。在此基础上,本文提出了一种新的算法。实例表明,这种新算法对于保证迭代收敛,效果是显著的。     

闭环非线性对象辨识的模糊和神经网络方法

闭环系统的辨识是近年来国内很受重视的研究课题。本文基于闭环对象的历史数据，采用模糊方法构造系统的初始模型，以克服闭环数据稀疏给系统辩识带来的困难，并基于现场数据，采用ＯＬＳ算法对初始模型进行了修正，以提高系统的辨识精度。将这种方法应用于某合成氨过程的实际数据，得到了良好的辨识效果。     

对策论方法在信息网络资源分配中的应用

在研究复杂信息网络的资源分配问题时,网络资源提供者和用户之间对资源的使用存在不同的优化目标,导致对资源分配策略存在多种评价准则。为便于网络管理者进行分布式的资源管理和计费,采用对策论模型分析用户对资源的竞争和处理网络传输拥塞正日益受到广泛的重视。本文首先指出资源分配和计费管理的几个主要难点,比较了中心化与非中心化控制策略的差别,而后综述了采用对策论模型进行资源分配和管理的优点,重点讨论了在非中心化条件下对策均衡解与资源利用效率以及网络计费管理策略之间的关系,最后对基于对策论模型的信息网络流量控制与管理策略进行总体评述。     

基于方向对称变换的人脸定位方法

本文定义了一种新的对称变换－－方向对称变换,它与常用的广义对称变换相比能够提供更多的信息来描述物体的形状。在此基础上提出了一种快速的人脸定位方法,与应用广义对称变换方法相比不仅可以提高定位准确率,而且能够大幅减小计算量。     

突发业务的多重分形建模及其参数估计

本文通过对大量突出业务数据的分析指出,局域网和广域网上的视频和数据业务的Ｈｕｒｓｔ系数随数估计所用矩的不同而存在波动,但在很长的时间尺度下具有多重分形的特性。基于业务的排队仿真表明,采用分数布朗运动得到了等效带宽对具有多重分形特征的业务并不足够精确。因此,分析突出业务的多重分形谱有助于理解相同Ｈｕｒｓｔ系数的业务源在统计复用时可以出现的多重分形参数估计,用来估计时变的Ｈｏｅｌｄｅｒ指数。仿真表明,     

基于重叠正交变换的自适应图像水印

本文提出了一种基于重叠正交变换（LOT）的自适应图像水印算法,给出了水印嵌簇检测的详细算法设计,数字图像水印是最近发展起来的一项新技术,它为图像的版权保护问题提供了一种新的解决思路,本文首次在水印算法中采用了LOT以代替传统的离散余弦变换（DCT),从而有效地避免了DCT的块效应,同时,本文还利用人的视觉系统（HVS）特性,在对图像块进行分类的基础上完成水印的自适应嵌入,实验结果表明,本文所提出的图像水印算法有效地提高了水印的鲁棒性和透明性。     

时频分析:回溯与前瞻

时频分析旨在构造一种时间和频率的密度函数,以揭示信号中所包含的频率分量及其演化特性.本文以抑制Wigner-Ville分布中的交叉项干扰为主线,综述了时频分析的历史沿革、面临的挑战,及在一些领域中的应用.     

利用带限信号的部分时域和频域信息恢复离散信号

本文提出了离散情况下利用带限信号的部分时域信息和部分频域信息而不知道频带进行信号恢复的问题,分析了进行信号重构时解的可能性,给出了最小二乘解法,并且在有多个解的情况下,给出了最小能量准则,以此为基础确定了最小能量解,并且给出了最小能量解的解析形式.仿真结果表明本文提出的方法是行之有效的。     

NEW APPROACH TO HARMONIC RETRIEVAL IN NOISE

This paper addresses the harmonic retrieval problem in non-Gaussian ARMA noise. A hybrid ESPRIT approach using second-and third-order statistics is proposed. First, third-order statistics are used to identify the AR part of the non-Gaussian noise process, then the noisy measurements are filtered by AR polynomial, finally, the harmonic signal parameters are estimated. Simulation examples show the effectiveness and high resolution of the new approach.     

一种用于PCA与MCA的神经网络学习算法

主元分析（ＰＣＡ）和次元分析（ＭＣＡ）是用于特征提取、数据压缩、频率估计、曲线拟合等信号处理的基本技术，以神经网络来实现ＰＣＡ和ＭＣＡ是当今研究的一大热点，相关矩阵Ｒ的特征值重数不为１时的主、次元分析则是其中一大难题，本文提出了一种新的学习算法，使得在输入数据的相关矩阵含多重特征值时，网络权重矢量亦收敛于相关矩阵的单位正交特征矢量。