浅谈线性卷积在调制光谱分析中的应用

线性卷积是“数字信号处理”课程中十分重要的运算,但学生经常对这一运算的物理意义及作用机理理解不足。将线性卷积应用于调制光谱分析的案例中,展现线性卷积在调制光谱解析各次谐波信号的作用机理,与传统“调制-锁频-滤波”方法相比,能够让学生理解线性卷积的物理意义、机理及其在工程实践中的应用价值。

基于双线性卷积宽度网络的水稻病虫害识别

针对水稻病虫害数据集构建不够完善,现有方法对小样本数据集识别准确度低的问题,提出一种基于双线性卷积宽度网络(BCBN)的小样本水稻病虫害识别方法。所提方法利用双线性卷积神经网络(B-CNN)提取水稻病虫害图像的双线性特征,并通过宽度学习系统(BLS)算法增强双线性特征,从而提高模型的识别准确率。实验结果表明,BCBN在使用BLS增强双线性特征后,病虫害图像中的判别性特征得到了更高的权重占比,有效降低了模型的误分率,模型识别准确率达97.44%。所提方法在样本量较少时具有明显优势,能够满足真实场景下水稻病虫害分类检测的需求,为水稻病虫害识别技术提供了一种可行的思路。

用快速哈达玛变换(FHT)实现高速线性卷积

为了加速实现长序列的线性卷积,提出了用快速哈达玛变换(FHT)实现线性卷积的快速算法。分析了哈达玛变换的特点和快速算法的时间复杂度,设计了用FHT计算线性卷积的矩阵表达式,并推导出了哈达玛域滤波器的增益矩阵的求解公式,分析了该方法的加速原理及其适用条件。理论分析和实验表明,该方法比FFT线性卷积法快了近一倍。

基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题,提出基于多尺度双线性卷积神经网络(MS-B-CNN)的车型精细识别模型。首先,对双线性卷积神经网络(B-CNN)算法进行改进,提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合,以提高特征表达能力;此外,还采用基于中心损失函数与Softmax损失函数联合学习的策略,在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心,在训练过程中新增加样本时,网络会约束样本的分类中心距离,以提高多角度情况下的车型识别的能力。实验结果显示,该车型识别模型在CompCars数据集上的正确率达到了93.63%,验证了模型在多角度情况下的准确性和鲁棒性。

基于非线性卷积的可控图像类推和自类推技术

提出一种新的图像类推技术,定义"风格"为作用于内容上的非线性卷积过程.通过估计卷积核实现风格学习,通过执行卷积实现风格的传递.该定义能够极大地加快类推速度,提高风格学习与样本数据的独立性,增强图像类推的稳定性与适用性.同时还提出了对图像进行迭代式风格化作用的连续类推思想,以及通过自身构建训练集的自类推思想.连续类推可以生成不同强度的风格化序列,进而实现图像类推控制;图像自类推则可以应用于超分辨等与尺度相关的问题.

线性卷积与循环卷积的教学研究

本文针对"数字信号处理"课程中线性卷积与循环卷积存在的教学难题,从两种卷积的物理概念入手,讨论了其运算规则和等价条件,提出了一种利用线性卷积快速计算循环卷积的简便方法,最后通过Matlab仿真对该计算方法进行了验证。

利用FFT计算线性卷积的实现方法

论述利用 Ｆ Ｆ Ｔ 通过循环卷积计算线性卷积的方法．先推导计算方法，再设计软件程序，并通过实例说明在计算机上得到的结果．

有限长信号线性卷积计算的统一数学方法

引入有限长信号存在区间的上、下限及移动信号、参考信号概念,本文提出了简单直观、规律性强的有限长信号连续或离散时域线性卷积直接计算的统一数学方法与模型.

离散序列线性卷积和循环卷积的关系

针对时域离散序列,探讨了线性卷积和循环卷积之间的关系.分析了两者等价的条件,并研究了其不等价情形下的误差范围,最后通过仿真实验证明了理论结果的正确性.

利用圆周卷积离散谱快速线性卷积

为克服LTI系统线性卷积运算量过大的问题,给定适当条件,使圆周卷积替代线性卷积,利用圆周卷积的频谱特性降低线性卷积的复杂度,对圆周卷积与线性卷积的可替代性进行论证,并对圆周卷积的频谱特性及其算法复杂度进行了分析.

基于ccs软件的线性卷积研究及其应用

详细论述线性卷积的概念及其运算步骤,在CCS软件环境下,借助C语言编写线性卷积程序。根据FIR数字滤波器中h(n)的对称性,对线性卷积程序进行优化。以FIR数字低通和高通滤波器为例,通过输入序列设计、求解FIR数字滤波器的h(n)和线性卷积运算三个步骤,实现了FIR数字滤波。在CCS软件环境下,借助C语言编写FIR数字低通和高通滤波程序,验证了线性卷积实现FIR数字滤波的效果。

长序列线性卷积的数论变换算法

本文提出一种利用数论变换计算长序列线性卷积的算法。它利用较短的数论变换对长序列卷积进行分段计算,减少了数论变换处理中移位操作的位数;用适当的字长就能完成较长的卷积计算,因而显著缩短了卷积执行时间。

快衰落瑞利信道下分布式线性卷积空时码的分集增益

在无线中继网络中,中继节点间的随机传输延迟将导致显著的性能下降。因此,针对慢衰落瑞利信道提出可容忍随机时延的分布式线性卷积空时码(DLC-STC),但该类空时码在快衰落信道下的分集性能尚未明确。该文从理论上证明了DLC-STC在快衰落瑞利信道下的分集增益。分析表明,DLC-STC虽然最初是在慢衰落信道下被提出的,但它在快衰落瑞利信道下通过利用最大似然(ML)接收机,仍可获得满异步协作分集增益,仿真结果验证了该理论分析,仿真结果同时表明:在快衰落瑞利信道下,DLC-STC采用MMSE-DFE接收机能够获得与ML接收机相同的分集增益。

“数字信号处理”课程中“线性卷积”的微课设计

微课作为新的网络学习资源形式,在国内外迅速发展起来,微课的理论、设计也成为网络学习、移动学习研究的热点。笔者在参加微课培训后,原创了微课"线性卷积"。该微课主题突出,循序渐进,设计合理,浅显易懂,得到了学生和教师同仁一致好评。

线性卷积、圆周卷积的计算机辅助教学

用VB开发出应用软件，图示线性卷积，圆周卷积的运算过程，对照比较它们的异同，并实验验证圆周卷积等于线性卷积的条件，以辅助离散卷积相关内容的教学．

线性卷积计算循环卷积的快速改进算法

循环卷积无论是按照定义直接计算还是用图解法计算过程均比较复杂,本文分析了有限长序列线性卷积、周期卷积和循环卷积之间的关系,提出了一种利用线性卷积计算循环卷积的快速算法,并给出了算法详细流程图,在MATLAB平台上进行不同点数的循环卷积仿真实现,验证了新算法的正确性。研究结果表明,该算法适用于任何点数的循环卷积计算,过程简单便捷,运算量小,大大简化了有限长序列循环卷积的计算。

基于线性卷积与周期卷积概念体系结构的教学方法

线性卷积与周期卷积是数字信号处理技术的核心概念,深入理解它们在时域与频域的内在联系非常重要。本文针对课程教学中存在的实际问题,提出了基于线性卷积-周期卷积概念体系结构的教学方法,系统阐述了概念内涵及相互联系,简要给出了开展教学工作的注意问题、实施过程以及教学效果。本文提出的基于概念体系结构的教学方法,有助于学生建立“数字信号处理”知识体系、提高分析问题的能力与逻辑思维能力。

基于双线性卷积神经网络的杂草细粒度识别

针对复杂田间环境下杂草形态相似对深度学习模型识别效果的影响,本文以玉米及其主要伴生杂草作为研究对象,提出一种基于双线性卷积神经网络的细粒度杂草识别方法,用于提升作物与杂草识别的准确率。首先,研究对比了常见通用图像分类模型在杂草识别上的表现,选用识别效果较好的VGGNet-19和ResNet-50作为双线性网络的主干结构,以获取更有效的杂草特征,并采用迁移学习的方式训练网络。实验结果表明,该方法在数据集上的识别准确率高达98.5%,高于单一网络模型的识别效果且能够准确地区分具有高相似度的田间杂草,为智能田间除草作业提供高精度的信息支持。

短序列线性卷积的两种简便计算方法

针对短序列线性卷积计算问题,在其原有一般方法的基础上,建立了两种更为简便的计算方法,并且给出了算例分析比较了两种方法.

基于核化双线性卷积网络的细粒度图像分类

双线性卷积网络(Bilinear CNN,B-CNN)在计算机视觉任务中有着广泛的应用.B-CNN通过对卷积层输出的特征进行外积操作,能够建模不同通道之间的线性相关,从而增强了卷积网络的表达能力.由于没有考虑特征图中通道之间的非线性关系,该方法无法充分利用通道之间所蕴含的更丰富信息.为了解决这一不足,本文提出了一种核化的双线性卷积网络,通过使用核函数的方式有效地建模特征图中通道之间的非线性关系,进一步增强卷积网络的表达能力.本文在三个常用的细粒度数据库CUB-200-2011、FGVC-Aircraft以及Cars上对本文方法进行了验证,实验表明本文方法在三个数据库上均优于同类方法.