基于多频特征和纹理增强的轻量化图像超分辨率重建

现有基于卷积神经网络主要关注图像重构的精度,忽略了过度参数化、特征提取不充分以及计算资源浪费等问题。针对上述问题,提出了一种轻量级多频率特征提取网络(MFEN),设计了轻量化晶格信息交互结构,利用通道分割和多模式卷积组合减少参数量;通过分离图像的低频、中频以及高频率信息后进行特征异构提取,提高网络的表达能力和特征区分性,使其更注重纹理细节特征的复原,并合理分配计算资源。此外,在网络内部融合局部二值模式(LBP)算法用于增强网络对纹理感知的敏感度,旨在进一步提高网络对细节的提取能力。经验证,该方法在复杂度和性能之间取得了良好的权衡,即实现轻量有效提取图像特征的同时重建出高分辨率图像。在Set5数据集上的2倍放大实验结果最终表明,相比较于基于卷积神经网络的图像超分辨率经典算法(SRCNN)和较新算法(MADNet),所提方法的峰值信噪比(PSNR)分别提升了1.31 dB和0.12 dB,参数量相比MADNet减少了55%。

基于HHT-LSTM的冬奥会临时设施运行趋势预测方法研究

针对冬奥会延庆赛区临时设施的安全性和可使用性,本文充分结合信号处理算法与深度神经网络,提出了一种由希尔伯特黄变换(Hilbert-Huang transform,HHT)对时序数据进行信号分解和信号特征提取,长短期记忆网络(long short-term memory,LSTM)进行临时设施运行趋势预测2部分构成模型。该模型基于受严寒天气和大客流诱发的看台振动等一系列外因影响所测得的真实振动和倾角数据,实现对设施进行有效的预测,以避免发生安全问题,解决了由于受数据中一些无关特征因素的干扰导致预测准确度低的问题。论文提出的方法与循环神经网络(recurrent neural network,RNN)、门控循环网络(gated recurrent neural network,GRU)、双向RNN和双向GRU等运行趋势预测方法进行比较,验证了本文方法的可行性和有效性,实验结果也说明所提出的模型在此类任务中表现非常出色。

BiUNet:基于双层路由注意力的轻量化医学分割网络

针对视觉Transformer骨干提取网络计算开销大,模型训练缓慢的问题,同时为了进一步提升Transformer结构在医学图像领域的分割性能,提出一种名为BiUNet的新型轻量级U型架构的医学图像分割网络。将输入医学图像整切成若干图像块后,送入一种基于双层路由动态稀疏注意力机制的BiFormer转换器中,通过组合下采样和特定块数的BiFormer模块,构建多级金字塔结构实现特征提取。随后通过组合上采样和卷积模块,相应构建多级金字塔结构进行特征解码,进而实现像素级语义分割。该模型在3个医学数据集上依次取得了90.2%, 93.7%和85.6%的mIoU值以及5.55 G的Flops和28.10 M的参数量。结果表明,BiUNet能够以轻量化的效果有效提升医学图像分割的精度。

一种基于冲激脉冲回波检测的主动目标定位技术

水下等离子体声源为一种强度高、宽带可控的脉冲声源,其声源级高于传统换能器,常被用作干扰远程目标的软杀伤性武器。当其产生的冲击波无法对目标实施有效的毁伤和干扰等软杀伤打击时,本文研究利用脉冲回波检测来对目标进行主动定位,以提升其运用效能。研究水下等离子体声源脉冲声波的有关特性,并对海底混响和海洋环境噪声与主动定位的关系进行相关仿真研究。建立以脉冲声波为主动声信号的目标主动定位处理模型,以舷侧11元阵和舷侧三子阵为接收水听器阵列,研究基于等离子体声源的主动目标定位技术,仿真验证了方法的有效性。

G-L分数导数高阶逼近算法的鲁比希生成函数系数的求解

考察G-L分数导数的逼近阶,引出高精度的数值算法,提出三种求解鲁比希高阶逼近生成函数系数的方法 .从信号处理的角度出发,采用拉格朗日插值逼近法首次在理论上严格推导出鲁比希生成函数系数的解析表达式.构造了任意阶次的生成函数,通过不同形式的生成函数等价,用数学归纳和矩阵方程两种方法对生成函数系数进行求解,验证了结果的正确性.

基于集成学习与聚类联合标注的多模态个体情绪识别

针对通用情绪识别模型面对不同个体时的低识别精度问题,提出一种基于集成学习与聚类联合标注的多模态个体情绪识别方法。该方法首先基于公共数据集训练通用情绪识别模型,然后分析公共数据集数据与个体无标签数据的分布差异,建立跨域模型来预测和标注个体数据的伪标签。同时,对个体数据进行加权聚类并标注聚类标签,利用聚类标签与伪标签进行联合标注,筛选高置信度样本进一步训练通用模型,得到个性化情绪识别模型。实验采集3名被试的3种情绪数据并使用该方法标注,最后优化得到的个性化模型对3种情绪的平均识别精度达到80%以上,相比原通用模型,至少提升了35%。

改进CORDIC算法实现及其在边缘检测中的应用

针对图像处理中的超越函数的计算,对传统的CORDIC算法进行研究改进,设计并实现了定点、浮点计算的硬件单元。提出两种CORDIC算法迭代的微旋转角度,扩展了函数计算的定义域,并采用角度编码的方式减少了三角函数计算的迭代次数。可在向量模式下实现反正切、开方以及旋转模式下正弦、余弦这4种超越函数的计算。定点、浮点单元均采用流水线的结构设计,可通过模式配置选择计算的函数。浮点单元采用IEEE-754单精度浮点数的格式,数据通路包括对阶、迭代、规格化,以24个时钟周期完成一次浮点数的计算。编写SystemVerilog平台的验证,定点计算精度最差为10^(-3),浮点计算误差为10^(-7),并在FPGA上进行板级验证,32 bit定点数计算最大工作频率可达243.9 MHz,相比传统的CORDIC算法占用的资源更小。将改进的定点CORDIC算法应用于图像Sobel边缘检测,边缘更加清晰,成像速度更快,并搭建FPGA图像数据采集、处理与显示系统,完成算法处理的实际验证。

基于多重分形及其关联特征组合的心电信号分类

多重分形理论只是对分形体几何支集上任意一点观察到的奇异指数作统计分析。多重分形关联研究的是具有不同奇异指数的两点之间的空间关联特性,是对多重分形单点统计的推广,两者特性具有一定的互补性。为此研究了一种多重分形及其关联特征进行组合的心电信号分类方法。首先对四种类型心电信号的多重分形及其关联特性进行分析并获得各自的特征。然后结合概率分布以选择合适的特征进行组合,组合后的特征送入支持向量机中分类。该方法在MIT-BIH心律失常数据库上进行了测试,经过20次训练测试得到97.90%的平均准确率。相比独立运用多重分形特征,该方法获得的分类准确率有明显提高。

基于XGBoost-RFE-CBR的心电信号情绪识别研究

情绪是一种复杂的行为现象,是对不同外部刺激的生理反应。为快速、便捷地识别人类的情绪,提出了一种基于极限梯度提升结合可减少相关性偏差和递归特征消除的心电信号情绪识别方法。先对AMIGOS数据集进行特征提取、结合XGBoost-RFE-CBR特征排序算法进行特征选择,得到27个心电信号和心率变异性的时域、频域等特征参数,利用XGBoost进行分类,最后在五折交叉验证下,最高准确率达80.5%、平均准确率达77.2%。该方法与多维生理信号特征提取方法相比,在确保准确率的同时降低了计算量,对情绪识别和分类任务有一定的参考价值。

基于改进DANN迁移学习的轴承寿命预测方法

为解决不同工况下轴承寿命预测精度受限的问题,提出一种基于Wasserstein距离改进的领域对抗网络(DANN)迁移学习的轴承寿命预测方法。在IEEE PHM Challenge 2012轴承数据集上进行实验,结果表明:对比多种迁移学习方法,笔者所提WDANN方法能够有效提高不同工况下轴承寿命预测精度。

基于低通滤波技术的道路高频动态响应信号处理技术

对路面动态响应信号进行有效的处理是得到沥青路面结构动力响应的可靠保证。为有效提高路面动态响应信号的分析精度,本文首先对路面动态响应信号进行时频分析,并就常用的低通滤波处理路面动态响应信号方法进行原理介绍和数据处理,结合低通滤波方法对路面动态响应信号进行降噪处理。同时将低通滤波与小波分解重构方法处理后的结果进行分析对比。结果表明:2种处理方法降噪效果均保留了有效信号特征。在频率阈值范围内,低通滤波后的路面动态响应信号幅值损失较少,低通滤波降噪方法更适合已知频率范围的路面动态响应信号处理。

应用小波变换实现光谱的噪声去除和基线校正

为消除实测光谱信号中的噪声和基线干扰,给出了一种基于小波变换实现两者同时去除及其参数选择的新方法。该方法通过对光谱信号在小波域内的低频段小波系数置零来实现基线校正,通过对较高频段小波系数阈值处理来实现噪声去除;并利用纯光谱和常见基线、噪声的仿真信号,通过兼顾重构信号整体逼近和特征峰处局部逼近的评估系数η来实现小波基、分解层数、阈值估计方式等参数的选取。仿真实验表明,仿真信号采用sym5、db5或db9等小波基进行5次分解,然后低频成分置0及所有高频成分利用单层Heursure阈值估计算法进行硬阈值处理较为合适。进一步的实验表明,该方法对实测光谱中噪声和基线的消除是行之有效的。

任意稀疏结构的多量测向量快速稀疏重构算法研究

目前的稀疏重构算法求解多量测向量时存在两个问题:一是计算复杂度高;二是不能实现任意稀疏结构的多量测向量重构.为此,本文提出一种多量测向量快速重构算法.该算法首先构建矩阵平滑零范数法,实现对具有任意稀疏结构的多量测向量的重构,并获得多量测向量的初始支撑集;其次根据稀疏度与量测维度的关系,对初始支撑集进行筛选获得预选支撑集;然后采用贝叶斯组检验方式得到信号重构所需的最终支撑集;最后通过最终支撑集实现信号的重构.该算法充分利用了矩阵平滑零范数法的高效性以及贝叶斯组检验对冗余支撑集的剔除功能,不但实现了稀疏位置随机变化的多量测向量的高效重构,而且保证了算法的精度,并对噪声具有一定的鲁棒性,基于实测数据的ISAR成像实验验证了所提算法的有效性.

基于小波阈值去噪算法的研究

在D.L.Dohono和I.M.Johnstone提出的多分辨分析小波阈值去噪方法的基础上,提出了一种新的阈值函数。与传统的硬阈值和软阈值比,该函数不仅易于计算,而且具有优越的数学特性和清晰的物理意义。实验结果表明,该方法可以有效地去除白噪声干扰,无论在视觉效果上还是在信噪比和均方误差定量指标上均明显优于常用的软、硬阈值及改进的软硬阈值折中算法,充分体现出小波阈值去噪方法的优越性。

表情驱动下脑电信号的建模仿真及分类识别

针对自发型脑电信号识别率低、个体差异度大等问题,提出了一种新的基于表情驱动脑电信号的脑机接口方式,并进行了建模仿真及实验验证。利用神经元集群模型对表情驱动脑电信号进行机理建模与仿真分析,得到自发表情的相关脑区及表情驱动脑电信号的频率分布特性;提出了一种基于小波变换和人工神经网络模型映射的表情驱动下脑电信号分析识别方法,有效提高了表情驱动下脑电信号的识别率。从神经生理学角度验证了表情驱动脑电信号的特征来源是受大脑前额叶皮层和边缘系统相互协调共同控制的,并通过实验验证了所提脑电信号分类识别算法切实有效,其最高分类准确率可达85%。

基于改进阈值函数的小波域去噪算法的研究

在D.L.Dohono和I.M.Johnstone提出的多分辨分析小波阈值去噪算法的基础上,提出了一种新的阈值函数。与传统的硬阈值和软阈值比,此函数不仅易计算,且具有优越的数学特性和清晰的物理意义。试验结果表明,该方法可有效地去除白噪声干扰,无论在视觉效果还是在信噪比和均方误差定量指标上均明显优于常用的软、硬阈值及改进的软硬阈值折中算法,充分体现出小波阈值去噪方法的优越性。

小波变换中基于正交多项式拟合的边界延拓

为消除小波分解过程中的边界效应,给出了一种基于多项式拟合的边界延拓的新方式。该延拓方式首先对信号边界处的N个点进行M阶正交多项式拟合,将信号在边界处的低频变化规律用正交多项式表示出来,再利用得到的边界处的低频变化规律对信号进行延拓,从而减少了边界处引入的突变量。研究表明,N取30～50、M取2-4较为合适。进一步的实验表明,利用小波变换在该延拓方式下对信号进行基线校正时,边界效应得到了明显的改善。

改进小波阈值算法在心电信号去噪中的应用

心电信号(ECG)在采集的过程中总是参杂着各种噪声,可利用小波变换基本原理和方法进行去噪处理。对小波多分辨率理论进行研究后,在分析Donoho的软、硬阈值去噪法的基础上,提出一种改进阈值函数量化方法,改进阈值函数能克服软、硬阈值存在的缺陷,运用MIT-BIH心电数据库进行验证,并对ECG信号用不同方法去噪后的结果进行了分析比较。实验表明,改进阈值方法可以有效地去除不同噪声干扰,在信噪比指标上也明显优于常用的软、硬阈值去噪方法。

基于多尺度Wiener滤波器的分形噪声滤波

针对淹没在 1/f噪声中的有用信号恢复问题 ,本文提出了一套基于双正交小波变换与Wiener滤波的多尺度滤波算法 ,并设计出多尺度Wiener滤波器 .首先 ,利用双正交小波变换将带有 1/f噪声的信号分解成多尺度的子带信号 ,通过小波变换对 1/f噪声的白化作用 ,消除了 1/f噪声的非平稳性、自相似性和长程相关性 .其次 ,在小波域内 ,利用Wiener滤波 ,实现了噪声和有用信号的分离 ,估计出了各子带中的有用信号 .最后 ,利用双正交小波的精确重构性 ,较好地恢复出淹没在 1/f噪声中的有用信号 .仿真实验表明 ,该滤波器能有效的抑制分形噪声 。

小波阈值去噪算法的新改进

在D.L.Donoho和I.M.Johnstone提出的多分辨分析小波阈值去噪方法的基础上,提出了一种新的阈值函数。与传统的硬阈值、软阈值、半软阈值以及已有的改进阈值函数相比,该函数不仅易于计算,而且具有优越的数学特性。通过Heavisine和Drop-pler信号的仿真实验表明,新的阈值函数可以有效地去除白噪声干扰,无论在视觉效果上还是在信噪比和均方误差定量指标上,均优于上述几种去噪方法,具有较高的实用价值。