TDNLMS自适应预测器结构参数与点目标检测性能

针对TDNLMS(Two DimensionalNormalizedLeastMeanSquare)自适应预测器在数字图像点目标检测中的应用 ,讨论了预测器收敛因子、支撑区域的类型和工作窗口等参数对预测器背景抑制能力和小目标检测性能的影响 .实验表明 ,收敛因子过小或过大 ,预测器均无法有效抑制相关背景 ,当收敛因子取值为 0 .10～0 .0 1时 ,预测器可以提供较好检测性能 ;和多种常用支撑区域相比 ,在检测空中点目标的应用中 ,以中心像素为期望响应的非因果形式一步预测器 ,能够在保留目标峰值的情况下 ,提供最强的杂波抑制能力 ;此外 ,对于空中云层图像 ,5× 5工作窗口可以提供足够的自由度 。

TDNLMS自适应预测器有限字长效应分析及其在设计中的应用

为了使预测器在特定应用环境中的有限字长效应满足应用系统的性能要求 ,以小目标检测为应用背景 ,提出了理论和实验相结合的确定 TDNL MS(二维归一化最小均方误差 )自适应预测器运算字长的方法。同时分析了步长参数、输入数据字长、图像统计特性、预测器支撑区域等因素与 TDNL MS自适应预测器权值和迭代运算中间结果量化误差之间的联系 ,并通过实验对分析结果进行了验证。仿真结果表明 ,用该方法设计的有限精度预测器 ,其小目标检测性能与无限精度预测器十分接近。

用于小目标检测的TDNLMS自适应预测器结构优化

讨论用于小目标检测的 TDNL MS( Two- Dim ensional Normalized L east Mean Square)自适应预测器 VL SI实现中的结构优化问题 .通过分析小目标图像的特点 ,使预测器直接处理隔行扫描图像 ,从而取消了帧存环节 ,大大减少了片内存储器数量 .另外 ,在基本保持检测性能的基础上 ,通过对算法进行优化 ,提高了预测器的工作速度 ,达到实时图像处理 .实验证明本方案不仅提高了预测器的数据通过率 ,而且简化了硬件电路 ,降低了设计难度 ,是一种为合理的方案 .

二维NLMS自适应算法的结构设计

针对TDNLMS(Two-Dimensional Normalized Least Mean Square)自适应算法VLSI实现中工作速度的问题,提出两种解决方案。一种是对标准算法中的某些参数进行量化处理,以移位操作代替除法运算;一种是采用流水线结构,提高数据通过率。实验证明,这两种结构能有效的缩短运算时间,提高工作速度,使设计方案更加具有实用性,而且采用两种结构设计的电路仍然能够保持较好的算法性能。