基于最大最小特征值之差的频谱感知技术研究

频谱感知技术是认知无线电系统的关键技术之一,该文基于阵列天线理论,利用并分析接收信号相关矩阵,并以其最大与最小特征值之差作为检验统计量,进而判断主用户是否存在,实现频谱感知。理论分析和仿真结果均表明,此方法的感知性能明显优于能量检测算法,并且有效地解决了噪声不确定度对检测性能的影响。

基于最小类内绝对差和最大差的图像阈值分割

阈值分割是图像处理中一种简单有效的图像分割方法,应用极为广泛。阈值选取是阈值分割的关键。最小类内方差法(Otsu法)因其分割精确,适用范围广而成为广泛采用的一种图像阈值分割方法,它实质上是最小二乘法(基于L_2范数)。与此不同,本文提出了基于最小类内绝对差(基于L_1范数)及最小类内最大差(基于L_∞范数)的图像阈值分割算法,并导出了这两种方法的二维算法形式。文中给出了实验结果,并进行了分析与比较。结果表明,这两种方法在某些类型图像下,阈值分割效果明显优于最小类内方差法,而其二维算法的分割效果普遍优于相应的一维算法。

基于最小类内差和最大类间差的图像分割算法研究

针对现有二维Otsu图像分割算法未考虑到目标和背景这二类像素自身的内聚性,提出一种新的自适应二维Otsu算法。该算法通过待分割图像的二维直方图,分别统计类内的绝对差、类间总体离差以反映类内、类间的离散度,从而构造出新阈值判别函数。通过一种改进的遗传算法优化二维阈值判别函数,自动得到较理想的分割阈值。实验结果表明,与其它阈值判别函数相比,通过优化新的阈值判别函数得到的二维阈值,具有了较好的分割效果,能够更好地保留了目标物的轮廓,而且计算量小。

基于模糊聚类算法的高维大数据增量处理方法

现有高维数据增量处理方法由于没有完全抵消类间中心点的相互排斥,导致处理增量数据的缓冲有效比较低,为此,提出了基于模糊聚类算法的高维大数据增量处理方法。利用时间窗口构建了可变增量数据抽取模型,针对抽取数据采用最大相关最小冗余的特征选择方法,过滤增量数据;基于模糊聚类算法抵消类间节点的相互排斥,通过优化中心聚类节点完成对增量数据的聚类处理。测试结果表明,所提算法的数据处理速度差异性较小,当增量变化比小于8%时,三种方法的缓冲有效比P之间的差异性较小;当增量变化比为20%和42%时,所提方法的P值比其他两组方法分别高了6.28%、8.4%和13.61%、14.67%。可见所提方法利用模糊聚类算法,更好地消除了类间中心点相互排斥的问题。