自适应中值滤波器及其应用

将自适应加权中值滤波器应用于滚动轴承故障信号的故障诊断中。当信号中含有多种噪声时,让信号先通过自适应加权中值滤波器,再通过线性带通滤波器,对降噪后的信号进行包络解调处理,可以克服噪声对包络谱分析的影响。通过仿真和试验信号分析可以看出,自适应中值滤波器在机械故障诊断中具有较好的应用前景,使包络谱分析方法得到更广泛的应用。

WSN中利用XGBoost和加权自适应HFLMS的数据约减组合预测方法

针对无线传感器网络(WSN)中能量、带宽和内存等各种资源的限制问题,提出了一种XGBoost结合加权自适应分层分数最小均方误差(hierarchical fractional least-mean-square,HFLMS)的数据约减组合预测方法。首先,利用XGBoost方法对损失函数进行了二阶的泰勒展开,权衡模型的复杂度和损失函数的下降速度,实现了资源限制的稳定预测;然后提出自适应HFLMS滤波器实现WSN数据约简的传输,并基于误差估计来预测所感测的数据,有效降低了WSN中的能量约束;最后,利用两个评估参数(能量和预测误差)来验证所提组合预测方法的性能。实验结果表明,相比没有预测、近似最速下降算法和分层最小均方滤波技术,提出的预测方法获得的预测结果更好。

荧光造影图像序列的噪声滤波

通过对视网膜血流荧光造影图像分析, 将自适应加权平均方法与顺序统计滤波器相结合, 构造了扩展自适应加权平均(EAWA)滤波器. EAWA滤波器是一个灵活的滤波器模型,它通过设计关键像素和权值分布函数, 以达到特定滤波效果. 在此模型基础上, 针对荧光造影图像, 建立了高亮度保持(HIP)滤波器. 实验结果表明, HIP滤波器不仅可以有效地滤波,又可以保持高亮度点的亮度不被退化.

基于神经网络的IRFPA非均匀性校正新算法

传统的神经网络非均匀性校正算法简单、盲目地利用像元的四邻域平均估计期望信号,对空间低频噪声较大的IRFPA校正时难以获得满意的校正效果,针对其不足,提出了自适应加权平均滤波器,通过校正误差标准差阈值分配权值,提高期望信号的估计精度,新算法较原算法具有更强的校正能力,实验结果验证了其优越性。

基于RLS的红外焦平面器件非均匀性校正算法

针对红外焦平面器件(IRFPA)存在着严重的非均匀性和探测元响应特性随时间漂移的实际情况,开发了基于场景的递归最小二乘(RLS)非均匀性校正算法,通过逐帧估计每个探测器的增益和偏置,来补偿图像中的固定图案噪声。通过对参考信号的精确估计,达到最优的校正精度。在算法中,首先提出了一种条纹噪声估计方法来消除图像中的条纹噪声;然后利用周围探测单元的像素值,采用自适应加权平均滤波器的方法精确估计目标边缘处的参考信号;权系数是根据加性误差来选择的。这样,随着递归次数的增加,参考信号能够更接近真实的辐射信号。通过参考信号可以精确地估计探测器的增益和偏置。仿真实验以及对实际红外图像序列的实验结果表明,本文提出的校正算法收敛速度快、校正精度高,具有很好的外场工程适应性能。