改进的基于剩余度置信度传播的LDPC解码算法

低密度奇偶校验(LDPC,Low-Density Parity-Check)码的剩余度置信度传播(RBP,Residual Belief-Propagation)和基于行的剩余度置信度传播(NWRBP,Node-Wise RBP)解码算法的性能提升非常有限且计算复杂度较高.提出改进的RBP(ERBP,Enhanced RBP)算法,在一个子迭代中,仅更新一个消息,然后设置被更新消息所在行的所有节点的剩余度值为0,使得ERBP解码算法在每个子迭代中使用不同行的消息进行计算,以加速迭代收敛.不同的LDPC码用于对所提出的算法进行性能仿真.仿真结果表明,与其他算法相比,ERBP算法降低了误帧率(FER,Frame Error Ratio),并加快了迭代收敛速度.

多尺度ResNeSt-50聚合网络与置信度传播的息肉图像分割

针对大肠的息肉组织与正常组织间无明显边界,准确定位息肉位置困难的问题,提出了一种多尺度ResNeSt-50聚合网络融合顺序树重加权置信度传播(sequential Tree-Reweighted Message Passing,TRW-S)的息肉图像分割方法。为提高网络对息肉信息的表达能力,构建编码-解码结构的多尺度ResNeSt-50聚合网络,编码器由卷积模块和4级ResNeSt模块级联构建ResNeSt-50骨干网络,实现跨通道信息间的线性整合与连接;ResNeSt-50采用拆分注意力机制加强重要通道组的表现能力,增强了残差模块提取息肉图像信息的能力;解码部分下三层构建多层感受野模块(recep⁃tive field block,RFB)获取多尺度信息,然后用密集聚合模块整合其输出,并以快速解码方式输出解码信息,保证其分割性能的同时减少参数量;其次,生成预测图时采用测试时图像增强(Test-Time Augmentation,TTA)模块提升预测准确度,并增强网络的泛化能力;最后,构建基于马尔科夫随机场的TRW-S算法对输出的预测图进行后处理,以实现分割边缘的连续性和分割区域内部的一致性。对大肠息肉数据集Kvasir-SEG的测试结果表明,本文方法相比于U-Net,UNet++,ResUnet、SFA、PraNet等算法,mDice值达91.6%,mIoU达86.3%,Smeasure达0.921,MAE为0.023,优于其他五种息肉分割算法;在未知数据集ETIS-LaribPolypDB,ColonDB上测试结果表明,相比于PraNet模型,本文模型的mDice值分别提升了14.2%,7.7%;从本文模型在ETIS-LaribPolypDB数据集上的分割表现看,本文算法对微小病变十分敏感;因此,本文算法分割的息肉图像,在分割区域内部的一致性、分割边缘的连续性、轮廓清晰度、捕捉微小病变能力等方面均表现出优良的性能,同时,对未知数据集具有较好的泛化能力。

LDPC码节点剩余度置信传播译码改进

低密度奇偶校验(LDPC)码的剩余度置信传播(RBP)和基于校验节点的剩余度置信传播(NWRBP)译码算法是根据剩余度值的有序度量,动态选择最大剩余度值所在的边或校验节点,对其依次进行更新。对比依次同步更新所有校验节点和变量节点的flooding算法,NWRBP算法的收敛速度和译码性能有了很大的提高。基于NWRBP算法,提出一种改进型NWRBP(ENWRBP)算法,即统计NWRBP译码过程中各变量节点的更新次数。如果NWRBP迭代译码失败,则将更新次数最少的变量节点的初始化值设置为0,重新译码。仿真结果表明,与NWRBP相比,ENWRBP译码算法降低了误码率和误帧率。

交叠的分层置信度传播LDPC译码算法

为进一步提升分层置信度传播译码算法的收敛速度和误码性能,提出了一种交叠的分层置信度传播译码算法.该算法将若干个子译码器以不同的校验节点更新顺序的同时进行计算,对于每个校验节点,在每次迭代更新后选取最可靠的信息参与下一次迭代,以此提高迭代的收敛速度与误码性能.仿真实验表明,在不增加额外存储空间的条件下,交叠的分层置信度传播译码算法相比于分层置信度传播算法有着更优的误码性能以及更快的收敛速度.另外,提出的交叠的分层置信度传播译码算法对于规则和不规则低密度奇偶校验码均有效.

置信度传播体视算法加速技术的应用研究

基于置信度传播的立体匹配算法(BP)与局部匹配算法相比,能够获得更显著的匹配准确性,但是BP算法的计算代价相当高昂。为了提高BP算法的运行效率,采用了以下几种方法:第一,利用部分收敛的分层技术,减少消息传输的迭代次数,并使执行时间独立于迭代总数;第二,利用距离变换降低消息传输的复杂度,使它线性于象素的视差可取个数;第三,利用双边图技术减少BP算法一半的消息传输量及内存需求。通过对比实验,结果表明:融合这三种技术的加速算法能够快速收敛;与其它典型的快速BP算法相比,速度更快。

基于改进Patchmatch及切片采样粒子置信度传播的立体匹配算法

针对立体匹配时视差不连续区、倾斜平面及非前向平行平面误匹配较高的问题,提出了一种基于改进Patchmatch及切片采样粒子置信度的立体匹配算法.定义了具有边缘特性的Patchmatch相似性函数,并建立基于Patchmatch的非前向平行平面视差平面估计模型.利用粒子置信度传播代替原有的最近邻搜索,使用较少的粒子近似目标分布,并采用切片采样马尔可夫链蒙特卡罗方法解决传播过程中粒子重采样更新问题.Middlebury图像数据集测试表明,该算法能够降低视差不连续区域的误匹配,有效地提高了倾斜平面及非前向平行平面图像的匹配精度.

基于运动估计的置信度传播立体视频匹配算法

基于置信度传播(BP:Belief Propagation)的立体匹配算法与局部算法相比,视差准确度高,但需要耗费大量的计算时间。为此,提出一个基于运动估计的置信度传播立体视频匹配算法。该算法首先通过传统的BP算法获得I帧的匹配视差图,并保存每个像素获得最佳视差值的传递信息;然后,通过参考I帧的运动估计信息,得到重新排列的I帧视差值的传递信息,将其作为P帧置信度传播算法的初值进行迭代运算,从而大大减少了P帧置信度传播算法的迭代次数。实验结果表明,该算法能大大提高置信度传播立体视频的匹配效率。

快速收敛的置信度传播立体匹配算法

针对传统基于置信度传播的立体匹配算法运算次数较多、效率低下的问题,提出一种快速收敛的置信度传播算法。该算法在计算每一个像素点的置信度时,只考虑当前像素点自适应大小邻域内像素点对它的信息传递,而忽略距离较远的像素点的影响。实验结果表明提出的算法在保持相近匹配精度的前提下,运算时间减少40%～50%,满足立体匹配的实时性要求。

基于多尺度局部区域置信度传播算法的图像分割

针对基于多尺度马尔可夫随机场(Markov random fields,MRF)的图像分割中常产生块效应的问题,提出了一种多尺度置信度传播(belief propagation)算法,通过建立不同尺度的局部区域,在MRF分割模型上进行区域消息的传播,最终基于局部区域概率的最大后验准则(maximum a posterior)得到图像的分割结果.提出的算法把图像的局部区域特征和全局特征结合起来,在图像的精细层进行多尺度消息的传递,避免了常规多尺度MRF模型层间误分类的传递.提出的算法不仅得到了更准确的图像分割结果,而且具有较快的分割速度.实验结果表明了提出算法的有效性.

基于置信度传播的变分自适应协同导航方法

协同导航过程中先验信息的准确性是保证协同导航系统精度和可靠性的重要关键因素。针对协同导航系统在复杂环境下会因外界干扰产生未知且时变噪声问题,提出一种基于置信度传播的变分自适应协同导航方法(SWSP)。首先以置信度传播(SPBP)协同导航贝叶斯框架为基础,完成基于置信传播机制的前向滤波;随后通过IW处理过程噪声和量测噪声作为贝叶斯估计的先验信息;进而利用前向滤波值构造滑动窗口对噪声进行平滑估计,从而解决因噪声时变而造成的协同导航系统滤波精度下降问题。仿真结果表明:当噪声时变时,进行平滑操作的SWSP算法与未进行平滑操作的SPBP算法相比,位置误差降低了90%,精度更接近于最优opt SPBP算法。

采用M-QAM调制的MIMO系统中基于置信度传播的多用户检测算法

研究了基于置信度传播的多用户检测算法在采用M QAM(QuadratureAmplitudeModulation)调制的MIMO系统中的应用。针对多进制调制的特点 ,引入预处理模块以消除接收信号矢量各个分量之间的相关性 ,提出采用条件概率矢量作为发送信号的置信度 ,并随后推导了相应的置信度传播的公式 ,从而实现了多进制调制下基于置信度传播的多用户检测算法。该算法的计算复杂度与用户数目的平方成正比 ,性能则优于传统的线性MMSE多用户检测器 ,给出的仿真结果证明了这一点。

一种基于改进置信度传播的个性化推荐算法

基于RWR的方法作为一种TOP-N推荐解决了传统推荐算法遇到的大多数问题,但它只考虑了均匀结点,并且在矩阵分解时需要极大的空间代价。若将置信度传播算法引入则不会存在这些问题,然而传统置信度传播算法用全局结点来计算目标结点置信度,时间复杂度较大,因此,提出将置信度传播算法改进优化后应用于个性化推荐算法中,以用户和项目为两个结点集合,通过自适应大小区域内的结点计算目标结点的置信度,根据最终结点置信度推荐相应项目给目标用户。通过与传统置信度传播算法的对比实验,得到了在最优精度下的相应参数设置,然后与基于RWR的方法和基于项目的协同过滤算法进行比较,实验结果表明,提出的算法要优于上述算法。

基于颜色与空间距离的置信度传播立体匹配算法

立体匹配是计算机视觉领域的一个重要研究课题,为了得到准确、稠密的视差图,提出了一种基于颜色与空间距离的置信度传播立体匹配算法。该算法首先将立体匹配表示成马尔科夫随机场模型,然后利用置信度传播方法来解决马尔科夫随机场中的最大后验估计问题,以达到建立稠密视差图的目的。算法中利用了彩色图像的颜色与空间信息建立视差空间图,并使用削减的线性模型来定义视差图的平滑项。采用了标准测试图像进行了测试,结果表明算法具有很好的性能。

一种基于曲率与置信度传播的视差估计方法

常用的匹配代价容易受到光晕效应等复杂光学畸变的影响.文中通过对相机成像模型的分析,从理论上证明基于曲率的匹配代价对光晕具有较强的鲁棒性.提出一种在积分图像上对基于曲率的匹配代价进行计算的方法,有效提高算法速度.最后,将曲率约束引入到置信度传播算法正则项的设计中,抑制置信度在深度不连续区域之间的传递,防止过平滑现象的产生.实验结果验证文中方法的有效性.

基于置信度传播和色度分割算法的深度估计

为了提高图像序列深度估计的质量,提出了一种基于置信度传播和色度分割的全局匹配算法。首先,构造了包含匹配误差项和平滑性假设的能量函数,通过置信度传播算法来求取初始视差图序列。然后用均值漂移算法对每一帧进行色度分割,对每个色度分割区域分别进行全局匹配,得到新的视差图。最后,构造包含对极几何约束的新能量函数,使用置信度传播算法进行全局匹配和迭代优化,获取最终视差图序列。实验结果表明,文中算法可以得到高质量的深度图,能够改善图像噪声、弱纹理和物体遮挡等问题。

一种具有选择性的置信度传播立体匹配算法

为了改善立体匹配算法在低纹理和深度跳变区域的匹配性能,提出了一种改进的置信度传播立体匹配算法.首先利用均值漂移算法对图像进行彩色分割,然后通过自适应权重算法计算匹配代价并获取初始视差图,再利用匹配代价可信度检测和左右一致性校验将初始匹配结果按照可靠度分类,最后在全局优化的过程中分别通过可靠度分类和图像分割结果来指导置信度传播方向和范围的选择,从而优化传播路径,提高匹配性能.将该算法应用于标准库图像中可以提高低纹理和深度跳变区域的匹配精度,得到边界清晰、稠密光滑的视差图,同时,将其应用于实拍图像的三维重建系统中能够得到生动逼真的立体模型,证明了该算法的有效性和实用性.

基于分层置信度传播的光流估计方法

置信度传播算法作为一种有效的寻找图像间对应点的方法,近年来被广泛应用于光流估计.但是在估计大位移高精度光流时,将置信度传播直接应用于原图像会导致标签空间过大和处理时间过长的问题.为了克服这个缺点,我们提出了一种基于分层置信度传播的算法来估计高精度大位移光流.本文方法将输入图像视作马尔科夫随机场,为了提高效率,在超像素和像素两个层面上执行置信度传播.我们将超像素层得到的基础位移结果作为粗略的位移参考值,可以有效地减小像素层置信度传播的标签空间,并在有限的标签空间内得到高精度的光流估计结果.MPI Sintel光流数据集上的实验结果显示本文提出的方法在精度和速度上都取得了较好的结果.

针对极化码置信度传播算法的低复杂度早期停止准则

针对极化码译码延迟较高的问题,该文提出了一种针对置信度传播算法的早期停止准则,通过监测码字估值x的收敛性来终止译码。该准则利用高斯近似分析选取码字中Q个出错概率较小的比特构成比较空间,由于比较的位数较少,且仅采用异或和或运算,其计算复杂度较低。与基于信息序列估值u的方案不同,提出的准则在计算u之前已完成检测,不会导致额外的译码延迟。仿真和FPGA综合结果表明:该准则相对于G-Matrix,最坏信息位(WIB)和冻结位误码率(FBER)可有效节省硬件资源;当最大迭代次数设置为40次时,相比于G-Matrix准则,复杂度下降的代价是平均迭代次数在3.5 dB处上升了29.98%,相比于WIB和FBER方案,平均迭代次数分别减少39.44%和27.67%。

基于置信度传播的协同过滤推荐算法

随着电子商务的发展,个性化推荐系统已成为研究热点.该文在传统协同过滤推荐算法的基础上引入了重要性程度因子,并提出了基于置信度传播的协同过滤推荐算法.算法通过引入用户重要性程度因子和项目重要性程度因子,基于通信中低密度奇偶校验码(LDPC码)的置信度传播译码算法迭代更新用户和项目的重要性程度因子,从而最终计算得到目标用户对项目的预测评分.Matlab仿真结果表明,基于置信度传播的协同过滤推荐算法相较于传统算法精确度可提升5.09%.

基于改进JRD及误差修正的轴承剩余寿命预测方法

目前,风电机组齿轮箱性能发生初始退化时难以识别,现有退化指标易出现剧烈波动、单调性较差,且无法准确预测齿轮箱关键部件如轴承的剩余使用寿命(RUL),针对该问题,提出了一种基于改进杰森-瑞丽散度(JRD)及误差修正的双指数模型轴承RUL预测方法。首先,提取了振动信号样本的多域特征指标,利用高斯混合模型(GMM)与指数型权重JRD,得到了样本的后验概率分布向量,再经归一化处理得到置信值(CV);然后,对轴承从初始健康状态退化至当前检查时刻的CV值进行了相空间重构,提取了CV序列的动力学特征,并将其作为相关向量机(RVM)的训练集,获得了支撑整个退化轨迹的相关向量;最后,利用双指数模型拟合了相关向量,外推趋势至失效门限以计算RUL,并引入了差分整合移动平均自回归模型(ARIMA),对拟合相关向量产生的拟合误差进行了预测,以修正预测的结果。实验结果表明:改进后的退化指标单调性指标提高14.3%;且在不同工况、不同时刻下,经误差修正后的轴承的RUL预测结果较未修正之前有明显提高。研究结果表明:该预测方法可为风电机组齿轮箱重要部件的预测性维护提供参考。