TDDM-BOC信号组合码序列及信息序列盲估计

该文针对低信噪比下TDDM-BOC(Time Division Data Modulation-Binary Offset Carrier)信号的组合码序列(将伪码序列和副载波序列看成一个整体序列)及信息序列盲估计问题,提出一种改进的基于奇异值分解的方法。该方法首先利用双信息符号周期、间隔一信息符号周期的时间窗对接受信号进行分段,并构成观测矩阵。然后对观测矩阵进行奇异值分解,通过左奇异向量实现组合码序列的盲估计。同时,通过右奇异向量实现信息序列的盲估计。仿真分析表明,该方法能够在较低的信噪比下达到精确估计的目的。这对于从事卫星导航接收机设计具有一定的参考价值。

基于MB-LBP和张量HOSVD的人脸识别算法

融合多尺度分块局部二值模式和张量高阶奇异值分解提出一种人脸识别算法。优选不同尺度的MB-LBP算子组合提取图像纹理特征,构造人脸图像的3阶张量模型;利用HOOI算法进行张量高阶奇异值分解;基于HOSVD分解结果采用最邻近算法设计识别分类器。运用Yale数据库和自制数据库进行算法对比实验,验证算法的有效性,实验结果表明,基于Yale数据库,提出算法与LBP-深度置信网络算法的识别精度一样高,均为98.667%;基于自制人脸数据库,该算法识别精度为100%。综上提出算法是一种有效的、可行的识别算法。

基于多特征提取的人脸检测

针对单一特征在人脸检测方面的不足,提出了一种基于多特征提取的人脸检测算法。利用肤色信息分割出候选人脸区域,并对其进行小波分析,降低维数。进行离散余弦变换,取出部分系数作为频率域特征。对变换后的重构图像利用奇异值分解和局部二值模式提取代数特征和纹理特征,将这三方面特征融合成新的特征向量。这样既降低了维数,又综合了三方面的特征优势,保证了利用支持向量机分类,定位人脸的效果。实验结果表明,该方法具有较高的检测率,且鲁棒性较好。

基于神经网络的低信噪比CBOC信号组合码序列盲估计

针对低信噪比下复合二进制偏移载波(composite binary offset carrier,CBOC)信号的组合码序列盲估计问题。首先采用奇异值分解(singular value decomposition,SVD)的算法对CBOC的组合码序列进行可行性验证,可得在已知相关参数的情况下对CBOC信号组合码序列盲估计是可行的;其次就SVD在长序列估计中计算量和存储量需求大的问题,进一步提出主分量神经网络解决上述问题,同时引入最优变步长收敛模型改善神经网络(neural network,NN)收敛速度。利用无监督NN的自适应主分量提取信号特性,避免批处理运算,实现CBOC信号组合码序列盲估计。实验表明,NN能在-20dB下达到精确估计序列的目的,且算法有稳定性高、复杂度低、收敛速度快等优点。

一种新的基于SVD的图像数字水印算法

提出了一种新的基于SVD(奇异值分解)的图像数字水印算法。该算法具有以下几个特点:采用二值图像作为水印;对二值图像进行Arnold置乱预处理;没有直接将二值图像嵌入到载体图像,而是通过二值图像的不同取值,将伪随机序列嵌入到各子块的奇异值中,增加了安全性;具有良好的不可见性;对常见的信号处理具有良好的抵抗攻击能力;采用相关检测提取水印,不需要原始载体图像参与。

改进的SVD算法对BOC信号组合码与信息序列盲估计

针对低信噪比下二进制偏移载波信号的组合码序列以及信息序列盲估计问题,在未知时延下,利用奇异值分解(singular value decomposition,SVD)算法估计出的组合码序列及信息序列,其最大奇异向量和次大奇异向量之间可能存在酉模糊现象。对于该问题的研究,提出一种改进的SVD方法对最大奇异向量及次大奇异向量进行线性组合,接着最优化筛选出其相应的系数矩阵,最后结合系数矩阵估计出组合码序列与信息序列。仿真结果表明,改进的SVD算法可同时应用于组合码和信息序列的估计且不受未知时延的影响,具有消模糊效果好、需要数据量少和抗噪性能强的特点。

子空间描述的关节式目标跟踪

针对关节式目标变化对子空间描述造成的影响,本文提出了一种基于增量学习的关节式目标跟踪算法.该算法通过引入图像分割方法与快速傅里叶变换可有效消除背景像素对目标描述造成的影响以及目标区域前景目标位置对不准造成的误差,同时应用局部二值模式增加目标描述中像素点间的几何位置信息,应用基于增量学习的方法实现目标特征的在线更新,最终为跟踪算法提供较为精确的目标描述.实验结果表明,本文提出的关节式目标跟踪算法具有较好的目标跟踪效果.

基于量子粒子群的人脸特征融合识别算法

人脸识别是机器视觉、模式识别等领域的研究热点,具有重大的科学意义和广阔的应用前景.为了提高人脸识别率,提出了基于量子粒子群(QPSO)的人脸特征融合识别算法.首先,采用快速主成分分析、奇异值分解和multi-block局部二进制模式3种特征提取方法,分别提取人脸主成分特征、奇异值特征和LBP直方图统计特征;其次,利用QPSO对提取的特征进行加权处理;最后,采用支持向量机(SVM)对人脸进行识别.在Feret和AR人脸数据集上进行实验,结果表明提出的方法具有较高的识别率和鲁棒性.

基于SOP-SeedBS的高维数据稀疏变点检验

提出了一种适用于高维数据稀疏变点的SOP-SeedBS检验方法,能达到快速检验的效果。SOP-SeedBS方法是先对数据矩阵进行分解,并基于奇异值分解找到最优的投影方向,再利用投影的方法将高维数据投影到一维空间,最后利用种子二元分割方法对投影后的一维数据进行多变点检验。仿真结果表明,提出的SOP-SeedBS方法与Inspect方法相比较,准确度得到了提高,在计算时间方面具有较大的优势。最后将SOP-SeedBS方法应用于膀胱肿瘤微阵列数据集中,与Inspect和Adapt-WBS等方法的结果具有相似性,进一步说明SOP-SeedBS方法具有实用性。

改进次最佳检测在侧扫声呐底混响抑制中的应用

侧扫声呐进行沉底小目标探测时,底混响是主要背景干扰。底混响通常是一种非平稳、非高斯的带限噪声,它使得白噪声条件下的滤波器性能受到限制。在混响背景下常利用自回归模型对接收信号进预行白化处理,但对于实际侧扫声呐应用,白化后直接匹配滤波的处理效果不甚理想。针对此问题,在自回归模型预白化的基础上,提出采用一种次最佳检测与多分辨二分奇异值分解相结合的改进方法。该方法首先对接收信号进行分段处理,利用改进Burg算法估计每段数据自回归模型的系数及阶数;然后构造白化滤波器对分段数据预白化,并对白化后的数据进行多分辨二分奇异值分解;最后应用ostu方法对原始声图和处理后的声图进行目标检测。仿真与实验结果表明,该方法明显提高了信混比,改善了侧扫声呐沉底静态小目标的成图质量,有利于后期实现基于图像的目标自动检测。

基于多级子空间投影的侧扫声呐底混响抑制

底混响是侧扫声呐进行沉底静态小目标探测时的主要背景干扰,针对此问题提出了一种基于多级二分奇异值分解BSVD子空间投影的底混响抑制方法。该方法首先对接收信号构造二阶Hankel矩阵,通过矩阵的奇异值确定混响子空间,然后利用正交子空间投影抑制回波信号中的底混响,最后根据所选级数对回波信号进行多级正交子空间投影,并用otsu方法对原始声图和处理后的声图进行目标检测。实验结果表明,该方法改善了侧扫声呐沉底静态小目标的成图质量,更利于后期实现基于图像的目标自动检测。

基于轨迹数据的出租车潜在充电需求估计及时空特征分解

在大城市出租车队电动化转型过程中,出租车充电需求呈现出充电负荷高、时空分布随机性强的特征。为精确估计出租车队完全电动化转型后的充电需求,本文提出了一种仅基于燃油出租车轨迹数据的潜在充电需求识别概念模型以及基于轨迹地图匹配的二叉树实现算法,为电动化转型滞后地区提供了新的充电需求估计范式。本文使用890辆带有电池状态字段的电动出租车轨迹数据对模型和算法进行验证,结果表明,充电区段数量、充电需求电量等指标的估计误差小于6.5%。此外,模型和算法在不同电池电量消耗阈值θ和不同空间尺度(500、1000和10000 m栅格)下具有较高的时空分布估计精度。在此基础上,本文提出以北京市六环内真实道路网为空间分析单元,运用奇异值分解算法对潜在充电需求时空矩阵进行分解降维,以挖掘潜在充电需求的时空特征模式。最后,运用北京市连续3 d共1913辆出租车轨迹数据进行案例研究,结果表明,北京市出租车潜在充电需求的空间分布呈现出明显的重点区域、关键通道聚集性特征,与该区域的高出行活动强度以及长途出行相关的高密度充电需求高度吻合。分解后的充电需求呈现出常态化充电需求为主导、上下午异质性充电需求以及工作时段和非工作时段异质性充电需求为辅的时空结构特征。该分析方法有助于挖掘潜在充电需求的空间分布结构特征及时空耦合关系,为出租车队电动化转型下的充电基础设施中长期规划、电网负荷调度调节和充电需求管理等提供决策参考。