电梯召唤通信系统的无线化处理与设计

电梯井道环境对线缆有很大的影响,使电梯的制造和安装成本较高,且维护困难,为此提出一种点对点的无线电梯召唤通信系统.该系统以协调器为核心,通过无线单元完成与厅层终端节点的信息收发,通过RS485接口与电梯主控制器相连,取代原有线设备实现电梯系统召唤信息的采集、传输及处理功能.利用433 MHz频段良好的绕射性能,以处理器ARM M0516为核心,结合Si4665射频芯片,设计并实现单台电梯无线厅层召唤的原型系统,开发了协调器及厅层终端节点的软硬件电路.电梯井道现场测试结果表明,该系统不受轿厢位置、曳引机或变频器启停影响,在不同电梯运行状态下都可实现稳定的信号传输,且主芯片可自行定义协议参数,易融入原电梯整机系统.

移动通信模式下压缩感知视频检测技术及其目标重构

为了解决移动通信视频监控的目标追踪问题,提出一种新的空间域视频压缩感知模型,该模型首先通过测量矩阵获取视频少量样本值,然后通过该样本值同时重构运动目标、背景和视频序列,最后通过视频序列估计得到一个置信图,可以进一步提高目标的重构质量。大量的实验证明,该模型与典型的空域检测技术比较,能够降低视频检测的数据量,并有效地重构视频目标,且对运动干扰具有更好的鲁棒性。

一种视频分布式压缩感知技术的相关性模型与实现算法

视频采集和重构需要进行大量的数据处理,且精度有限。为此,基于基追踪(Basis Pursuit,BP)原理,提出一种新的相关性模型视频分布式压缩感知算法。通过运用稀疏滤波器进行相关性建模,该算法在编译码端为分布式压缩视频感知建立了完整的实现结构,并且在保证高质量重建原始信号的前提下,可以减少测量值的数目。实验结果验证了提出模型下算法的有效性。

一种残差-预测重构的视频分布式压缩感知实现方法研究

为了降低计算成本并节约系统功耗,信号处理最新出现的理论-分布式压缩感知(Distributed Compressed Sensing,DCS)成为视频技术的应用焦点。为此,一种基于多假设预测的视频DCS(VDCS)方案被提出。在VDCS的解码端,当前帧的预测来自于以前重构的参考帧(CS帧),而残差作为重构条件用于改善视频的重构质量。实验结果表明,提出的残差-预测VDCS方法重构视频信号的峰值信噪比(PSNR)优于MH-BCS-SPL和传统的JSM-DCS处理方法。

图像空间域压缩感知通用隐写分析方法

根据灰度图像的纹理特征,提出一种空域压缩感知通用隐写分析(Compressive Sensing Universal Steganalysis,CSUS)方法。首先,使用方向提升小波变换(Directional Lifting Wavelet Transform,DLWT)对图像进行稀疏表示,并对稀疏系数进行直方图统计;然后,结合广义高斯分布(Generalized Gaussian Distribution,GGD)模型设计压缩感知(Compressive Sensing,CS)测量矩阵,并运用该矩阵感知稀疏系数得到CS观测值,以此作为纹理特征量;最后,通过支持向量机(Support Vector Machine,SVM)实现图像隐写的分类判断。采用5种隐写算法对4种图像数据库的图像进行隐写,利用本文提出的CSUS方法与经典的隐写分析方法进行隐写分析与对比。实验结果表明,本文CSUS方法对空域隐写具有较高精度及较好的通用性,并能够降低感知特征的维数。

基于自适应稀疏邻域重构的无监督主动学习算法

在很多信息处理任务中,人们容易获得大量的无标签样本,但对样本进行标注是非常费时和费力的。作为机器学习领域中一种重要的学习方法,主动学习通过选择最有信息量的样本进行标注,减少了人工标注的代价。然而,现有的大多数主动学习算法都是基于分类器的监督学习方法,这类算法并不适用于无任何标签信息的样本选择。针对这个问题,借鉴最优实验设计的算法思想,结合自适应稀疏邻域重构理论,提出基于自适应稀疏邻域重构的主动学习算法。该算法可以根据数据集各区域的不同分布自适应地选择邻域规模,同步完成邻域点的搜寻和重构系数的计算,能在无任何标签信息的情况下较好地选择最能代表样本集分布结构的样本。基于人工合成数据集和真实数据集的实验表明,在同等标注代价下,基于自适应稀疏邻域重构的主动学习算法在分类精度和鲁棒性上具有较高的性能。

一种最佳线性估计与多假设结合的分布式视频压缩感知重构算法

针对分布式视频压缩感知系统存在编码端的低采样率易导致解码端重构效果不理想的问题,综合考虑视频帧间的时空相关性以及帧内不同图像块所具有的不同块特征,提出了一种最佳线性估计与多假设预测相结合的分布式视频压缩感知重构算法。算法在编码端采用分块压缩感知进行随机测量,在解码端增加了相似判别、测量值补充以及平滑判别三种机制。通过此三种机制对非关键帧块进行细化分类,并根据分类结果对不同的图像块采用不同的测量值补充及重构策略,进而提高重构质量。在标准视频序列集上的仿真实验结果表明,本文提出的算法重构视频信号的峰值信噪比(PSNR)比传统的多假设预测重构算法平均高出2~3 dB,尤其在编码端测量率低于0.2的情况下,PSNR高出4~5 dB。