基于峰值点形态信息的SAR图像舰船尾迹检测算法

在分析合成孔径雷达(SAR)图像中舰船尾迹线性特性的基础上,针对SAR图像线性特征产生因素的多样性,及由此引起的Radon变换域中尾迹峰值点检测的不确定性,提出了一种基于峰值点形态信息的尾迹检测算法。算法门限化图像的Radon变换系数,提取出所有可能的峰值点;对这些相应的局部峰值点的一维截面进行连续小波变换峰值点匹配,根据提取到的参数形成决策矢量在特征空间中进行决策。仿真和实际数据处理的结果表明,该方法能有效、准确地检测到SAR图像中的舰船尾迹并判决其真假类别。     

基于机械故障诊断的算法及小波基选择研究

针对小波分析在机械故障诊断应用中的快速算法和小波基选择存在的问题,对常用的正交、半正交、双正交小波提取信号特征的能力进行了分析比较,研究表明半正交B样条小波因具有线性相位和采用较长的分解序列而具有较好的频率局部化特性和较小的变换误差,具有比较好的综合性能。推导了正交小波包的图形显示算法,利用该算法解决了小波变换快速算法中存在的数据长度随分解层数成倍减小的问题。研究结果为机械故障诊断中选择小波基进行信号处理提供了依据和途径。     

红外与可见光图像融合算法性能评估

在研究小波分析的基础上,鉴于不同小波函数和融合规则对融合效果的影响,通过改变小波函数和融合规则对红外与可见光图像进行大量融合实验;首先,研究了不同类型小波函数的性质,分析了不同融合算法的特点;接着,对融合实验结果进行了定量分析和比较,为不同应用目的和场合正确选择合适的小波函数和融合规则进行红外和可见光图像融合提供了理论依据.     

小波降噪在微光瞄准镜检测系统中的应用

提高测试精度是贯穿微光瞄准镜检测系统设计始终的准则,其中迭加在微光图像上的时空域噪声是影响测试精度的主要因素之一,如何滤除微光图像上迭加的噪声信号来提高仪器测试精度就显得尤为重要;实践证明,在设计中使用小波阈值降噪方法能非常有效地提高仪器的测试精度.     

基于动态神经网络的柴油机建模研究

针对全柴推进系统仿真中主柴油机输出扭矩的预测问题,分析了输出扭矩的影响因素,在实验室试车台记录数据的基础上,利用小波分析方法对带噪声的原始信号进行预处理,运用Elman动态递归神经网络建立了用于柴油机输出扭矩预测的控制模型.     

离散小波变换在被动声目标识别中的应用

研究了战场被动声目标鲁棒特征参数的提取,分析了战场声信号与语音信号特征的相似性,提出基于MFCC参数的战场声目标识别方法。针对战场环境存在强噪声干扰情况,提出一种改进的MFCC特征参数(DWTMFCC)提取方法,该方法将小波分析和MEL倒谱分析结合,提高了特征参数的鲁棒性。仿真结果表明:在噪声条件下,利用DWTMFCC参数进行声目标识别,平均识别率比MFCC参数高出3.134个百分点,信噪比为5dB时,识别率仍达到93.67%。     

基于二进小波变换的噪声图像自适应增强新算法

针对图像增强算法通常会放大原图像中噪声分量的问题,提出了一种基于二进小波变换的图像增强新算法。该算法充分利用了二进小波变换的平移不变性和各尺度上小波系数间的相关性,有效改善了增强过程中噪声放大和边缘失真问题。此外,算法具有高度的自适应能力,适用性更强。实验结果表明,与目前已有的各类多尺度图像增强算法相比,该算法在抑制噪声和凸显图像特征两方面均有明显改进。     

自适应控制中的Hartley块算法及实验

针对小波包自适应控制子频带内包含大量卷积和相关运算导致算法收敛速度慢的问题,提出基于Hartley块的小波包滤波最小均方算法。将快速Hartley变换引入块算法,实现频域内快速卷积和相关运算;在子频带内应用Hartley块算法生成控制信号,通过重叠保留法提出基于Hartley块的小波包滤波最小均方算法;通过仿真和实验研究了定频和扫频两种工况下的隔振性能和控制效果。结果表明,基于Hartley块的小波包滤波最小均方算法不仅可以大幅缩短收敛时间,还能显著提高控制精度,且鲁棒性和稳定性良好,能够很好地应用在工程实际中。     

加权核范数最小化和改进小波阈值函数的图像去噪算法

针对加权核范数最小化算法存在结构残余噪声以及无法较好地保持图像边缘结构的问题,提出基于加权核范数最小化和改进小波阈值函数的图像去噪算法。利用全变分模型对噪声图像进行初步去噪,使用噪声图像与初步去噪后的图像进行差分运算,对差分后得到的噪声残差图像使用改进的小波阈值函数去噪,将小波去噪后的残差图像与初步去噪图像叠加,将叠加后的图像使用基于残余噪声水平迭代的加权核范数最小化算法进行二次去噪。相较于当下主流去噪算法,经该算法处理后的图像的PSNR和SSIM值均有所提升,能够更好地保持图像的纹理结构,且在高噪声环境下效果更佳。     

稀疏卷积计算高效数据加载与输出缓存策略

针对现有神经网络加速器在处理稀疏神经网络时存在的数据加载效率低、乘加资源利用率低、输出缓存寻址逻辑复杂等问题,提出了稀疏卷积计算高效数据加载与输出缓存策略。将属于同一输入通道的非零输入特征图像数据和非零权重进行全对全乘累加运算,降低了非零数据配对难度,提高了乘加资源利用率;通过采用输入驻留计算,以及密集型循环加载特征图像数据,大幅减少了数据片外调取次数;优化了输出缓存设计,解决了现有方案中存在的输出缓存地址访问争用、存储拥塞等问题。实验表明,与采用类似架构的细粒度脉动加速器相比,在处理单元面积上减少了21.45%;在数据加载速度方面平均提高了117.71%在平均乘法器利用率方面提高了11.25%,达到89%。