基于双向波段预测的超光谱图像无损压缩

为了解决超光谱图像海量数据无损压缩计算复杂度高、实时性差的问题,将预测树模型和双向多波段谱间预测算法用于超光谱无损压缩研究。在对超光谱图像进行基于预测树模型的谱内预测的基础上,通过双向谱间多波段预测,利用谱间局部统计冗余和结构冗余,建立了对预测树模型误差进行自适应补偿的预测器模型,设计了一种基于“权重”的方法。该方法利用已编码像素对系数进行自适应估计。采用SPIHT (Set Partitioning in Hierarchical Trees)算法对去冗余后的残差图像进行编码。试验结果表明,该算法在较低的计算复杂度下,压缩比优于目前流行的无损压缩算法。     

基于残差集的CFA图像序列无损压缩新算法

提出了一种基于残差集的颜色滤波阵列(CFA)图像序列的无损压缩新算法.通过构造CFA图像序列的残差集,去除图像序列间的数据冗余;设计了一种最佳可逆滤波器对残差集图像进行通道分离滤波,去除图像内的冗余信息,提高CFA图像压缩性能.将该算法与通道分离滤波JPEG和PNG算法进行了对比,结果证明,残差集无损压缩算法具有最高的数据总量压缩比、最低的平均压缩率和最好的重建CFA图像峰值信噪比.     

基于整数小波变换的MODIS多光谱图像无损压缩

为了解决MODIS多光谱图像数据的存储和传输问题,提出了一种基于整数小波变换和结合波段相关性判定的谱间预测的算法,对MODIS多光谱图像数据进行无损压缩.通过整数小波变换和波段相关性判定,有效地去除了MODIS图像数据的空间和谱间冗余,其压缩效果优于当今最流行的WinRAR、WinZip压缩软件,与基于三维预测(3D-DPCM)的方法相比,该方法也能得到较好的效果,有较高的压缩比.     

基于空间和光谱内容的高光谱图像压缩

为提高高光谱图像的压缩性能,提出一种同时利用高光谱图像的光谱信息和空间信息的深度卷积神经网络压缩方法．主要通过主成分分析对高光谱图像进行光谱维降维预处理,在保持图像空间结构特性的同时,去除光谱冗余性．在此基础上,在编码端利用重要性图网络对压缩编码进行内容自适应码率分配,避免低码率下强边缘或小纹理处码率分配不足,从而提高图像压缩重建质量．在高光谱数据上的实验结果表明：该方法在低码率(0.184 4)下依然能达到较好的压缩性能,峰值信噪比为27.209 9,结构相似度为0.922 4.     

基于区域的多光谱图像无损压缩

针对多光谱图像的冗余特点,提出一种多方式预测的多光谱图像无损压缩方法.多光谱遥感图像每一波段的图像本身存在空间冗余.不同波段图像之间存在谱间冗余.由于不同波段的成像对象是同一地域,具有相同的物理结构,虽然同一空间位置不同波段的像素值相差很大,但其与邻域的关系却是很相似的,同类地物在图像中占据一定区域,在不同的波段具有相似的纹理.因此,首先选择基于区域生长的分-合算法将多光谱图像分割成若干块互不重叠的均匀子区域;又由于各个子区域的纹理不同,因此对不同区域采用不同的预测方式,从而最大程度去除冗余;同时利用谱间结构相关,令各波段相同区域选用相同的预测方式,共享预测方式图可使多方式预测导致的附加存储代价大大缩小.实验结果表明了该方法的有效性.     

一种二维光纤光谱数据的无损压缩方法

针对二维光纤光谱数据结构的特殊性,先分块在其波长方向上进行整数H变换去除波长方向相邻像素点间的冗余,再将波长方向的直流分量在空间方向上进行整数H变换作为整块数据的低频部分,然后根据变换后系数的特点采用嵌入式零树(EZT)编码和算术编码相结合的方法进行编码.理论分析表明,该压缩编码方法可实现二维光纤光谱数据的无损压缩;实验结果也表明,该方法具有较好的压缩效果.     

一种基于稀疏矩阵的高效图像压缩算法

针对稀疏矩阵图像提出了一种低复杂度智能无损压缩算法.首先通过图像分块,采用列坐标和标志位相结合表示非常规像素位置;然后基于图像特性分析,得出非常规像素列坐标相对值的概率分布,从而根据非常规像素位置分布的连续性,对其相对列坐标提出一种基于Rice编码的智能码字分配方法.并且,针对非常规像素灰度值分布的连续性,引入预测的方式去除统计相关,对预测冗余采用简单有效的Golomb编码.实验结果表明,该算法压缩效率高,且结构简单,易于硬件实现.     

带有帧间级间预测的线谱频率参数多级矢量量化

为在极低速率下实现高质量的语音编码,提出一种高效的带有帧间及级间预测的线谱频率参数多级码本矢量量化(IFP-MSVQ-ISP)算法。算法利用多级矢量量化中上一级码本的选定码矢对残差矢量进行预测,对去除预测分量的残差矢量再进行下一级矢量量化。测试结果表明,这种带有多级码本级间预测的算法与无级间预测的算法相比,能够有效降低线谱频率参数的量化误差,使谱失真降低0.1 dB以上,合成语音客观MOS提高0.02以上。该算法的实现对极低速率下语音压缩编码算法的研究具有重要的参考价值。     

SPIHT的超光谱图像无损压缩算法

针对超光谱图像的特性及硬件实现的需要,提出了1种混合编码压缩方案.对超光谱图像序列首先进行谱间DPCM预测,再对残差图像进行(5,3)整数小波变换,最后对小波系数进行SPIHT编码.通过仿真验证该算法实现了无损压缩,压缩比平均可达2.34,优于算术编码,且算法复杂度低,易于硬件实现.     

基于张量分析和小波包变换的高光谱图像压缩

高光谱图像拥有巨大的数据量,造成其保存和传输非常不便,因此高光谱图像的压缩显得尤为重要.提出一种基于张量Tucker分解和小波包变换的高光谱图像压缩算法.首先,该算法利用Tucker分解的性质,充分提取高光谱图像中各个模式下的信息,并利用其中包含有空间信息的光谱模式对高光谱图像的光谱维进行解相关.然后,运用比经典Mallat小波分解更为有效的小波包变换对光谱去相关后保留下来的主成分进行JPEG2000压缩.实验结果表明,本算法压缩性能远远好于经典的三维小波算法,并且由于张量分解的应用,不论在码率失真表现还是信息保真度上,本算法均比基于一维主成分分析的高光谱压缩算法更具优势.     

大涵道比涡扇发动机风扇部件边线噪声预测

随着现代民用航空发动机涵道比的不断增大,风扇噪声在发动机整机噪声中所占比重也越来越突出,因此对适航条件下的风扇噪声进行预测对发动机的降噪设计和飞机噪声适航验证工作具有重要意义。通过对涡扇发动机风扇部件噪声产生机理和影响其传播的环境因素的研究,并结合飞机起飞程序,建立了涡扇发动机风扇部件边线噪声预测模型。通过编程计算后与实测噪声进行数据对比,基于涡扇发动机风扇部件静态噪声预测值进行动态修正后的涡扇发动机风扇部件边线噪声预测模型可以较好地预测实际情况。     

基于主成分判别分析的全国主要城市空气质量评价

空气质量在国际上已是重点控制对象,利用主成分方法对影响各个城市的空气质量的指标进行分析,得出影响空气质量的主要因素.然后选取主成分进行费希尔(Fisher)判别分析,建立主成分的费希尔判别分析模型,对城市的空气质量进行判别,再利用判别式分别对重庆、成都、昆明、宝鸡4个城市的空气质量类别进行预测.     

基于主成分回归分析的流程工业生产故障预测

在流程工业生产过程中,采用主成分回归分析方法,去除变量间的共线性,可以有效提高系统故障预测的能力.通过TEP过程验证,证明该方法具有较好的故障预测效果.     

改进的基于PCA的软件缺陷预测方法

为了避免在变量多重情况下基于PCA的软件缺陷预测出现明显失误,对传统PCA方法的缺陷加以改进,利用UML软件工程组织网站上公布的某中等规模软件公司项目功能点数据,采用改进的PCA方法对项目综合性能进行软件缺陷预测,并与传统PCA方法的预测结果进行了对比．结果表明,改进的PCA方法对软件系统的综合性能有较好的预测能力．     

液压元件可靠性寿命指标的灰色预测方法

采用灰色系统理论，通过对液压元件强化寿命试验中所获得的少量试验数据进行处理，即可以建立寿命指标的预测模型，由预测模型可确定额定工况下的液压元件寿命指标     

江苏省物流需求影响因素分析及预测

对物流需求进行合理、科学的预测,为政府部门进行物流规划、统筹物流资源的供给提供依据。在利用主成分分析法选取适当指标的基础上,构建了多元线性回归预测模型,并对江苏省2012--2018年的物流需求量进行了预测研究。通过检验分析,证明了该模型的拟合度较好、预测精度较高、具有较好的显著性水平,预测结果具有可信性。预测研究的结果表明,江苏省物流需求在预测的时间范围内,将呈现较为显著的增长趋势。     

基于时间序列分析的改进型MPEG视频序列流量模型

提出了一种新的基于时间序列分析的改进型MPEG视频流量模型,利用消除趋势项、滑动平均过程等方式建模,并根据实际流量的分布,将预测流量进行概率分布转换.大量的仿真实验等方面说明,在预测误差、尾部概率分布、自相关函数和自相似性及GOP、视频帧两个时间尺度上,该模型同时兼顾了长时相关性和短时相关性,并保持了与实际流量相一致的自相似性.     

基于组件依赖图的软件安全漏洞预测方法

针对软件安全漏洞预测,提出了一种基于组件依赖图的预测方法.基于组件依赖图综合定义了软件代码的复杂性、耦合性以及内聚性指标,同时采用这3类指标建立了机器学习模型对一个组件的漏洞进行预测.以开源软件Mozilla Firefox为实验对象,设计并实现爬虫工具,收集了针对从Mozilla Firefox 1.0到Mozilla Firefox 43的所有版本的公开漏洞.基于这些漏洞数据对预测模型进行训练和测试,结果表明所提出的方法能够有效用于漏洞预测.      

CPI指数预测的统计回归模型

对CPI值进行预测,对我国相应部门做出正确的宏观决策有积极意义．本文采用应用非常广泛的一类随机模型——统计回归模型,首先找到关于CPI指数变化的影响因素,搜集相关的大量数据;然后通过应用主成分分析法找出影响CPI的3个主要因素;最后基于3因素的数据,通过统计分析,建立回归模型,对短期内的情况进行预测．     

基于主成分分析的BP神经网络及其在需水预测中的应用

以甘肃省瓜州县为例,利用1988~2007年的总需水量数据,采用主成分分析法对影响水资源需求量的7个因子进行主要影响因子分析,根据确定的主要影响因子构造BP神经网络的输入样本,从而进行不同水平的年总需水量预测。结果表明:国内生产总值、工业总产值、农业总产值和大牲口数4个因子为影响研究区需水量的主要因子,将此作为主要因子构造BP神经网络的输入样本,确定网络输入节点数,建立瓜州县总需水量预测模型。模拟计算结果表明,基于主成分分析的BP神经网络模型取,预测结果的绝对误差小于±0.05×109m3。