双参数Beta过程联合字典遥感图像超分辨

为了改善遥感图像超分辨重建(super-resolution reconstruction,SRR)效果,针对以往仅适用于单特征空间的稀疏字典超分辨算法,提出同时适用于两个特征空间的双参数Beta过程联合字典(Beta process joint dictionary,BPJD)遥感图像SRR方法。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率图像进行分块和Gibbs采样,生成字典训练样本。然后,依据BPJD,建立连接高、低分辨率遥感图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:所提方法可自适应地缩小字典尺寸,能以更小尺寸的稀疏字典重建更高质量的超分辨遥感图像,重建结果图像的纹理细节信息更丰富,峰值信噪比和结构相似性度均有提高。     

基于BP神经网络的超分辨率图像重建

针对卫星图像成像过程中成像装置存在极限,导致图像分辨率低的问题,提出了基于神经网络的图像超分辨率重建(neural networks super-resolution reconstruction,NNSR)方法。该方法利用误差反向传播神经网络(back propagation neural networks,BPNN)对样本图像进行学习和训练,利用图像退化模型获取学习样本,采用向量映射加速BP神经网络的收敛,充分融合了低分辨率序列图像中的冗余信息。通过对训练好的神经网络分别进行样本仿真实验和泛化实验,验证了这种图像超分辨率重建方法的有效性。     

图像超分辨BP神经网络的改进

为了进一步提高超分辨图像重建效果,针对前期研究的超分辨误差反向传播神经网络（back propagation neural network, BPNN）重建结果中存在的块痕迹问题加以改进和优化。对影响BPNN超分辨效果的两个关键问题进行改进：(1) 网络训练样本问题,将8×8→16×16的映射方式改进为2×2→4×4的映射方式,同时,采用相邻仅间隔一个像素的方式优化构造训练样本;(2) 加速网络训练收敛问题,将网络训练规则由BP算法改进为改进的比例〖JP2〗共轭梯度算法。网络训练实验和泛化实验表明,改进方法增加了网络训练样本数量,改善了超分辨BPNN的输出图像质量,有效解决了超分辨结果中的块痕迹问题,使超分辨结果图像的峰值信噪比提高约8 dB。     

基于损失提取反馈注意网络的图像超分辨率重建研究

自SRCNN(super-resolution convolutional neural network)将卷积神经网络用于超分辨率图像重建领域以来，人们通过大量的研究证明了使用深度学习的方法能够提高重建图像的效果。针对图像超分辨率网络中参数过多以及图像特征利用不充分导致可用的高频信息较少等问题，提出了一种基于损失提取策略的反馈注意网络(loss extraction feedback attention network,LEFAN)，以循环的方式对参数进行复用，同时增加对低分辨率图像特征的重用，以捕获更多的高频信息，对重建过程中造成的损失进行提取并融合到最终的超分辨率图像中。实验结果表明：算法在实现多次利用低分辨率图像的基础上，对潜在的损失进行提取并融合到最终的超分辨率图像中，可以获得较好的图像重建效果。     

基于多重稀疏表示的声纳图像超分辨率重建方法

提出一种基于多重稀疏表示的声纳图像超分辨率重建方法。该方法针对声纳图像的光滑、边缘和纹理3种结构形态,分别利用离散平稳小波变换、contourlet小波变换和Gabor小波变换建立过完备字典,并对多重稀疏表示的声纳图像进行超分辨率重建。实验结果表明,该方法得到的超分辨率图像能够有效保持原始高分辨率图像的几何特征和纹理特征,可以得到更高的峰值信噪比,并且对噪声具有鲁棒性。     

基于稀疏性深度学习的航拍图像超分辨重构

为降低无人机硬件设备升级成本, 研究利用深度学习技术进行航拍图像超分辨(super-resolution, SR)。针对神经网络训练参数量大的特点, 提出了一种稀疏卷积神经网络SR(SR based on sparse convolutional neural network, SRSCNN)重构方法, 对神经网络连接权值进行选择性筛选达到压缩网络结构并减少训练时间的目的。实验结果表明, 该方法在缩短网络学习时间, 图像重构效果和计算时间上具有一定优越性。同时, 设计了一种基于显著性区域的图像质量评价方式, 更适应航拍图像后续处理工作。     

基于小波重构与SVM-BPNN的动态过程在线智能监控

为了提高动态过程运行状态在线监控效率,提出了基于小波重构与支持向量(support vector machine,SVM)-反向传播神经网络(back propagation neural network,BPNN)相结合的在线智能监控方法.首先,运用离散小波变换对动态过程实测数据流进行重构,并提取其形状特征.其次,利用训练好的小波重构特征的SVM、均值特征的BPNN及重构后形状特征的SVM,对"监控窗口"内实测数据流进行异常模式识别.最后,应用该方法对某精密轴加工过程进行在线智能监控.结果表明:所提模型识别精度高、训练耗时少,其整体性能明显优于小波重构的BPNN模型与基于统计和形状特征的多分类支持向量机(multi-class support vector machine,MSVM)模型,是一种更为有效的动态过程在线智能监控方法.     

高移动性Jakes信道的学习与估计

在高移动场景下, 信道具有快速时变性和非平稳特性, 对信道的准确估计提出了新的挑战。针对高移动性Jakes信道, 提出一种基于图像重建和恢复原理的信道学习估计网络。首先,根据Jakes信道矩阵中局部相关特性, 构建快速超分辨卷积神经网络提取信道特征, 并对信道插值完成信道图像建模。然后, 利用去噪神经网络降低信道噪音的影响, 进一步提高估计精度。最后,通过时域和频域的仿真测试, 所提方案估计性能优于传统算法。在与现有基于深度学习最新方法比较中, 所提方案也有性能优势, 并且收敛速度更快。     

基于联合聚焦/超分辨贝叶斯模型的雷达目标超分辨重建

针对合成孔径雷达(synthetic aperture radar, SAR)、逆合成孔径雷达(inverse SAR, ISAR)等雷达目标图像,提出了一种基于联合聚焦/超分辨贝叶斯模型的超分辨重建方法。该方法基于联合聚焦/超分辨和点扩散函数参数模型,采用Metropolis-Hastings迭代更新算法,产生一系列描述目标散射截面和散焦参数概率分布特征的样本,从而估计出最佳目标散射截面元和散焦参数,实现低分辨率图像的超分辨重建。以合成与实测图像数据为例,对该超分辨方法进行了演示并给出了重建结果。实验表明,本文提出的方法对雷达目标图像重建效果良好,可用于SAR、ISAR及实波束成像等雷达图像目标信息的开发。     

基于参数估计精度的SAR图像分辨率评估方法

分辨率是SAR图像超分辨处理性能评估的一个重要指标。首先分析传统的3dB主瓣宽度计算方法用于超分辨性能评估的缺陷与不足,并利用三次样条方法证明了对传统方法而言,像元分辨率为最高测量分辨率。然后基于频域点散射模型,从最优参数估计精度角度提出了新的分辨率评估方法。该方法克服了传统方法的缺点,并建立了分辨率与目标参数、噪声水平之间的联系,可用于SAR图像超分辨及其它处理性能的预测与评估。利用仿真实验验证了该方法的有效性。     

超完备稀疏表示的图像超分辨率重构方法

为改善单帧退化图像的分辨率,提出一种基于超完备字典稀疏表示的图像超分辨率重构方法。该方法的核心是构建信号自适应的超完备字典对及计算图像关于对应字典的稀疏表示。为降低在训练过程中构建超完备字典对的复杂性,采用学习低分辨率字典而数值计算高分辨率字典的方法,待超分辨图像应用正则正交匹配追踪的稀疏表示算法求解关于字典的稀疏表示,并联合高分辨率字典实现超分辨率重构。实验表明,该方法与其他类似算法相比,字典训练和超分辨测试的速度都有显著提高,实验图像的峰值信噪比改善3.3 dB,框架相似性提高0.09。本方法可应用于单帧模糊图像的高倍率的超分辨率重构,有效地提高了图像的分辨率水平。     

基于稀疏表示和多成分字典学习的超分辨率重建

针对目前基于稀疏表示模型的图像超分辨率重建方法对于边缘、纹理等细节信息保持能力有限、易产生视觉伪影的问题,提出了基于稀疏表示和多成分字典学习的超分辨率重建算法。在字典训练阶段,所提算法在利用图像形态分量分析方法构造纹理和结构字典的基础上,为了有效地提取低分辨率图像特征细节信息,对图像结构分量采用一阶二阶导数进行特征提取,对纹理分量采用Gabor变换进行特征提取,并使用L_1/2范数构造训练字典模型;而在重建阶段,为了消除重建图像块效应及模糊伪影,进一步提高重建图像的质量,采用全局约束和非局部相似性约束相结合的方法对重建高分辨率图像进行优化。实验结果表明,该算法在重建图像主观和客观评价指标方面均有较好的表现。     

基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型

针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性.     

基于神经网络的遥感影像超高分辨率目标识别

现有遥感图像的许多分类方法大都忽略了混合像元存在的事实,通过理解遥感影像像元点目标的空间分布特性,提出基于Hopfield神经网络的遥感图像超分辨率目标识别算法。在Hopfield神经网络模型下,利用模糊分类技术进行模糊分类,然后用分类结果约束Hopfield神经网络的方法获取超高分辨率的遥感图像,能够提高遥感图像的目标分辨率,使其目标特征信息更清晰。     

Comparison on neural networks and support vector machines in suppliers'''' selection

Suppliers＇ selection in supply chain management （SCM） has attracted considerable research interests in recent years. Recent literatures show that neural networks achieve better performance than traditional statistical methods. However, neural networks have inherent drawbacks, such as local optimization solution, lack generalization, and uncontrolled convergence. A relatively new machine learning technique, support vector machine （SVM）, which overcomes the drawbacks of neural networks, is introduced to provide a model with better explanatory power to select ideal supplier partners. Meanwhile, in practice, the suppliers＇ samples are very insufficient. SVMs are adaptive to deal with small samples＇ training and testing. The prediction accuracies for BPNN and SVM methods are compared to choose the appreciating suppliers. The actual examples illustrate that SVM methods are superior to BPNN.     

基于相空间重构与鲁棒极限学习机的时延预测

针对网络控制系统(networked control system,NCS)诱导时延具有的时变、随机、非线性等特点,提出了一种相空间重构与鲁棒极限学习机(robust extreme learning machine,RELM)的时延预测算法。首先利用0-1测试对时延序列进行混沌特性检测,再通过改进关联积分法确定重构延迟参数和嵌入维数,进而对时延序列进行重构,新的样本更能真实反映时延变化特性。以重构后的时延序列为训练样本,同时,考虑异常值的稀疏特性,运用RELM进行时延序列预测。该方法具有学习速度快、泛化性能好、可有效降低异常值影响等优点。     

神经网络在预测编码中的应用

讨论如何有效地利用backpropagation(BP)神经网络进行预测编码。改进的BP算法可以提高BP神经网络地收敛速度、泛化能力和稳定性。一般而言 ,四层网络比三层网络具有更快地学习速度 ;二阶网络比一阶网络性能更优越。利用MATLAB程序 ,构造三层、四层和二阶BP神经网络进行预测编码。测试结果表明 ,利用规模足够大的三层BP网络进行预测编码可以取得较好效果 ;四层和二阶网络比等价的三层网络可以更有效地进行预测编码     

基于改进的CNN和数据增强的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题, 提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout, 随机删除部分神经元, 增强网络的泛化能力。其次, 在网络中引入L2正则化, 简化模型的同时降低结构风险, 并且能有效地抑制过拟合。然后, 采用Adam优化网络, 提高模型的收敛效率。最后, 采用优选的数据增强方法, 扩充SAR目标数据集, 为网络训练提供更为充足的样本, 进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验, 结果表明设计的卷积神经网络识别准确率高, 且具有更好的泛化性。     

基于卷积神经网络及有限元仿真的电容层析成像图像重建

为求解电容层析成像(electrical capacitance tomography,ECT)图像重建非线性病态逆问题,提出基于一维卷积神经网络(one-dimensional convolutional neural network,1D CNN)的电容层析成像图像重建算法.通过1D CNN建立了ECT系统独立测量...     

基于盲均衡的超分辨率图像重建

超分辨率图像的重建是指从一组低分辨率图像重建出更高分辨率的图像。提出采用盲均衡与凸集投影的方法估计成像系统的冲激响应 ,并实现超分辨率图像的重建。这种图像重建算法不需要了解关于帧间运动模式与帧内模糊类型的先验知识 ,因而更接近实际应用的要求。模拟实验的结果表明了该算法的良好性能