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。     

基于人工图像数据扩充的输电线路绝缘子识别

深度学习方法在计算机视觉领域发展迅速,但依赖于海量训练数据。输电线路绝缘子自动识别任务中,航拍图像数量不足、多样性差等问题影响识别的准确性。提出人工绝缘子图像数据扩充方法,通过3D建模创建人工绝缘子图像,并构建导向反向补偿网络,对创建的人工图像进行补偿优化,用补偿后的人工图像扩充航拍绝缘子图像数据集。在多个典型卷积神经网络上进行绝缘子识别对比实验,结果显示：所提方法使绝缘子识别准确率平均提升2.1%,且网络相对轻量级,验证了所提方法的有效性和优势。     

基于小波神经网络的图像重建算法研究

针对传统的图像重构算法的不足,提出一种基于小波神经网络的图像重建快速学习算法。运用小波神经网络对图像重构进行了仿真研究。实验表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,收敛速度快,近似精度高,而且网络规模比较小,计算量少。对计算机视觉和图像处理具有良好的应用价值。     

基于SOM和SVM的遥感图像目标识别

提出了一种基于自组织特征映射 (SOM)神经网络和支撑矢量机 (SVM)相结合的遥感图像目标识别方法。该方法首先利用SOM对目标进行聚类 ,然后应用SVM方法对其进行分类识别。最后将该方法应用于二值遥感图像的目标识别 ,与仅用支撑矢量机方法的识别结果进行了比较 ,结果表明 ,这一方法对二值遥感图像目标具有很好的分类识别效果 ,且训练时间大幅度缩短。     

稀疏描述与结构特征融合的极化SAR斑点抑制算法

提出一种稀疏描述与结构特征相结合的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像斑点抑制算法。首先利用图像的极化信息对原图像按结构特征分类,形成分类标记图;然后采用正交匹配追踪(orthogonal-matching-pursuit,OMP)算法对图像进行稀疏分解,利用K奇异值分解 (K-singular value decomposition, K-SVD)算法对过完备字典进行训练更新,得到图像相应的训练字典和稀疏系数,重构图像;最后在重构图像中按分类图增强相应的点线目标。利用美国AIRSAR系统采集的半月湾地区数据进行实验表明:该方法在实现图像去噪的同时,能够有效的保持地物的散射特性。     

一种新颖的基于NMF的人脸识别方法

提出了一种新颖的基于非负矩阵分解(NMF)进行人脸识别的方法,读方法首先对人脸图像作NMF得到由人脸基图像组成的子空间矩阵及其对应的系数矩阵,然后将其重构获得NMF重构人脸图像,进而从原始图像中减去重构图像以获取残差图像.最后对残差图像作局部非负矩阵分解(LNMF)以提取其非负子空间及其系数矩阵,并将两次得到的系数矩阵混合,根据最近邻原则进行识别.在ORL标准人脸数据库上的实验表明,该方法具有更好的识别率.     

基于图像描述技术的飞机目标架次判别方法

利用图像描述技术对非相参回波信号波形作了一定的分析,提取出反映飞机目标不同机型(大、小)和不同编队(架次)可资分类识别的图像特征信息。采用极大极小模糊神经网络对提取出的特征进行了训练和分类识别试验,验证了图像特征信息的有效性。结果表明,基于图像描述技术的架次判别方法,为解决常规非相参雷达编队飞机目标架次判别问题提供了一条新的途径。     

基于卷积神经网络的小型建筑物检测算法

针对基于传统卷积神经网络的建筑物目标检测算法对于小型建筑物检测准确率低的问题, 提出一种基于Mask-区域卷积神经网络(Mask-region convoluional neural networks, Mask-RCNN)模型的小目标检测算法模型。该模型对Mask-RCNN模型中的特征提取网络进行了改进, 设计了一种带有注意力机制的多尺度组卷积神经网络, 有效解决了小目标有用特征较少且易被背景特征和噪声干扰的问题。航拍图像实验结果表明, 改进的检测模型使小型建筑物目标检测准确率较原始Mask-RCNN模型提升了28.9%, 达到了0.663。并且整体检测准确率达到了0.843, 有效提升了航拍建筑物检测准确性。     

短期电力负荷的小波——混沌时序预测

提出了一种基于2层小波分解的混沌时序相空间重构预测模型.该模型利用小波分解原始负荷时间序列为周期项、趋势项和随机项,采用不同的混沌相空间重构高低频信号,再分别用相应的小波神经网络工具箱拟合混沌吸引子,将其输出进行信号重构得到最终预测结果.该方法兼有频率特征提取和相空间重构的优点,使短期电力负荷时序列的动力学系统得到更加细致的恢复.通过对欧洲电力负荷竞赛数据的实验证明了所提方法的有效性,仿真结果表明方法预测精度优于常规混沌时序预测方法.针对神经网络预测不稳定的问题给出了一种种解决措施,并提出了一种小波神经网络工具箱,该方法比编程实现的小波网络可以大幅度提高训练速度,尤其适合于大批量数据的训练,对小波神经网络的推广应用和混沌时序预测具有重要意义.     

基于Kalman／UKF组合训练神经网络的初始对准方法

针对基于Unscented卡尔曼滤波(UKF)的神经网络训练学习方法存在的计算量大,实时性差的问题,提出了一种基于Kalman/UKF组合滤波原理的神经网络学习方法,该方法综合了Kalman滤波对线性系统和UKF对非线性系统的最优估计的优势,在保证神经网络权值估计精度的同时,有效降低了神经网络权值学习的计算量,提高了神经网络训练的实时性。最后将该利用方法训练的神经网络应用于惯性导航系统的非线性初始对准过程中,并进行了仿真研究。仿真结果表明利用提出的算法训练的神经网络与基于UKF训练的神经网络具有相同的对准精度和实时性,而提出的算法的有效降低了神经网络训练的计算量,提高了训练的运行效率,是解决惯性导航系统初始对准的一种有效和实用的方法。     

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。     

Super-resolution image reconstruction based on three-step-training neural networks

A new method of super-resolution image reconstruction is proposed, which uses a three-step-training error backpropagation neural network (BPNN) to realize the super-resolution reconstruction (SRR) of satellite image. The method is based on BPNN. First, three groups learning samples with different resolutions are obtained according to image observation model, and then vector mappings are respectively used to those three group learning samples to speed up the convergence of BPNN, at last, three times consecutive training are carried on the BPNN. Training samples used in each step are of higher resolution than those used in the previous steps, so the increasing weights store a great amount of information for SRR, and network performance and generalization ability are improved greatly. Simulation and generalization tests are carried on the well-trained three-step-training NN respectively, and the reconstruction results with higher resolution images verify the effectiveness and validity of this method.     

径向基函数神经网络的遥感图象分类

针对遥感图象分类的特点,提出了一种径向基函数神经网络的遥感图象分类器。实验结果表明,这种径向基函数神经网络分类器经过训练后,可应用于遥感图象的分类。通过与BP经网络分类器相比较,径向基函数神经网络分类器在学习速度和分类精度等方面具有一定的优势。     

基于SOM网络的智能化粒子测速算法

提出了基于自组织映射(self-organized mapping,SOM)神经网络的粒子图像测速算法。该方法使用SOM神经网络对粒子测速技术中运动追踪方法进行了改进,并在匹配过程中根据兴趣区域的粒子密度对粒子追踪算法与粒子相关算法进行了选择处理。经SOM网络改进的测速算法首先利用相关后的结果进行网络构建,然后使用追踪技术对候选匹配点进行筛选。该算法不仅消除了粒子密度与灰度分布的敏感性,而且也降低了相关时对分析窗口尺寸的敏感。最后,使用人工合成的粒子图进行了算法验证及误差分析。结果表明:所提算法在分析精度方面有很大的提高并且具有很强的鲁棒性。     

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。     

基于分形理论和神经网络的红外图像分割算法

针对实现红外图像的分割,快速准确地检测出红外序列中的人造目标的需要,结合分形特征和Ko-honen神经网络的特点,提出了一种基于分形技术的图像分割算法。该算法利用自然背景和人造目标的不同分形特征检测目标,提出了包括分形维数在内的7个红外图像特征,结合神经网络的自组织学习能力来进行图像分割。给出了算法实现的具体步骤。仿真试验结果表明,该算法能有效地实现红外图像的分割。     

Fuzzy neural network image filter based on GA

A new nonlinear image filter using fuzzy neural network based on genetic algorithm is proposed. The learning of network parameters is performed by genetic algorithm with the efficient binary encoding scheme. In the following, fuzzy reasoning embedded in the network aims at restoring noisy pixels without degrading the quality of fine details. It is shown by experiments that the filter is very effective in removing impulse noise and significantly outperforms conventional filters.     

结合Nystrm逼近的图半监督纹理图像分割

针对半监督学习算法在图像分割中的应用,提出了一种基于流形插值的半监督图像分割方法。该方法将分类问题看作一个流形上的函数的插值问题,通过优化某些系数来更好地拟合数据。该算法采用稀疏图可解决大规模矩阵特征值和特征向量的求解。但是,对于图像分割来说,构造稀疏图的运算时间较长,针对这一问题,提出采用Nystrm逼近方法来降低计算复杂度。合成纹理图像分割结果验证了该算法可获得良好的分割质量,结合Nystrm逼近方法在保证分割质量的前提下从很大程度上提高了计算效率。     

基于卷积神经网络的OFDM频谱感知方法

在认知无线电网络中,高效且准确的频谱感知是必不可少的一个环节。针对传统机器学习算法在频谱感知训练慢的难题,提出一种基于卷积神经网络的正交频分复用(orthogonal frequency division multiplexing,OFDM)频谱感知方法,将深度学习在图像处理上的优势应用到OFDM信号频谱感知中。该方法首先分析OFDM信号的循环自相关和频谱感知模型,对循环自相关进行归一化灰度处理,形成循环自相关灰度图;然后以LeNet-5网络为基础设计卷积神经网络分层地对训练数据进行学习,提取出更加抽象的特征;最后将测试数据输入到训练好的卷积神经网络模型,完成频谱感知。仿真实验表明,该方法能够完成OFDM信号的频谱感知,在低信噪比条件下具有较高的检测概率。