结合卷积码技术的优化水印体制的实验分析

提出了一种结合卷积码技术的DCT域数字图像水印体制，并给出详细的分析结果。实验表明，选择合适的卷积码运用于水印体制能缓解水印体制的隐藏容量与鲁棒性之间的矛盾，并能抵抗大多数恶意攻击。     

基于纠错编码的回声隐藏音频水印算法

数字音频水印应用于版权保护、数字指纹、隐藏标识、保密通信等。水印误码率和归一化相关系数是衡量音频水印系统鲁棒性最重要的两个技术指标。实现方法之一的回声隐藏算法主要采用的汉明编码能有效降低水印误码率。但由于汉明码属于分组码且纠错位数只有一位,水印误码率仍然较高且对各种攻击的鲁棒性不够好。提出一种基于卷积编码的回声隐藏算法,将卷积编解码思想应用于回声隐藏算法中,利用卷积码的纠错能力降低水印误码率。结果表明:该算法较基于汉明编码的回声隐藏算法和传统回声隐藏算法降低了水印误码率,增强了音频水印系统对各种攻击的鲁棒性。     

基于包交叉分组间隔质心双盲流水印技术

针对基于数据包间隔时间流水印技术中存在的同步机制弱、且缺乏可靠自纠错方法的问题,提出基于包间隔时间交叉分组的流水印技术.本方法通过将传输时间影响分散化,抵抗数据包在传输中遭遇的抖动干扰问题;通过约束数据包的传输时间满足网络中常规数据包的传输时间分布,提高水印的抗检测性;通过利用卷积码将水印序列进行扩展后再传输,实现流水印的有限自纠错;通过基于滑窗的算法动态判定数据包分组边界,实现流水印的盲追踪、并可抵御数据包在传输过程中可能出现的丢失或合并影响.理论分析与实验数据均表明:本方法可在较高阈值范围情况下准确检测出水印的存在性,抵御一般性的第三方试探性检测,具有较强的鲁棒性与隐蔽性.     

新型卷积码编码器结构与性能分析

综合了LDPC和卷积码的特征,给出了一种卷积码编码器结构的改进方法. 利用此方法可构造稀疏卷积码,进一步基于卷积码编码结构可实现高性能译码. 设计了基于MIMO系统平台的时变新型卷积码结构,并进行仿真分析. 结果表明,应用本文提出的卷积码编码器误码率在10-4时比传统卷积码编码器有2 dB的编码增益提高;同时提出的编码器结构还可实现传统卷积码无法实现的长约束并行编码,具有实现简单、译码延时小的优势.      

基于SPW的编织卷积码的仿真实现

SPW是一个先进的通信系统建模、仿真工具,它具有非常灵活的自定义模块能力.编织卷积码是一种高效的纠错编码,具有比Turbo码更强的纠错能力.在介绍了编织卷积码原理的基础上,将编织卷积码封装为自定义模块,并在SPW环境中对编织卷积码在AWGN信道下的性能进行了仿真,仿真结果表明编织卷积码的性能与系统帧长、编码器个数有较大的关系.     

RS码及卷积码在PDS水声通信体制中的应用

Pattern时延差编码(PDS：Pattern time Delay Shift coding)水声通信体制能有效地抑制水声通信中多途扩展引起的信号波形畸变对通信性能的影响,而RS码具有与PDS通信体制结合的先天优越性。为进一步降低水声通信系统的误比特率,提出将RS码与PDS通信体制结合,并对RS码在PDS水声通信体制中的性能进行研究。对挑选的RS码与常用的卷积码在PDS通信体制中的性能进行了仿真对比。结果表明,RS码在PDS通信体制中的性能远优于卷积码,对系统性能有明显提高。     

基于编织码(woven code)的IBOC信道编码方案

IBOC标准采用删除卷积码(CPPC)作为其纠错码,本文提供了一种更先进的编码方式-编织码(wpvem cpde)作为删除卷积码的理想替代.编织码将卷积码按照特殊的"编织"形式组织起来,成为另一种能够接近Shannon界限的好码.本文在IBOC DAB系统中对编织码进行仿真,得出较删除卷积码更好的纠错性能.     

卷积码的一种代数描述

模仿线性分组码,从简单的(n,1,m)卷积码生成矩阵入手,引入(n,k,m)卷积码的生成矩阵.     

基于AWGN多次迭代的Turbo码与卷积码性能比较

分析了卷积码及由其发展出的Turbo码的编码原理,给出了这2种编码方法的结构特征和最大后验概率(MAP)的译码算法;分别对卷积码和Turbo码进行仿真,得到在码长1024尽可能多的迭代次数情况下的Turbo码误码率(BER)曲线和采用维特比译码方法的卷积码误码率曲线.通过比较2种编码方法的仿真结果验证了Turbo码编码和译码系统的性能比传统的卷积码系统性能优异的结论,提出并描述了尽可能多次迭代的Turbo码对卷积码在性能上的具体优势.     

非对称数字水印在商业模型中的应用

针对传统对称水印的不足,人们借用公钥密码体制思想,提出了非对称数字水印方案.但是大部分方案的侧重点集中在交易前数字产品版权保护问题上,并未涉及交易后的盗版跟踪及合法用户权益保护问题.提出一种相对完整的商业模型中非对称水印的实施方案,该方案可有效证明版权归属、跟踪盗版用户;方便用户浏览水印信息,识别产品真伪,避免商家的恶意诬陷;确保了商家、用户双方的合法权益.     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

TD-SCDMA系统中维特比译码器的硬件实现

TD-SCDMA系统中采用约束长度为9的卷积编码作为信道编码方案之一，维特比译码器是一种人们广泛采用的卷积编码的解码器；通过分析卷积编码及维特比译码的过程，介绍了一种适合TD—SCDMA系统中软判决维特比译码器实现的硬件结构，此结构也适用于WCDMA等无线通信系统的维特比译码器的设计。     

一种新型分组卷积码

针对固定长度报文的差错控制,设计了一种新型分组卷积码,它结合了分组码和卷积码的优点,具有高传输效率、低时延及高可靠性的特点。介绍了分组卷积码的基本思想,给出了分组卷积码的生成矩阵和校验矩阵,并通过编译码例子展示了分组卷积码的整个编码和译码过程;对传输效率及误码率性能进行了分析;通过计算机仿真,比较了分组卷积码和传统卷积码的误比特率。结果表明:与传统卷积码相比,分组卷积码具有更高的传输效率,而误比特率基本相同。     

基于FPGA的卷积神经网络加速系统

以在现场可编程门阵列(FPGA)上部署卷积神经网络为背景,提出了卷积神经网络在硬件上进行并行加速的方案.主要是通过分析卷积神经网络的结构特点,对数据的存储、读取、搬移以流水式的方式进行,对卷积神经网络中的每一层内的卷积运算单元进行展开,加速乘加操作. 基于FPGA特有的并行化结构和流水线的处理方式可以很好地提升运算效率,从对ciafr-10数据集的物体分类结果看,在不损失正确率的前提下,当时钟工作在800 MHz时,相较于中端的Intel处理器,可实现4倍左右的加速.卷积神经网络通过循环展开并行处理以及多级流水线的处理方式,可以加速卷积神经网络的前向传播,适合于实际工程任务中的需要.     

基于稠密连接和非局部运算的烟雾识别方法

烟雾图像检测已经成为早期火灾预警的主要技术手段之一,为了提升烟雾识别准确率和运算效率,提出基于稠密连接和非局部运算的深度卷积神经网络用于烟雾识别。首先,设计深度网络中卷积层间的稠密连接机制,构建稠密基本块,增强信息流通和特征重利用,同时也减少模型参数量。然后,为了进一步考虑烟雾图像的全局信息,将非局部运算与稠密基本块中的卷积运算相结合,构建稠密和非局部基本卷积块。最后,利用已经构建的若干个稠密和非局部基本卷积块搭建用于烟雾识别的深度卷积神经网络。在已经公开的烟雾图像数据库上进行性能评估,实验结果表明,提出的基于稠密连接和非局部运算的烟雾识别方法以不到1M的模型参数量取得了更令人满意的性能。     

双通道多感知卷积神经网络图像超分辨率重建

基于深度卷积神经网络的单幅图像超分辨率重建取得了显著研究成果.但随着深度卷积神经网络规模的不断扩大,如何降低网络构建难度和计算成本成为一个难点.为此,提出了一种双通道多感知卷积神经网络(DMCN)模型.该模型在两条具有不同卷积核的通道上建立了稠密连接,并构建了带有动态调节能力的层间融合结构.这种结构的设计使得小规模卷积神经网络便能获得图片特征信息的全面感知能力.实验结果表明,DMCN重建效果优于目前多数具有代表性的重建算法.     

删除卷积码与MPSK调制

格型编码调制ＴＣＭ把卷积编码和ＰＳＫ或ＱＡＭ调制相结合，在功率有限和带宽有限的信道中能够获得较大的编码增益，中提出了一种将删除型卷积码和ＭＰＳＫ调制结合的方法，使译码的复杂度降低，并在计算机上对具有最大欧几里德距离，信息率ｒ为２／３的删除只编码调制的好码进行了搜索。     

基于改进卷积神经网络与动态衰减学习率的环境声音识别算法

环境声音识别在音频检索、监控方面有着广泛的应用,是听觉识别任务中的一个热门研究领域。但由于其声音信号的复杂多变,使得该任务在识别率提升方面依然面临许多挑战。针对这一问题本文提出了基于改进卷积神经网络的环境识别模型（S-CNN）,该模型采用反复堆叠的递减型卷积核提取不同尺度的局部特征,并在每层卷积层后采用Batch Normalization（BN）层对特征进行归一化操作。同时,利用动态衰减的学习率训练模型,以提高模型收敛速度与收敛稳定性。实验结果表明,相比于传统的机器学习与卷积神经网络模型,本文所设计的改进卷积神经网络模型S-CNN具有更好的识别率。在ESC-10环境声音数据库上,识别精度达到91.3%。     

基于卷积神经网络的图像分类研究进展

基于卷积神经网络的图像分类算法的优势是传统方法无法比拟的。卷积神经网络利用其设计好的网络结构和权值共享的特点,能够从数量庞大的训练数据中学习图像底层到高级语义的抽象特征,而且端到端的学习省去了在每一个独立学习任务执行之前所做的数据标注。多年来,卷积神经网络经过科研人员的探索和尝试,从最开始的多层神经网络模型,演变出多种优化结构,性能不断提高。本文介绍了基于卷积神经网络图像分类算法的研究进展,叙述了卷积神经网络在图像分类中的经典模型和近年来的改进方法,并对各个模型进行分析,展示各种方法在ImageNet公共数据集上的性能表现,最后对基于卷积神经网络的图像分类算法的研究进行总结和展望。