基于稀疏表示的小波去噪

小波阈值去噪是信号与图像去噪中的有效方法,然而,该方法采用逐点处理的方式,未用到小波系数的整体结构特性。文中提出一种新的小波去噪方法,采用了新近发展起来的稀疏表示工具,通过在一定条件下最小化非零小波系数的个数对原小波系数进行估计,从而将去噪转化为一个最优化问题.证明了该优化问题的解可以惟一获得,并且该解是干净小波系数的一个无偏估计值。文中提出了一种求解该问题的方法,该方法至少能求得一个局部最优解.实验结果表明此方法对多数实际信号尤其是低信噪比信号是有效的。     

基于奇异值分解的多小波图像去噪方法

给出了一种将多小波变换和奇异值分解相结合的图像去噪方法.该方法通过对含噪图像进行多小波变换,克服了单小波变换中无法同时满足正交性和对称性的缺点.对变换得到的高频系数矩阵进行奇异值分解去噪,提取高频系数中淹没在噪声中的信号成分,然后进行多小波重构,得到去噪图像.仿真结果表明,该方法能有效去除噪声,并获得良好的主观视觉效果.     

脉冲噪声滤波的无监督鲁棒递归最小二乘方法

在未知期望信号的条件下,提出一种能够抑制脉冲噪声的鲁棒递归最小二乘自适应滤波方法.与传统最小二乘法的代价函数不同,通过引入饱和非线性约束,降低可能出现的脉冲噪声对滤波器权值更新的影响.此外,提出一种多步预测器来重构滤波器的输入信号,通过比较判断滤波器输入信号可能受到脉冲噪声干扰时,采用预测值来替代原始观测信号.实验结果表明,提出的无监督鲁棒递归最小二乘自适应滤波方法在未受到脉冲噪声干扰时与传统的递归最小二乘法具有相近的收敛性能;在脉冲噪声条件下,传统递归最小二乘法和其他的无监督自适应滤波方法性能都变得很差,但本文提出的方法几乎未受到脉冲噪声的影响.     

利用AR模型参数和BP神经网络辨识微震信号

利用AR模型参数和BP神经网络,针对矿山微震信号具有频带较宽、谱成分丰富的特性,提出了时不同频率范围的信号和噪声进行滤波处理的方法.利用该方法可将噪声与信号分离以及将不同频段信号分解,从而达到滤波的目的.实验结果表明,利用AR模型参数和BP神经网络能够有效去除微震异常信号的噪声,可应用于微震信号的预处理和微震预测.     

基于脉冲耦合神经网络的椒盐噪声图像滤波

通过对脉冲耦合神经网络(PCNN)工作机理的分析, 指出由其神经元的阈值衰减特性和网络局部链接特性所带来的神经元的点火捕获特性本身就具有很好的对椒盐噪声污染图像的噪声定位作用, 并基于此提出了一种对图像噪声进行定位、仅对噪声像素进行类中值滤波的思想, 实现了图像的强自适应滤波, 并针对随机椒盐噪声和极端椒盐噪声两种不同的噪声情况, 分别给出了相应的滤波器. 经该方法滤波的图像有无任何畸变(对非噪声像素)、模糊小(对噪声像素)的特点, 较传统的基于窗函数滤波的方法(如中值滤波法)有明显的优越性, 实验及与其他方法的比较验证了其良好的滤波性能.     

一种自适应小波网络的构建及其学习算法

基于小波框架的时频局部化性质和自适应投影算法，提出了一个新的构造和训练小波网络的学习算法，精确地刻画了有限维Hilbert空间自适应投影算法的指数收敛性，该算法充分地利用了包含在训练数据中的时频信息，迭代地确定小波网络隐层结点的个数和网络的权系数，较好地解决了小波网络的结构优化问题，通过应用于信号的表示与去噪，进一步证明了该算法是简单和有效的。     

基于模糊神经网络的图像恢复技术

通过分别引入输入与输出空间的合理剖分,定义了一种新的模糊神经网络(FNN), 即选择型FNN, 该系统是一种多层前向网络, 在最大模意义下构成一类函数泛逼近器.基于一组具有实际意义的模糊推理规则, 得出了一个简单实用的推理型FNN. 利用选择型FNN与推理型FNN的有机结合, 得到FNN滤波器, 它不仅结构简单, 易于设计参数学习算法, 而且能同时有效去除图像信号中的脉冲噪声和保持图像结构. 实验结果表明, 与其他滤波器(如:中值滤波, 自适应加权模糊平均(AWFM)滤波等)相比, FNN滤波器在去除各种噪声, 保持图像未污染部分结构等方面性能卓越     

一种基于改进 Surendra背景更新算法的运动目标检测

建立背景模型时,采用动态阈值的方法,以减少噪声和光照强度变化等外界环境的影响;在运动目标检测中,针对传统方法检测到的运动目标偏大的问题,提出一种改进的三帧差分检测方法.在形态学处理过程中,采用自适应方法选择结构元素的大小,对二值图像进行去噪处理,以得到平滑图像.实验证明,改进后的方法与传统背景模型建立方法相比,能更准确地检测到运动目标区域,并实时更新背景模型     

基于小波阀值降噪和BP神经网络的超短期风电功率预测

针对超短期风电功率预测问题，考虑了风电场复杂的噪声背景和风电功率的波动性，提出了一种基于小波阀值降噪-BP神经网络的超短期风电功率预测方法。该方法采用近似对称光滑的紧支撑双正交小波db4（Daubechies函数）作为小波基，通过多分辨分析的Mallat算法对历史时序风电功率数据进行3尺度分解。根据Donoho阀值法对各层小波系数进行软阀值降噪处理，再通过小波逆变换重构历史时序风电功率，由BP神经网络对其进行训练，预测目的风电功率序列。仿真算例将该方法与普通BP神经网络方法进行了对比，比较结果证明其预测精度优于后者，具有很好鲁棒性和降噪性能，适用噪声复杂的风电场超短期风电功率在赣预测．     

一种自适应小波网络的构造及其学习算法

基于小波框架的时频局部化性质和自适应投影算法,提出了一个新的构造和训练小波网络的学习算法,精确地刻画了有限维Hilbert空间自适应投影算法的指数收敛性.该算法充分地利用了包含在训练数据中的时频信息,迭代地确定小波网络隐层结点的个数和网络的权系数,较好地解决了小波网络的结构优化问题. 通过应用于信号的表示与去噪,进一步证实了该算法是简单和有效的.     

TD_LTE移动终端NC系统VAD模块的改进和实现

经过详细研究信号和噪声时频域的不同特性，提出了一种改进的VAD算法。改进前的VAD算法是一种静态的语音停顿周期检测算法，在信噪比很低时，检测性能变差；改进后的VAD算法在信号的全频带，低频带和高频带动态跟踪信号的短时功率包络，多次门限比较后，当出现语音停顿周期时，将做出基于帧的判决。为了验证改进VAD算法在TD_LTE手机NC系统中的应用能力，测试了在不同噪声、不同信噪比情况下的NC系统指标，并与传统NC系统做了比较。经评测，含新VAD算法的改进后NC算法能提高信噪比，并帮助TD_LTE移动终端顺利通过入网测试。     

基于轮廓小波的图像信号去噪算法研究

在非下采样Contourlet变换域中,针对憎水性图像相关特性,分析了图像有用信息与干扰噪声,提出了基于非下采样Contourlet变换复合绝缘子憎水性图像去噪算法,对变换后低频分量中含有光照不均匀成分采用B样条曲面进行近似,得到补偿后低频分量；对多分辨率多方向性带通分量中乘性噪声应用非线性扩散有选择滤波,最后对修正后系数重构.实验结果表明:与同态滤波相比,此算法不仅对憎水性图像光照不均匀部分最佳补偿,而且图像的细节、边缘信息得到有效的保留甚至加强,为后续憎水性图像分析与理解提供了良好的基础.     

改进果蝇优化算法优化广义回归神经网络的预测问题研究

为提高传统非线性预测模型的预测精度,提出一种基于改进果蝇优化算法优化广义回归神经网络的预测方法,将果蝇群体分两部分分别进行迭代寻优,从而改进了果蝇优化算法的寻优性能,进而避免了在寻优过程中陷入局部最优。该方法利用改进果蝇优化算法优化广义回归神经网络的径向基函数扩展参数,然后用训练好的广义回归神经网络预测模型进行预测,最后通过订单预测算例进行实证研究。实证研究结果显示,该方法在解决订单预测问题中与未改进的果蝇优化算法优化广义回归神经网络和传统的广义回归神经网络方法对比,具有更高的预测精度和更好的非线性拟合能力。     

基于改进神经网络的厚煤层采煤方法预测模型

针对厚煤层采煤方法选择多目标非线性的问题,在影响因素分析的基础上,建立了预测仿真模型,利用神经网络改进算法训练网络,通过早停的方式解决网络过拟合问题。通过计算机仿真结合现场应用表明,该模型给出了最优方案,可为厚煤层采煤方法的合理选择和工作面主要经济技术指标的预测提供一种新的研究思路,在煤矿开采中具有广阔的应用前景。     

基于客户满意度的模糊神经网络JSP研究

针对具有不确定性因素的作业车间调度问题，基于模糊数学的思想，把模糊加工时间、间隔期和模糊交货期用梯形模糊数表示，建立了基于客户满意度曲模糊作业车间调模型。运用Hopfleld神经网络算法求解，结合目标函数和JSP的全部约束条件，构建能量函教和JSP换位矩阵，保证了神经网络稳态输出为最优生产调度方案。最后用网络计划图对稳态输出的换位矩阵进行解码得到最优调度甘特图，避免了传统成本树法易出现死锁调度的问题。计算实例验证了本算法的可行性和有效性。     

基于BPNN的电液伺服扭振试验机PID控制算法研究

弹性轴类零件液压伺服扭转振动试验概在实验过程中，由于系统非线性及负载变化或干扰因素的影响，其控制系统参数及数学模型易发生改变，导致控制效果变差。针对该试验机的控制系统，提出了基于BP神经网络（BPNN）的PID自适应控制算法。利用MATLAB／Simulink工具箱对该算法进行仿真实验。结果表明：结合了神经网络特点的智能PID控制器具有响应快、精度高、鲁棒性好和抗干扰能力强等优点，改善了控制系统的动态性能。     

基于STDP规则和忆阻桥突触的神经网络及图像处理

忆阻器是具有记忆和类突触特性的非线性电路元件.基于此特性,文中提出了一个基于STDP（spike-time-dependent plasticity）学习规则的忆阻桥突触电路,它具有可以作为人工神经网络突触的优势.根据此优势,将这个新的电路与其他电路和网络结合,构成全新的电路和网络.首先将该忆阻桥突触电路和3个附加的晶体管结合在一起,实现神经网络的突触运算,并构建完整的忆阻桥突触神经网络.然后再将它与细胞神经网络结合用于图像去噪、边缘提取、角检测和汉字识别.最后,通过一系列的仿真实验证实了该方案的可行性,说明基于STDP学习规则的忆阻桥突触神经网络更具仿生特性,而且集成度更高、模板更易更换,有望解决实时的复杂的智能问题.     

基于反馈机制的抗混合噪声的盲图像源分离方案

针对基于稀疏成分分析的盲图像源分离算法无法解决混合噪声问题,本文提出一种采用反馈机制的盲源分离算法.通过小波域稀疏成分分析和置零反馈的方法,逐次分离出各支路信号.实验结果表明,该方法无需大量的迭代运算,与传统稀疏成分分析法相比,能有效地分离高斯白噪声参与的混合图像,与经典快速独立成分分析法相比,取得了更高的分离精度.