UFMC系统基于改进离散粒子群的峰均比抑制算法

针对通用滤波多载波(UFMC)系统中相同相位信号叠加而引起的峰均比(PAPR)过高的问题,提出一种基于改进离散粒子群(IDPSO)的峰均比抑制算法。该算法在离散粒子群(DPSO)算法的基础上,引入一种对控制参数分段线性调整的改进方式,提升了算法的搜索性能。将改进后的离散粒子群算法与部分传输序列(PTS)相结合形成IDPSO-PTS算法,并对每个子块进行加扰。所提算法在规定迭代次数内搜索最佳的相位因子组合,以降低UFMC系统的峰均比。仿真结果表明：IDPSO-PTS算法与原始UFMC相比,PAPR可降低3.5 dB;与DPSO-PTS算法相比,PAPR可降低0.2 dB;存在大量候选相位因子组合时,IDPSO-PTS算法与PTS技术相比可显著降低计算复杂度。     

基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割

针对U-Net网络感受野受限以及信息丢失导致的分割精度低的问题,提出了一种基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割算法.首先,在U-Net网络中引入感受野模块(receptive field block,RFB)来增大网络的感受野,解决了网络由于感受野受限带来的分割精度低的问题.此外在网络中引入有效的通道注意模块(efficient channel attention,ECA)来增加网络对有用特征的响应,抑制网络中的冗余特征.使用BraTS(the brain tumor image segmentation challenge)提供的脑肿瘤MR图像数据对本文算法进行测试,用Dice相似性系数等指标进行评价,结果显示在完整肿瘤、核心肿瘤以及增强肿瘤的Dice值分别可达到0.86、0.86、0.79.与U-Net模型以及其他的网络相比得到了提高.实验结果表明,本文提出的算法能够有效提升脑肿瘤分割的精度,具有良好的分割性能.     

基于生成对抗网络的SAR图像去噪

合成孔径雷达(synthetic aperture radar,SAR)图像是一种能够全天时、全天候产生高分辨率图像的主动式对地观测系统,在农业和军事等方面得到了广泛应用.然而,由于相干成像机制受到相干斑噪声的影响,因此提出了一种基于生成式对抗网络的SAR图像盲去噪算法,构造了基于残差结构的深度卷积神经网络(deep convolutional neural network,DCNN)作为生成网络,可以加速训练过程,提高去噪性能.本文还利用峰值信噪比(peak signal to noise ratio,PSNR)和结构相似指数(structural similarity index measure,SSIM)定义一种新的损失函数,使得去噪后的图像更符合人眼的视觉感知要求.实验结果表明,本文算法可以有效地抑制SAR图像中的相干噪声,获得良好的去噪效果.