基于改进小波降噪的MEMS间接粗对准方法研究

当前MEMS惯性传感器陀螺仪精度较低导致输出信噪比较小,使得MEMS捷联惯导系统初始对准时误差较大,初始偏移明显,影响后续的解算精度,定位信息不准确.为此提出了一种利用改进阈值函数的小波对原始数据降噪处理后再采用磁强计辅助的MEMS间接粗对准的方法,通过引入调节系数使阈值函数同时具备软阈值和硬阈值两种特性,使得改进后的小波函数在远离阈值处有明显的边缘特性,而在靠近阈值的地方具有较好的连续性,避免信号重构时产生突变,有效减少了使用单一软阈值或硬阈值的局限性.为了避免陀螺仪精度对初始对准结果的影响而采用磁强计辅助对准,利用小波阈值降噪来对加速度计与磁强计的原始数据进行降噪处理后再进行姿态解算,提高了初始对准精度.     

一种RCS近场测量中天线方向图补偿方法

提出了一种近场单站RCS测量中补偿天线方向图效应的方法.基于多散射中心模型给出了考虑天线方向图效应的近场单站RCS回波模型,利用该模型改进了近远场变换算法,克服了传统近场变换算法要求全方向天线的限制.仿真与实验结果表明,近场外推结果与远场测量值很吻合,主瓣及第一、二副瓣误差基本得到了校正;有效消除了天线方向图效应,提高了近远场变换测量的准确性.      

偏微分方程解的一种新求法

求非线性偏微分方程的精确解是非常重要的.为了获得它的精确解研究人员做了大量的工作.本文获得了Burgers方程和Boussinesq方程组的全新的精确解.具体的方法如下:首先对方程进行行波变换得到新方程,之后给定它的拟解,将拟解代入新方程,而得到一个方程组,借助计算机代数系统Mathematica解此方程组,以确定拟解,即为全新的精确解.这种方法求得Burgers方程和Boussinesq方程组的精确解,包含了某些文献的结果,也修正了某些文献的结论.这种方法可以求一系列的偏微分方程的精确解.     

非线性分数阶Fredholm积分微分方程的B样条小波配置法

研究了分数阶非线性Fredholm积分微分方程,B样条小波分数阶积分算子矩阵将积分微分方程离散为代数方程组,数值算例验证了此方法的可行性和有效性.     

一种改进的主成分分析特征抽取算法:YJ-MICPCA

针对主成分分析(PCA)假设数据服从高斯分布的条件以及只能处理特征之间线性关系的不足,提出一种基于Yeo-Johnson变换和最大信息系数(MIC)的PCA特征抽取算法,命名为YJ-MICPCA。通过YeoJohnson变换改善原始数据分布,使其近似服从高斯分布,并将PCA中计算协方差矩阵转化为计算MIC矩阵的平方,使其也能处理特征间存在的非线性关系。以UCI机器学习数据库中的11个数据集为实验对象,采用支持向量机、朴素贝叶斯模型、k近邻算法这3种分类器,比较了YJ-MICPCA与PCA及其他常用非线性降维方法LLE、Isomap、MSD、KPCA的降维效果和分类精度,结果表明YJ-MICPCA总体上优于其他几种算法。     

基于分数阶变换的彩色图像自适应重构水印算法

首先, 采用分数阶Fourier变换算法, 对彩色图像进行分数阶频域变换, 分析图像的频域信息, 筛选出适合嵌入水印的系数, 作为水印的嵌入位置; 其次, 定义频域系数的隐蔽特性, 并对隐蔽特性进行分级, 使水印嵌入系数达到最优; 最后, 对二值化水印图像分块做提升小波变换和压缩感知测量, 将测量结果作为水印信息嵌入到载体图像中, 解决了当前多数水印算法嵌入信息冗余度高, 含水印图像抗攻击能力不足的问题. 实验结果表明, 该算法在抵抗几何攻击、 噪声干扰等方面性能良好, 显著降低了水印信息冗余度, 提高了嵌入的效率和水印信息安全性, 增加了水印算法的可靠性.     

基于二维离散小波的生成图像鉴别方法

针对传统基于神经网络的计算机生成图像鉴别方法中存在鉴别难度大和准确率低的问题, 提出一种采用基于小波变换的计算机生成图像鉴别方法. 首先在进行图像多维小波特征提取时, 通过一次分解二维离散小波变换提取图像小波特征, 根据图像小波特征进行n级小波分解提取图像多维小波特征向量; 然后通过三维变换域波去噪算法（BM3D）提取计算机生成图像噪声特征; 最后采用支持向量机(SVM)分类器对计算机生成图像进行鉴别, 通过SVM分类器对图像多维小波特征和噪声特征进行分类, 以解决两种特征融合形成线性不可分的高维特征问题, 从而实现计算机生成图像的准确鉴别. 实验结果表明, 该方法在鉴别计算机生成图像时具有更高的准确性和稳定性.     

基于FFT的互感式电流信号检测装置的设计

为解决对电路中电流信号的实时监测及谐波分析问题,利用传感器技术设计出一套高精度基于FFT( Fast Fourier Transform) 的互感式电流信号检测装置。该装置可对环路电流信号进行非接触式测量,硬件电路包括互感式电流传感器和检波电路,软件部分以STM32 为主控制器,对信号进行傅立叶变换得到频率和幅度信息。这种以微处理器为核心的测量装置可以实现测量自动化和功能多样化,在工业领域具有一定的应用价值。经实验检测,该系统的频率分辨率可达到1 Hz,幅度分辨率可达到0． 5 mA,测量电流信号频率误差小于2% ,幅度误差小于5%。     

Shearlet域深度残差CNN用于沙漠地震信号去噪

由于沙漠地震信号中含有较强的随机噪声,从而给沙漠地震数据的处理和解释带来了很大的困难。针对上述问题,提出了一种基于Shearlet 变换的深度残差卷积神经网络( ST-CNN: Deep Ｒesidual Convolutional NeuralNetwork for Shearlet Transform) 模型,实现沙漠地震信号的随机噪声压制。在训练阶段,将沙漠地震信号经Shearlet 分解后的系数作为输入,将随机噪声经Shearlet 分解后的系数作为标签,通过卷积神经网络( CNN: Convolutional Neural Network) 学习输入和标签之间的映射关系; 在测试阶段,利用此映射关系即可从沙漠地震信号系数中预测出噪声系数,并间接地获得有效信号系数,最后通过Shearlet 反变换获得有效信号。通过与传统的Shearlet 硬阈值去噪算法对比,发现该算法可把沙漠地震信号的信噪比从－ 4． 48 dB 提高到14． 15 dB,具有更好的去噪效果。