一类二阶强迫非线性微分方程的振动性

利用广义变分原理和Riccati变换建立了带有阻尼项的二阶强迫非线性微分方程(r(t)Ψ(y(t))︱y′(t)︱α-1 y′(t))′+p(t)Ψ(y(t))︱y′(t)︱α-1 y′(t)+q(t)f(y(t))=e(t)的振动准则,并改进和推广了已有的研究成果.     

基于分数阶傅里叶变换的量化噪声抑制方法

针对A/D转换器在采样和量化过程中产生的量化噪声问题,提出一种基于分数阶傅里叶变换的量化噪声抑制方法.利用经典量化器的统计特性,分析出量化噪声在分数阶傅里叶域具有白噪声特性,利用过采样和分数阶傅里叶域数字滤波方法对输入信号的量化噪声进行抑制,提高信号质量.理论推导和仿真结果表明,该方法能够有效抑制量化噪声,提高A/D转换器的输出信噪比,而且针对线性调频等信号的量化噪声抑制效果优于传统傅里叶域的方法.      

Hill加密算法的改进

为防止通信过程中信息泄露,确保网络信息传输安全,常对信息进行加密.基于国内外加密技术存在完善空间,运用矩阵及其张量积的技巧,对Hill加密算法进行了改进,并进一步研究基于张量积合成加密矩阵的构造问题,提出了Hill加密算法的2个改进方案,并运用实例进行了加密实践,使之具有数字签名功能,提高了信息在传输过程中的完整性与安全性.     

高光谱图像预处理方法研究及进展

高光谱图像预处理方法在高光谱图像处理中具有重要意义,有效的预处理方法可以尽可能地减少甚至消除无关信息(如样品背景、电噪音和杂散光等)对高光谱图像的影响,为后续基于高光谱图像的数据分析提供更为可靠的数据来源.基于高光谱图像谱图合一的数据结构特点,该文综述了直方图均衡化,中值滤波,边缘检测等图像预处理方法以及平滑,导数,标准归一化,多元散射校正等光谱预处理方法,并给出了这些方法的应用实例.该文还详细介绍了傅立叶变换和小波变换这两种基于数据压缩和信息提取的光谱预处理方法.这些新方法的研究为后续的数据分析奠定了良好的基础.     

一种单输入CMAC策略在机械手逆模控制中的应用

小脑模型关节控制器(CMAC)是一种结构简单、学习速度快的局部神经网络,适合于实时控制。但对于某些高维输入系统来说,CMAC需要大量的存储空间,实际应用性能下降。文章结合传统PID反馈控制与神经网络逆模控制的特点,利用CMAC网络对机械手进行逆模控制;针对网络所需输入量较多的问题,提出了一种单输入CMAC网络的逆模控制策略,并将提出的控制策略应用于2自由度机械手的轨迹控制;引入测量变量使网络输入由二维转换为一维,减少了神经网络所需存储空间,提高了学习速度。仿真实验结果表明,所提出的控制策略克服了机械手非线性和不确定性的影响,是可行的。     

基于UDCT的改进双变量模型图像去噪

文章通过对均匀离散曲波变换(UDCT)域中小波系数统计特性的研究,针对传统双变量模型未考虑空间聚集性的不足,提出了一种新的双变量模型去噪算法。首先在双变量模型的基础上采用了蒙特卡洛方法估计各子带的噪声方差;然后引入邻域模型,通过调整邻域窗的大小估计相应窗口内小波系数的度量方差,得到初始化图像;最后以初始化图像和原噪声图像为先验信息,推导出改进的双变量模型来处理原噪声图像,且以对称K-L散度和最大迭代次数为收敛条件,得到最终去噪图像。实验结果证明了该算法的有效性。     

基于卡通纹理分解和NSCT的卫星云图边缘提取

为方便提取云图的缓变边缘,提出了基于卡通纹理分解和无下采样轮廓波变换(NSCT)的卫星云图边缘特征提取算法。首先使用基于张量扩散的卡通纹理分解对卫星云图进行预处理,减小云图中噪声和纹理的影响,将云的缓变边缘转化为阶跃边缘;然后依据NSCT域中高频系数的正负关系和相关性进行边缘特征提取。通过实验,将文中算法分别与基于投影卡通纹理分解的预处理算法、小波多尺度积、NSCT模极大值和NSCT多尺度积等边缘特征提取算法进行比较。结果表明,本算法可更准确地提取云的边缘,且受噪声和纹理的影响小,边缘的连续性更好,为准确地进行云分类提供了保障。     

小波变换在模拟滤波器选型问题中的应用

傅里叶变换基的固有缺陷导致传统滤波器选型分析方法在实际应用场合中经常不能有效地选择出最优滤波器。小波分析方法可以实现从多种不同滤波器中选择出阻带信号抑制最强,通带内波纹最小的滤波器。针对一型微弱信号检测装置,确定出两型较优的滤波器,利用小波伪频率确定小波分解所需分解层数,根据小波分解重构算法对滤波器输出信号的高频细节进行分析研究。仿真结果与模拟电路实验表明,与快速傅立叶变换的分析方法相比,小波分析可以提供清晰的对比分析结果,得到了在不同频率范围内,不同滤波器作用之后的差异明显的滤波效果,最终选择出滤波效果最佳的模拟滤波器。     

叶绿素含量BP反演模型的光谱信息输入因子构建研究

植被叶绿素含量的高光谱反演是当今研究的热点,传统后向传播(BP)神经网络是其常用的一种反演模型。高光谱数据虽然具有精细光谱分辨率,但也造成了大量的信息冗余与噪声;而小波包变换(WPT)可以有效地抑制高光谱数据噪声和压缩信号,同时主成分分析(PCA)能够很好地降低模型输入因子的维数并可简化网络结构。以盆栽玉米为研究对象,在玉米叶片光谱数据对数变换并一阶微分处理的基础上,针对叶绿素含量的BP反演模型,提出了基于相关系数(CC)、WPT和WPTPCA的输入因子构建方法,并形成了叶绿素含量的CC-BP、PCA-BP及WPT-PCA-BP三种反演模型。通过比较玉米叶片叶绿素含量的实测值与三种BP模型反演结果,表明基于WPT-PCA构建BP模型的输入因子数量虽仅有6个却并不影响其反演精度,也能包含原始光谱的92%信息,且优于基于PCA和传统CC所构建输入因子的BP模型反演能力。     

基于曲波变换的地震数据压缩感知重构算法

为提高地震数据压缩感知重构的信噪比和保真度, 提出一种基于曲波变换的地震数据压缩感知重构算法。建立了地震数据压缩感知重构模型, 分析了基于曲波变换稀疏表示的地震数据各尺度之间能量与熵的分布特性, 结合分块压缩感知技术降低随机观测的计算复杂度, 利用曲波变换稀疏表示高频区域各尺度之间的相关性, 设计了随信息熵变化的自适应双变量收缩阈值迭代重构的方法。实验结果表明, 在相同的采样率下,该算法重构的地震数据峰值信噪比提高了1. 5 dB 以上, 并且具有良好的细节信息保持能力。