一种用循环卷积实现的素长度DCT新快速算法

提出了一种利用循环卷积（Cyclic convolution)和扭循环卷积（Skew cyclic convolution)实现的计算奇素长度离散余弦变换（DCT）快速新算法,算法将DCT系数分成三部分：DC分量,偶下标分量和奇下标分量,根据数论理论,定义了一种新的下标变换算子,利用该算子被转化为循环卷积或扭循环积,由于循环卷积和扭循环卷积具有非常高的效率和规则,因此,本算法具有简单,规则的结构和较纸的运算复杂性。     

用多项式变换计算二维卷积的简化步序

本文把用多项式变换计算二维循环卷积的算法简化为三个具体步序,并把这种算法与直接算法的运算次数及在Apple-Ⅱ计算机上的实际运算时间分别作了比较。比较结果表明,该算法确实可以提高运算效率,并且,二维卷积的大小越大,其效果越明显。     

提取深度图象尖顶边缘的一种新方法

提出了一种以基本数学形态学运算为基础的在深度图象中提取尖顶边缘的方法．首先用形态梯度算子处理深度图象，使尖顶边缘包含在图象的凹谷中．然后用形态凹谷检测算子将凹谷检测出来，并在尖顶边缘处形成凸峰．计算凸峰的局部极点，从而得到对应的尖顶边缘点的位置．用实际的深度图象进行了实验，结果证明这种方法快速有效，并且具有良好的抗噪声性能。     

结合算子选择的卷积神经网络显存优化算法

针对卷积神经网络训练中自动算子选择算法在较大的显存压力下性能下降的问题,将卸载、重计算与卷积算子选择统一建模,提出一种智能算子选择算法。该算法权衡卸载和重计算引入的时间开销与更快的卷积算子节省的时间,寻找卸载、重计算和卷积算子选择的调度,解决了自动算子选择算法性能下降的问题.实验结果表明,该智能算子选择算法比重计算-自动算子选择算法缩短了13.53%训练时间,比已有的卸载/重计算-自动算子选择算法缩短了4.36%的训练时间.     

B样条函数与图象边缘检测

介绍了一种基于Ｂ样条函数的边缘检测算子,该算法是利用Ｂ样条函数对原始图象进行拟合,然后求拟合曲面的一阶导数的模极大值或二阶导数的零交叉点来检测图象的边缘。在本文中作者根据Ｂ样条函数的局部性质给出了其平滑,一阶,二阶导数的具体卷积模板,使得该算法简洁,便于实时处理。     

快速小波变换，循环卷积和数论变换

证明了二维Ｍａｌｌａｔ分解算法可通过二维循环卷积来计算，从而快速计算循环卷积的方法，如快速论变换，ＦＦＴ等，均可用来实现二维Ｍａｌｌａｔ分解算法。这也就提供了快速小波变换的一个新算法。作者分别比较了直接用二维Ｍａｌｌａｔ分解算法和ＦＮＴＴ实现二维Ｍａｌｌａｔ分解算法 法和加法运算的次数，分析表明，在通常情况下，亲 法的中法次数均会少一些，并在微ＰＣ／５８６上用ＦＮＴＴ通过二维Ｍａｌａｔ分解法对一个     

离散卷积的算法分析及MATLAB实现

离散卷积是信号处理的基本运算,快速卷积和分段卷积是计算离散卷积的重要算法.文章以离散线性卷积的概念为基础,介绍了计算卷积的常用方法和运算流程,列举了MATLAB实现的程序.这些程序能动态演示卷积运算的全部过程,既可帮助理解卷积运算的原理流程,也可作为教学讲解的演示工具.     

基于灰度直方图的快速K—MEAN图象分割算法

K-MEAN图象分割算法本质上是一种迭代运算,分割结果虽不受初始类中心的影响,但分割处理速度明显依赖于初始类中心的选择.对此,本文根据K-MEAN图象分割算法的原理,提出了基于灰度直方图的快速K-MEAN图象分割算法,该算法直接在灰度直方图上进行迭代运算,不仅减少了数据处理量,且无需人工确定初始类中心,图象分割只需简单的门限判别.理论分析和实验结果证实了该算法能明显加快迭代过程和提高处理速度.     

信号与系统中卷积计算方法探讨

卷积方法在信号与系统理论中占有重要地位,随着理论研究的深入和计算机技术的发展,卷积方法得到了更广泛的应用。然而要全面准确地计算卷积并不容易,本文阐述了卷积计算的几种方法,分析了各自的特点。利用卷积的定义可以解决比较简单的函数卷积问题,图解法则适用于求分段函数的卷积。如果参与卷积运算的函数含冲激函数或它的导数和积分,那么用算子法并结合卷积的基本特性计算则较方便。对于离散信号,用竖式乘法和图表法则有独到之处。     

利用拉普拉斯-高斯模板进行边缘检测

边缘检测在视觉系统中是十分重要的，本文采用了一种新的检测方法，即利用图象与拉普拉斯－高斯（ＬＯＧ）算子卷积的过零现象来检测图象的边缘点。     

子群卷积及其快速算法

本文介绍了长度N=P~M-1为麦森素数的子群卷积的基本原理和应用中国余数定理对这种子群卷积进行排序的算法及步骤。改进了这种排序方法,提出了计算简单的快速排序法,并提出了用于群卷积计算DFT的混合嵌套快速算法。     

基于Vector Fitting的金属薄壳电磁脉冲屏蔽效能的计算

金属薄壳电磁脉冲屏蔽效能的计算是电磁兼容研究的基础。为评估金属薄壳电磁脉冲瞬态屏蔽效能,该文提出了一种任意波形激励情况下金属薄壳电磁脉冲时域响应的快速计算方法。该方法将金属薄壳频域屏蔽效能转移函数拟合为有理函数,根据拉氏逆变换性质,得到金属薄壳脉冲时域响应指数叠加的形式,从而采用递归卷积计算任意波形激励时金属薄壳的暂态屏蔽效能。该方法直接在时域内计算,避免了基于FFT(FastFourierTransformation)算法的时域频域转换;同时,采用递归卷积分格式,极大地提高了计算效率。通过与近似公式比较,证明了该方法比近似公式更为准确,计算速度更快。     

TD-LTE系统中PSS频域快速同步算法

符号定时同步作为TD-LTE(Time Division-Long Term Evolution)系统重要的部分,应该具有很好的抗频偏性和高效性。本文在已有的PSS(Primary Synchronous Signal)定时同步算法的基础上,结合主同步信号自身的良好互相关性,给出了一种具有更低时间复杂度和高抗频偏性能的PSS定时同步算法。基于快速卷积与重叠相加法的频域快速同步方法,结合预频偏处理,进行符号定时同步与粗频偏的联合估计。理论分析表明,该方案减小了PSS定时同步的计算量,从而降低了算法的时间复杂度。仿真结果显示,该方案在很好的提高了同步算法的抗频偏性能。本文算法具有高效性、鲁棒性和可行性,能够满足LTE系统对同步性能的要求。     

快速小波变换与卷积型积分算子

主要讨论了建立在二维Mallat算法基础上的快速小波变换。对于卷积型积分算子，可将运算量由原来的O（N^2）减少至0（N）。     

一种基于深度学习的快速DGA域名分类算法

提出了一种基于深度学习的CNN-LSTM-Concat快速DGA域名分类算法,使用多层一维卷积网络对域名字符进行序列化处理,LSTM网络层用于强化获取字符间长距离依赖关系。通过将LSTM的多序列输入转化为单向量输入,在保证检测性能的前提下,能够大幅提高训练和检测速度。实验证明,我们的方法对DGA域名分类的准率在公开数据集上达到98.32%。同时,在准确率相比主流的LSTM方法更高的情况下,检测时间比LSTM方法快6.41倍。     

MT资料反演的一种实数编码混合遗传算法

设计了一种求解一维大地电磁测深反演问题的实数编码混合遗传算法,它是通过单纯形搜索与遗传算法结合而成。针对传统的遗传算法在优化应用中存在局部搜索能力弱、计算量大、对较大空间适应能力弱和早熟收敛,而基于局部线性化的单纯形法易使解陷入局部极小值,严重依赖初始模型的选择等问题,在遗传算法中加入一个改进的单纯形搜索算子,并采用最优群体保留策略。该新算法既具有遗传算法的全局收敛性,又具有单纯形法的快速收敛性。对各种类型的大地电磁测深理论曲线进行计算,结果表明:采用实数编码混合遗传算法进行反演具有收敛速度快、解的精度高和避免出现早熟等优点,可用于大地电磁资料解释。     

基于Fourier变换离散化的连续小波变换频域算法

对于固定的尺度,小波变换是待分析信号与小波基函数的线性卷积。当小波基函数的Fourier变换有显式表达式时,利用其Fourier变换进行线性卷积称为小波变换的频域计算方法。由于线性卷积的长度大于信号的长度,因此,选取线性卷积中的哪一部分作为小波变换的系数也是一个亟需回答的问题。本文利用Fourier变换的离散化和离散Fourier变换的关系由小波变换时域算法推导了小波变换频域算法,证明了时域算法与频域算法的等价性;解释了这两种方法分别应该选取线性卷积中的哪一部分作为小波变换的系数;分析了频域算法产生边界效应的原因;给出了频域算法中参数的选取方法,以便克服边界效应。时间复杂度分析以及数值实验均表明了频域算法至少比时域算法减少了1/3的运行时间。     

“数字信号处理”课程中的卷积运算教学研究

卷积的定义及其计算是数字信号处理课程中的重点也是难点,从三个方面阐述了卷积的相关知识。首先介绍了数字信号处理课程中三种卷积的定义及其相互间的联系和区别;然后分析可卷积的图解法基本步骤,并进一步引入了卷积的快速算法——竖式乘法及起点判断方法;最后总结了两信号在时域的3种卷积与三种变换域的乘积对应关系。卷积相关知识的归纳,尤其是卷积的快速算法对于学生的卷积计算有很好的帮助作用。     

一种新的快速通用二维图像亚像素边缘检测算法

总结了目前二维灰度图像的亚像素边缘检测算法,针对它们存在的原理误差、计算复杂、用时长及不能通用等问题,提出了一种新的亚像素边缘检测算法.分析了3种基本边缘(阶跃型边缘、脉冲型边缘、屋脊型边缘)的特点,利用一维质心算法对这3种边缘特征计算上的通用性及简易性进行了二维推广,得到了一种具有快速通用性的亚像素边缘检测算法.并在此基础上针对提高离散化过程中的精度问题,引入了高斯卷积平滑的预处理方法;引入了Sobel算法对图像像素进行了筛选,进一步提高了计算速度.通过实验验证了此算法的有效性,并分析了误差产生的原因.     

基于级联卷积神经网络的人脸特征点识别算法实现

针对在有冗余图像信息干扰下进行人脸有效特征点提取时精度不高的问题,提出了基于级联卷积神经网络的人脸特征点检测算法.在该算法中:输入层读入规则化的原始图像,神经元提取图像的局部特征;池化层进行局部平均和降采样操作,对卷积结果降低维度;卷积层和池化层分布连接,迭代训练,输出特征点检测结果.该算法采用Python语言编程实现,在人脸数据集进行仿真实验,结果表明该算法对人脸特征点有较高的识别率.