H.264中亚像素运动估计算法的优化

通过对H.264参考模型JM61 e中运动估计算法进行分析,对整像素、1/2像素和1/4像素搜索提出了改进策略。采用自适应阈值搜索停止算法,减少了运动估计的搜索次数,且保持运动估计的精度不变。采用自适应阈值搜索停止算法,减少了运动估计搜索次数,并且基本保持运动估计的精度不变。实验结果表明,该策略在重建图像质量略有下降的情况下明显提高了编码速度。     

线性模型有偏估计的一种新算法

文章以降低预测残差平方和为目标,基于岭估计增大回归系数矩阵的对角元素的思想,提出一种利用高斯消去变换工具的线性模型参数估计法,并进行数据模拟实验,最后通过平均预测残差平方和以及平均残差平方和的箱线图来对比新算法和最小二乘估计及岭估计的优良性,说明满足一定条件时,新算法在估计精度和稳定性上优于这2种方法。     

广义岭估计的一种新的改进方法

在线性回归模型中,当设计阵存在复共线性时,结合岭估计和主成分估计,提出一种广义岭估计的改进方法:k_1,k_2,r型岭估计.证明了在均方误差意义下,k_1,k_2,r型岭估计优于最小二乘估计、普通岭估计和主成分估计.     

广义岭估计参数的迭代算法

以无不良符号为原则 ,提出线性回归模型广义岭估计的参数选取的一种迭代算法 ,通过与其它几种岭估计的参数选取方法作比较 ,进一步说明本文方法的优越性     

可预测起始搜索点的自适应准十字菱形搜索算法

分析了视频图像现有块匹配运动估计的技术特点,通过实验数据定量评价了各算法的优缺点,提出的一种改进的自适应运动估计算法:基于起始搜索点预测的准十字菱形搜索算法.该算法根据序列图像中运动矢量的十字中心偏置分布特性和运动矢量间的时空相关性,设计了一种准十字菱形搜索模板,并对静止块设定阈值,直接中止搜索;结合起始搜索点预测,并根据运动类型自适应选择搜索策略,使本文算法在保证了搜索准确性的同时,提高了运动估计的速度.     

基于H.264/AVC的快速运动估计改进算法

H.264/AVC中基于块的运动估计是运算量最大的模块.提出了一种基于UMHexagonS的改进整像素快速运动估计算法,该算法改进了UMHexagonS的搜索模板和搜索层,较大幅度减少了整像素运动估计搜索的点数,提高了运动估计效率.实验结果表明,在保持大致一样的率失真性能前提下,算法比UMHexagonS算法减少了20%的搜索点数,更适于实时视频编码.     

基于H.264的UMHexagonS算法研究与改进

运动估计是视频压缩编码中消耗时间最多的部分。H.264标准采纳混合非对称十字多六边形格点搜索(UMHexa-gonS)算法作为其快速运动估计算法。详细介绍了UMHexagonS算法,并从三个方面对算法进行了改进:一是增加一个自适应的提前终止判决门限,二是用一种新的搜索方式替代5×5螺旋搜索,减少搜索点数,三是将多层六边形搜索修改为多层十点搜索。在测试模型JM10.2上进行了算法验证,测试结果表明,在图像质量几乎不变的情况下,改进的算法比原算法节省了7%—14%的运动估计时间。     

基于线性搜索的快速运动估计算法

为了减小快速运动估计算法的计算复杂度和提高运动补偿的准确性,提出了一种新的块匹配运动估计算法,称为线性正方形搜索算法.该算法采用运动估计的线性搜索策略,对于不重要的搜索区域利用线性搜索技术进行快速搜索以减小算法的计算复杂度,而对于重要搜索区域,即最佳点所在区域,用9点的正方形模块进行精细搜索以提高算法的搜索精度.实验结果证明,该算法与菱形算法相比不仅计算复杂度减小了10%以上,而且视频编码效率可以提高约0 1dB.     

自适应六边形运动估计搜索算法

指出了在块运动估计中,快速估计算法的最终目的是在提高搜索速度的同时保持搜索质量.在现有搜索算法的基础上,提出了一种自适应六边形运动估计搜索算法AHEX.该算法首先利用时空相关性预测起始点,缩小了搜索区域,从而减少搜索点数;然后采用六边形搜索模型进行搜索,进一步提高了搜索速度.在搜索过程中,还采用了自适应的提前中止策略来避免不必要的搜索.实验结果表明:在保持相当搜索质量的前提下,与其它快速块匹配算法相比,自适应六边形搜索算法的搜索速度有大幅度的提高.     

基于遗传搜索和模板匹配的快速运动估计

基于遗传算法的运动估计具有较好的全局寻优能力,但其过高的算法复杂度需要很大的计算和存储开销,增加了编码时间;另一方面,传统的基于遗传算法的运动估计普遍采用较低的遗传迭代次数,降低了遗传算法的搜索精度。为解决传统算法搜索时间长和搜索精度低的缺陷,提出了一种基于遗传搜索和模板匹配的混合算法。该算法结合多种运动矢量的预测方法...     

一种基于窄带自相关的实信号频率估计算法

单频含噪实正弦信号的自相关函数和其原信号的频率一致,且自相关可去除一部分噪声影响,因此基于自相关的频率估计算法一直备受关注。由于自相关可以从时域获得也可以从频域获得,基于自相关的频率估计算法有比较简单的基于时域的方法和性能比较好的基于频域的算法。结合时域和频域自相关的特点,提出一种基于窄带自相关的实信号频率估计算法,该算法在频域进行谱峰搜索后,利用信号的窄带功率谱来计算自相关,进而用简单的时域自相关的改进协方差算法(modified covariance,MC)来得到频率估计,推导出频率估计闭式解。仿真结果表明该算法性能优于传统的自相关时域算法和频域算法,在信噪比高于-7 dB时就能逼近CRB界。     

一种适用于P2P-SIP框架的自适应搜索算法

针对P2P-SIP框架中资源搜索路径过长的问题,提出了一种基于统计分析的自适应搜索算法.P2P-SIP系统对时延是敏感的,网络变化概率增大或者网络节点数目增多会令时延大幅度延长,该算法根据对收发消息的统计分析,决定是否对资源的路径信息进行发送,从而减少资源的搜索时延,同时通过线性平滑使算法具有一定的容错性.它可以应用于现有的P2P搜索算法中,从而提高现有的P2P搜索算法的效率.理论分析和仿真结果表明,在P2P-SIP环境下该算法具有更好的性能.     

一种考虑环境作用的协同免疫遗传算法

在综合考虑了环境对生物进化的影响、免疫算法的结构以及遗传算法部分算子的基础上,提出一种考虑环境作用的协同免疫遗传算法(ESIGA),以实现提高算法搜索速度和全局搜索能力的目标.在该算法中,设计了克隆环境演化算子和自适应探索算子,并构造了3个子种群协同进化以发挥克隆环境演化算子的影响,从而提高算法的全局搜索能力.引入的自适应探索算子和克隆环境演化算子,使算法具备了一定的学习能力,可加速搜索和防止早熟.构建的主种群和协同种群相互影响,使得算法对环境具有改良能力,加强了克隆环境演化算子的性能,而精英种群则加强了算法在优质个体邻域的搜索能力.采用13个常用无约束优化问题测试函数对算法做了检验,测试数据表明:ESIGA算法与正交遗传算法相比,其搜索速度要快于正交遗传算法1～2倍,并能够处理1 000维的高维优化问题.     

一种用于车间调度的基于熵的混合遗传算法

为提高车间调度算法的寻优性能,通过对模拟退火遗传算法收敛图的研究,提出了评价算法种群有序性（差异性）的种群熵,基于种群熵,提出了改进的模拟退火遗传算法,该混合算法通过种群熵动态地改变算法的交叉和变异概率,使之适应种群的变化,提高种群的多样性,有效地克服算法的过早收敛,从而达到提高算法寻优性能的目的。仿真实例表明,所提出的算法的寻优性能有了显著的提高。     

一种基于梯度的非完整十字钻石模型搜索算法

十字钻石模型搜索算法利用了视频序列运动矢量的十字中心分布特性．作者在此基础上,增加了梯度信息,提出了一种基于梯度的非完整十字钻石搜索算法,在保证信噪比的情况下可使平均搜索点数大幅度降低．     

一种新的运动估计算法

基于搜索起点的预测和梯度下降搜索,提出了十字交叉梯度下降搜索(CCGDS)算法。该算法根据运动矢量的中心分布特性设计了相应的匹配搜索模板。仿真结果表明:该算法可以用较小的搜索代价取得与全搜索相当的效果,且在搜索速度与搜索效果方面优于三步法(TSS)、四步法(FSS)和钻石法(DS)。     

半参数非线性模型中的t-型估计和影响分析

给出半参数非线性回归模型的t-型估计及其EM算法,同时获得估计的相合性及渐近正态性.并基于EM算法中的Q函数,研究了半参数非线性回归模型的统计诊断方法.最后,用一个模拟例子和一个实际例子验证了本文提出的t-型估计和诊断方法的有效性.     

基于模拟退火机制的网络蜘蛛搜索策略

在分析传统网络蜘蛛搜索机制特点的基础上，将模拟退火机制引入网络蜘蛛的链接选择策略。提出了一种基于模拟退火机制的启发式网络蜘蛛搜索算法。针对国外四所著名大学计算机系网站中计算机论文资源的搜索实验表明，新算法可以有效提高搜索效率。     

基于模拟退火的网络蜘蛛性能分析与系统实现

在分析传统网络蜘蛛搜索机制特点的基础上，将模拟退火机制引入网络蜘蛛的链接选择策略，提出了一种基于模拟退火机制的启发式网络蜘蛛搜索算法．设计并实现了一个计算机相关论文搜索引擎网络蜘蛛系统．针对国外4所著名大学计算机系网站中计算机论文资源的搜索实验表明，新算法可以有效提高搜索效率．     

基于启发式策略的最短路径算法

在讨论经典Dijkstra算法和启发式策略算法（A^＊,矩形算法等）的基础上,提出一种基于Dijkstra算法的动态方向限制搜索算法用于求解道路网络中两节点之间最短路径．该算法结合人类的搜索思路和动态灵活的处理方式,对最短路径算法的搜索策略进行改进,动态改变搜索限制区域,减少计算时间．该算法不仅可以单独提高计算最短路径的效率,而且与其他算法结合起来还可取得更好的效果．实际结果证明动态方向限制搜索算法比经典Dijkstra算法减少近50％的搜索节点数和搜索时间．