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。     

探讨卷积和的求解方法

讨论了求卷积和的意义,求卷积和常用的方法及优缺点,在此基础上提出了两种新的求卷积和的计算方法,并阐述了其基本原理,这些方法避开了求卷积和时需大量画图的繁琐过程,简化了求卷积和的计算.     

多特征融合的视频目标深度跟踪

针对现有基于卷积神经网络跟踪中需要大量离线训练以及在线更新耗时的问题,提出了一种多特征融合的视频目标卷积跟踪算法。算法首先设计了一种浅层前向自学习卷积网络提取目标候选区域的局部卷积特征;然后计算融合了空间信息的颜色直方图特征;在此基础上,采用归一化加权方法在全连接层融合卷积特征和全局颜色特征形成目标的表观描述;最后基于粒子滤波算法,通过计算目标模板与候选目标之间的相似度,估计目标位置。采用OTB-2013公开测试集验证所提跟踪算法的性能,与8种主流目标跟踪算法进行了分析对比。实验结果表明,本文算法的目标跟踪精度和跟踪成功率在多种场景下取得了不错的性能,在保证跟踪精确率的前提下,跟踪鲁棒性优于其他算法。可见提出的多特征融合的卷积跟踪算法通过提取所跟踪视频的自身特征生成卷积器而无需进行大量离线训练,且与手动特征进行融合增强了目标的表达能力,这种策略具有一定的借鉴性。     

利用循环计数器优化设计实现卷积交织器

卷积交织器和去卷积交织器的实现方法有多种,本文基于Altera公司开发的Max PlusII软件平台和仿真环境,以DVB-C系统中深度I=12的卷积交织为例,利用循环计数器设计实现先进先出(FIFO)移位存储器,提出了一种使用理论最小资源的方法来实现卷积交织器,最高工作频率可以达到80MHz,而不使用片外RAM,仅使用Altera的FLEX10KE系列器件中的EAB.     

稀疏连通卷积神经网络有效近似研究

深度卷积神经网络在图像分类和物体检测上已取得卓越表现,其代价是需要大量参数和复杂计算.针对全连通卷积神经网络运算复杂性,已有研究提出稀疏卷积连通神经网络算法,但卷积(稀疏和非稀疏)连通深度神经网络算法在理论上还有待完善.主要研究稀疏连通卷积神经网络的近似理论,考虑在Sobolev空间中具有任意紧支集的函数,利用表示系统■实现稀疏连通卷积神经网络对函数的有效逼近.     

基于卷积神经网络的图书页面检索方法

针对现有图书页面检索方法检索精度低的问题,利用任务无关数据集训练卷积神经网络,提出了一种基于卷积神经网络的图书页面检索方法.首先将待检图书页面图像进行图像分割和畸变校正,降低背景的干扰和几何畸变的影响;然后将校正后的图像输入卷积神经网络提取图像特征;最后使用夹角余弦距离来度量待检图像和候选图像的相似度.实验结果表明:本方法在测试数据集上的Top-5命中率为97.31%,而直接使用任务无关数据集训练的卷积神经网络的Top-5命中率仅为58.47%.本方法避免了耗费大量的时间和精力去收集大规模图书页面图像数据库,而且利用卷积神经网络强大的图像特征描述能力,取得了优异的图书页面检索精度.     

利用循环计数器优化设计实现卷积交织器

卷积交织器和去卷积交织器的实现方法有多种,本文基于Altera公司开发的Max＋PlusⅡ软件平台和仿真环境,以DVB-C系统中深度Ⅰ=12的卷积交织为例,利用循环计数器设计实现先进先出（FIFO）移位存储器,提出了一种使用理论最小资源的方法来实现卷积交织器,最高工作频率可以达到80MHz,而不使用片外RAM,仅使用Altera的FLEX10KE系列器件中的EAB.     

全相位DCT数据内插与立方卷积内插方法比较研究

本文对基于8点信息的全相位数据内插方法进行了推导和理论分析,利用它对实际图像进行了插值处理,并且同当前比较先进的H.26L中建议的立方卷积内插做了比较,仿真实验结果表明全相位数据内插在性能指标上要优于立方卷积内插.     

一种快速反卷积方法及其实现

从逆滤波器推导出基于频域的反卷积滤波器表达式,阐明了反卷积滤波器宽与其参数（项数Ｌ,比例常数Ｃ）的关系以及选取方法,得到反卷积精度对于滤波器的截取项数Ｌ具有不敏感的结论,从而省去了耗费大量的时间进行参数优化的过程,使算法具有快速特性。给出了用ＰＣ和由ＤＳＰ构成的高速卷积板实现该算法的过程。     

改进深度卷积神经网络及其在变工况滚动轴承故障诊断中的应用

为了解决目前常用的最大池化丢失大量信息和平均池化模糊重要特征的问题,提出了一种小尺度卷积核以跳动的方式进行降采样的方法。该方法用步长为2、激活函数为Rectified Linear Unit(ReLU)的小尺度卷积层代替传统的池化层,既可以使输出图像的尺寸变成输入的一半,实现降采样的功能,又能让小尺度卷积核在训练中自动调整权重挑选有效的特征。与最大池化相比,该方法可有效地提高神经元激活比例并增加神经元活性值的多样性。综合采用提出的池化方法、深度可分离卷积核和全局平均池化层3个策略改进的深度卷积神经网络,在实验室变转速多滚动轴承数据集上进行测试,结果表明,改进后的网络识别正确率达到98.4%,高于作为对比的其他网络,同时还大幅提高了网络的稳定性,减少了40%以上的训练时间。提出的方法可以为科研技术人员在搭建深度卷积神经网络和变工况滚动轴承故障诊断时提供参考。     

循环卷积的快速算法研究

分析有限长序列线性卷积与循环卷积的结果,找出它们之间的相对变换关系,将线性卷积的计算结果运用到循环卷积上,并结合不同点数的循环卷积,经过Matlab软件进行仿真实现.研究结果表明,这种基于线性卷积的循环卷积求解,计算方法简单快捷、运算量小,使有限长序列的循环卷积运算大为简化.     

超宽带通信压缩感知信道估计与信号检测方法

针对超宽带信号在采样速率过高时难以采样的问题,利用信号稀疏性提出一种基于压缩感知的信道估计和信号检测算法(CS算法).将信号重复送入随机滤波器后发送,对接收信号进行欠采样,利用调制信号、滤波器、信道的圆周卷积关系建立压缩感知的数学模型,从而可采用基追踪算法实现信道估计和信号检测.仿真结果表明,CS算法所需的采样数据量仅为最小二乘算法的1/3或更少,而在中等信噪比(15~25 dB)的情况下,估计性能可以提高约4.5 dB,且可以准确检测出原始信号.     

基于MATLAB的卷积交织编译码研究

介绍了卷积码的特点以及卷积码的编码和解码，讨论了加入交织后的对卷积编码的误码率的改善情况，并使用MATLAB进行DPSK通信系统中卷积编译码和卷积码 块交织的编译码仿真。     

“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。     

基于改进的卷积神经网络的钢号识别

为获取样本的多样性特征,提出了一种改进的卷积神经网络结构。该网络中引入多层递归神经网络,利用卷积神经网络提取输入图像的浅层特征,同时利用卷积神经网络和递归神经网络并行提取高层特征,最后将两种网络学习到的特征进行融合输入到分类器中分类。利用迁移学习理论解决小样本集数据训练不足的问题,并将这种卷积神经网络结构应用于石油物资管线钢号识别中。实验探究了递归神经网络个数与卷积核个数对网络性能的影响,实验结果表明,改进的网络结构与其它网络进行对比,错误率降低了 3% 。     

基于Verilog HDL语言描述的卷积码编码器的设计

卷积码作为一种性能优良的差错控制编码,在通信系统中有着广泛的应用。本文在介绍卷积码原理和描述方式的基础上,以1/2卷积码为例重点详细阐述了基于Verilog HDL的卷积码的编器的设计。     

卷积神经网络声学模型的结构优化和加速计算

将卷积神经网络(convolutional neural networks,CNN)声学模型应用于中文大词表连续电话语音识别任务中,分析了卷积层数、滤波器参数等变量对CNN模型性能的影响,最终在中文电话语音识别测试中,CNN模型相比传统的全连接神经网络模型取得了识别字错误率1.2％的下降.由于卷积结构的复杂性,常规的神经网络加速方法如定点量化和SSE指令加速等方法对卷积运算的加速效率较低.针对这种情况,对卷积结构进行了优化,提出了2种卷积矢量化方法:权值矩阵矢量化和输入矩阵矢量化对卷积运算进行改善.结果表明,输入矩阵矢量化方法的加速效率更高,结合激活函数后移的策略,使得卷积运算速度提升了8.9倍.     

更准确的不定积分符号表示

在微积分理论中,现用的不定积分符号常会误导学习者理解不定积分,从而给出错误答案.结合原函数以及不定积分的定义,重新给出更准确的不定积分符号,充分强调区间的重要性,能为正确理解不定积分的知识体系提供方便.     

基于多尺寸特征图卷积方法的玉米雄穗检测

为了解决传统雄穗检测方法因玉米品种不同以及田间环境不同导致的检测误差较大、鲁棒性较差的问题,利用深度卷积神经网络提取特征,并对多尺寸特征图卷积的方法检测玉米雄穗。采用深度卷积神经网络inception作为基础网络来训练提取玉米雄穗特征,同时增加额外的卷积层对图像进行卷积提取特征,最后分别对基础网络中的两层卷积层以及额外的卷积层卷积得到的不同尺度特征图进行分类和位置回归。整体网络结构是多尺度端到端框架,效率高,方便检测不同尺度的雄穗。实验结果表明,此方法提高了雄穗检测的速度和准确率。