一种基于简化PCNN的色盲检测图分割方法

在色盲检测图及脉冲耦合神经网络(pulse-coupled neural networks,简称PCNN)的基础上,提出一种基于简化PCNN模型的色盲检测图分割方法,该方法首先根据欧式距离计算彩色图像色差,通过设定一个合适的阈值,将与红色相似的颜色替换成白色,初步分离图像中的目标与背景,对预处理后的色盲检测图像,用典型的PCNN简化模型对其红色分量进行分割,最后用形态学闭运算优化得到最终的分割结果.实验结果表明,该方法能准确分割出色盲图像中的图形,且简单有效.     

通信工程专业《电磁场与电磁波》课程教学实践

依据电磁场与电磁波课程在通信工程专业中的地位,分析了该课程现有教材体系特征,结合安徽理工大学通信工程专业的培养计划及学生的接受能力,就该课程教学内容安排、教学方法与教学过程等环节进行了探索与实践。     

基于四阶矩的单矢量水听器多声源定位算法

为了克服基于四阶累积量的矢量水听器声源定位算法的计算复杂度高、运算量大以及定位精度不高等问题,提出一种基于四阶矩的单矢量水听器多声源定位算法.该算法利用信号四阶矩的性质,将单矢量水听器阵元数和声源数进行虚拟扩展,从而得到更多的多声源定位信息;通过提取有效阵元的方法减少了冗余,利用搜索峰值方法得到期望的多声源方位.理论分析和实验结果表明,该算法有效降低了计算量、提高了定位精度,克服了基于高阶累积量的矢量水听器定位算法的不足.     

二阶微小项声波动方程的同伦分析近似解

由于声波在大气中的传播复杂性,数值模拟方法被广泛采用,但其不能给出解析解的表达式,且其精度有限.文章利用同伦分析方法求解二阶微小项声波动方程的近似解,该方程可以描述声波在大气中传播时的衰减和非线性效应.首先,引入包含衰减项的初始近似解,利用同伦分析方法迭代公式求得一次、二次近似解以及三阶近似解;之后利用Monin-Obukhov相似理论得到的多云、有风的夜晚天气条件下的声速剖面、风速剖面、温度剖面,并对近似解进行了空间数值模拟.结果表明,由于非线性和衰减效应,近似解波形发生了畸变,且声压随着传播距离的增加而减小,因此对研究大气中的声波传播特性具有重要意义.     

运动粘滞大气中的耦合方程组解析解的新方法

由于声波在大气中传播特性处理的数学复杂性,求耦合方程组解析解的工作已很少见.本文首次将NMA(Normal Mode Analysis)和同伦分析方法(HAM,Homotopy Analysis Method)相结合对考虑风和粘滞因素的耦合方程组进行解析解的求解.首先由基本控制方程推导了运动粘滞大气中的耦合方程组,通过匀质无风的耦合方程组,对声波在大气中衰减特性和相速度进行了分析,之后利用NMA对其进行了解析解求解,并将其作为初始近似,利用同伦分析方法对有风、粘滞分层大气中的耦合方程组进行了三阶近似解析解的求解,最后进行了数值模拟.结果表明,由于多种大气要素的影响,随着传播距离的增加,声压峰值越小,且频率越大衰减越快,因此风和粘滞特性是影响近地面声波传播特性的重要因素.     

一种增强多种调频信号的自适应新算法

依据变步长LMS算法可改善ALE算法跟踪性能的优点,构造了基于高阶累积量变步长类LMS自适应谱线增强新算法,用运动目标辐射噪声的实测数据进行了动态仿真.结果表明,该算法对多种调频信号有很强的增加能力和很好的跟踪性能,这为水下运动目标识别与检测提供了新的技术途径.     

基于深度卷积神经网络的运动模糊去除算法

为了提高图像去模糊的复原效果和处理速度,提出了基于深度卷积神经网络的运动模糊去除算法。以多尺度图像为依据,构建了基于自动编码器的网络模型。在扩大感受野方面,采用空洞卷积模块提取图像多尺度特征信息,采用残差模块拓宽网络深度,以解决训练过程中图像细节丢失的问题,实现了图像的端到端运动模糊去除任务。在GOPRO数据集和真实测试集上的实验结果表明,该文算法在参数量仅为3.24×10~6的情况下的峰值信噪比(PSNR)和结构相似性(SSIM)指标分别为28.53和0.914 1,运行时间为0.3 s。     

基于Simulink的坐标变换多模盲均衡算法建模与仿真

针对传统的常模盲均衡算法(CMA)均衡高阶正交幅度调制(QAM)信号会产生失效问题,在利用坐标变换、双曲正切误差函数和非线性判决反馈结构特点的基础上,提出了一种基于坐标变换的多模盲均衡算法(CTHMMADFE)。该算法通过坐标变换将高阶非常模QAM信号变为常模4QAM信号,利用双曲正切函数作误差函数,利用判决反馈结构非线性特性进一步补偿信道非线性影响。通过M文件对CTHMMADFE的性能进行验证,在获得性能最佳时算法中各参数值后,由这些参数构建CTHMMADFE的Simulink仿真模型。     

基于改进YOLOv4的烟条拉线头缺陷检测

针对烟条透明塑料外包装上拉线头的缺陷检测中传统图像处理的误报率高的问题,提出了一种基于YOLO深度学习算法和算法相结合并具有自学习优化功能的改进方案。即先使用传统Hough变换圆检测,将检测出缺陷的图像二次经过YOLO算法。为能将YOLO算法达到高性能、高精度的效果,本文对YOLO的网络结构进行改造,提出了AAS-YOLO(adaptive anchor size with YOLOv4),使其具备兼容动态尺度锚定边框的功能,可以实现将传统算法的部分计算结果作为自学习参数贡献给AAS-YOLO算法;并通过去除贡献低的BN通道,精简了网络结构,减少冗余计算。通过实验数据来看,改进后的AAS-YOLO算法提高了定位精度和检测速度;改进后的方案降低了拉线头缺陷检测的误报率。     

基于正交小波包变换的判决反馈盲均衡算法

针对严重线性失真的水声信道,在分析正交小波包变换理论和判决反馈盲均衡算法的基础上,利用正交小波包变换良好的去相关性特性,对判决反馈盲均衡算法的前馈滤波器权向量进行修正,提出了基于正交小波包变换的判决反馈盲均衡算法(WPT-DFE)。与基于正交小波变换的判决反馈盲均衡算法(WT-DFE)和常规判决反馈盲均衡算法(CMA-DFE)相比,该算法具有收敛速度快、跟踪性能好、稳态误差小的特点。水声信道的仿真结果,验证了算法的有效性。