基于小波域隐马尔可夫模型的信号处理技术研究

研究寻北仪惯性传感器信号处理问题,采用基于小波域的隐马尔可夫模型(WHMM),对连续旋转式寻北仪陀螺的输出信号进行降噪处理. WHMM使用混合高斯模型描述小波系数的分布特性,隐状态间的概率转换描述不同尺度小波系数间的相互关系,并采用期望极大化(EM) 算法对模型参数进行训练. 通过训练得到的WHMM估计真实信号的小波系数,将估计出的小波系数进行逆小波变换,实现信号的降噪处理. 应用实例表明,该方法对陀螺输出信号有效地进行了降噪处理,抑制了干扰,提高了寻北精度.     

基于MSP430F149与AD9850的信号发生器设计

频率合成技术是目前研制信号源的关键技术介绍了一种基于直接数字频率合成技术的信号源的实现。选用DDS专用芯片AD9850与MSP430F149单片机,并详细介绍了信号产生模块、人机交互模块和控制与数据处理模块的设计与实现,并给出了软件控制框图。该信号发生器具有结构简单、性能优良、使用方便、制作成本低廉等优点。     

基于方向小波变换的高斯噪声图像恢复方法

提出一种基于方向小波变换的相关和阈值去噪方法,恢复高斯噪声图像.方向小波去掉了标准二维小波变换仅沿水平和竖直两个方向的限制,可沿任意方向变换,这种多方向组合变换方法有利于削弱Gibbs效应,对去噪后图像的边界保护具有积极作用.实验结果表明,相对于标准小波变换,该方法无论是PSNR值还是视觉效果都较原有的方法更好.     

基于Perona-Malik模型改进的图像去噪方法

结合冲击滤波器和Perona-Malik(P-M)模型提出一种新的图像去噪模型,在增强图像细节的同时,能够抑制噪声的放大和过冲现象,同时给出的扩散函数可以使模型达到更好的图像去噪效果。仿真结果表明,使用本文模型进行去噪处理后得到的图像在视觉效果和客观评价标准方面均优于P-M模型、CLMC模型以及传统的模型,在去除噪声的同时,能够更好地保留图像的细节和边缘特征。     

小波变换在图像去噪中的应用

图像小波域去噪可克服频域去噪单一尺度的局限性,具备多尺度多分辨率的特点,已成为目前图像去噪的主要方法之一。为归纳小波变换在图像去噪领域中的应用,简要讨论图像噪声的概念、数学模型、传统图像去噪的基本原理方法,详细阐述了图像小波域去噪的基本理论、发展过程、去噪方法,评价了3种常用方法的优缺点,对小波去噪的发展趋势进行了展望。     

采用双树复小波和混合概率模型的光学相干层析图像去噪

为了去除光学相干层析图像中的斑点噪声,提出了基于双树复小波变换的混合概率模型ProbShrink算法. 针对原始光学相干层析图像中信号和噪声的分布特点,在微观层面引入了混合概率模型：将OCT图像取对数后进行双树复小波变换,对于层状边缘中与边缘点“方向一致”的小波系数,采用广义高斯模型描述;对于其他小波系数,则采用高斯模型进行描述. 而后采用改进的ProbShrink算法进行去噪. 实验结果表明,该算法在大幅提升信噪比的情况下保持边缘锐度的相对稳定,优于传统的基于小波变换的去噪方法.     

基于FPGA+DSP的高速基带信号处理平台的设计

针对目前无线通信系统基带信号处理平台功能单一、灵活性差、运算能力弱等问题,在传统处理器架构的基础上提出了一种改进高速基带信号处理平台的硬件设计方案。该方案采用FPGA+DSP的处理架构,依托高性能的器件和高速接口,搭建了一个高性能的通用基带信号处理平台。该平台直接实现对中频数字信号的处理,融合数字上下变频与基带算法于一体,具有模块化、灵活性等特点。实验结果表明,该基带处理平台能快速接收并实时处理各类基带信号,数据处理能力达到了较高水平。     

基于小波降噪与贝叶斯神经网络联合模型的短时交通流量预测

在短时间内准确、稳定地预测出交通流量,是实现智能交通控制系统的重要环节,对于交叉口信号控制方案的实时调整具有重要意义。鉴于此,提出一种 联合模型的预测方式,引入 和 作为模型评价指标,从精度和稳定性两个方面对模型进行评价。结果表明,在 、 、 等不同的时间预测尺度下, 联合模型的 和 均小于小波网络、贝叶斯网络、 网络等方法,短时交通流量预测结果的精度和稳定性得到了不同程度的提高。     

结合Tetrolet与主动随机场模型的高斯噪声抑制

文中提出一种结合Tetrolet变换和主动随机场模型的去噪方法,用于抑制图像中的高斯噪声.对含有高斯噪声的图像进行Haar小波分解,在小波变换域利用主动随机场算法针对高斯噪声进行去噪,并利用小波逆变换重构去噪后的图像,最后用Tetrolet变换在变换域进一步抑制噪声.实验结果表明,与直接利用小波、Tetrolet、马尔科夫随机场模型以及主动随机场模型等方法相比,该方法对添加不同程度高斯噪声的图像有更好的去噪效果.     

一种改进的深度网络残差学习的图像降噪方法

近年来,基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果,通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法,在提高降噪效果的同时,在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进,提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下：1) 在原有的网络结构中,引入反卷积神经网络,优化了残差学习方式;2) 提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证,实验结果表明,该文算法的降噪性能与降噪卷积神经网络算法相比,在相同降噪效果情形下,该文算法的收敛时间缩短了120%～138%.同时,与传统的深度学习图像降噪算法比较,该文方法的降噪效果和运行效率也都有提高.