基于轮廓波变换和改进模糊c均值聚类的红外图像分割

针对红外图像分辨率低、对比度弱、易受噪声污染等特点,给出了轮廓波变换与模糊c均值聚类相结合的红外图像分割方法。该方法首先在假定图像轮廓波变换系数的先验为高斯分布的基础上,将基于最大后验概率准则的比例萎缩法应用于红外图像降噪,以完成分割前的预处理过程,然后利用改进的模糊c均值算法对降噪后的红外图像进行分割。针对标准模糊c均值分割存在的问题,本文提出的方法从基于样本直方图的最小最大距离法的初始聚类中心确定、考虑邻域像素相关性的样本点聚类权值和邻域隶属度修正三个方面加以改进,在保证分割精度的基础上,进一步滤除降噪阶段遗留下的图像噪声。对一系列红外图像进行实验的结果表明,相对于标准模糊c均值算法,本文提出的改进算法划分熵平均降低约10%,区域对比度提高约27%,能够实现对受到噪声污染红外图像的有效分割。     

基于降维的堆积降噪自动编码机的表情识别方法

堆积降噪自动编码机是一种典型的深度学习模型,它能够刻画数据丰富的内在信息,具有较强的特征学习能力。基于主成分分析（principal component analysis,PCA）技术和堆积降噪自动编码机（stacked denoising autoen-coders,SDAE）模型,提出一种新的表情识别算法PCA＋SDAE。该算法对人脸图片进行裁剪及归一化等预处理,采用主成分分析技术对人脸特征进行线性降维,再利用堆积降噪自动编码机逐层进行特征学习并同时实现对人脸表情数据的非线性降维,可以得到更好的、维度更低的表情特征,并据此进行表情分类。对PCA＋SDAE算法的仿真测试实验结果表明,其综合性能比其他的基于深度学习模型的表情识别方法更好,同时与传统的非深度学习表情识别方法相比,它具有更高的表情识别正确率。     

基于EMD与小波阈值的爆破震动信号去噪方法

针对小波阈值法去噪效果有限和EMD低通法去噪存在信号失真问题,综合EMD方法分解、重构方便和小波阈值法灵活、可调的优点,提出一种EMD-小波阈值爆破震动信号去噪方法.基于某矿地表实测数据,借助EMD的自适应分解特性,在原始信号分解的基础上,识别属于高频噪声的IMF1和IMF2分量,并对其进行小波阈值去噪处理,提取淹没在噪声中的有用特征信息MF1和MF2,最后,将MF1、MF2与剩余IMF分量及余量R进行重构,得到干净信号.通过频谱和小波包能量分析知:EMD-小波阈值法既能有效去除噪声,又能很好保留真实信号,还可避免EMD分解的端点震荡效应,是一种高效的爆破震动信号去噪方法.     

一种脉冲压缩信号旁瓣抑制方法

给出了一种在脉冲压缩技术中实现低的压缩脉冲距离旁瓣的方法,由希望的压缩脉冲波形来设计加权滤波器。导出了可实现低的压缩脉冲距离旁瓣的条件。实验用声表面波(SAW)器件实现时,对线性调频信号,其压缩脉冲最大主旁瓣比为50dB。而用数字方法实现时,压缩脉冲最大旁瓣电平还受A/D及D/A变换器位数的限制。     

三阶累积量在可控震源勘探信号处理中的应用

可控震源浅层地震勘探接收信号受环境噪声污染严重。为了提高压制噪声的能力,尝试用三阶累积量为数学工具,求出发射信号与接收信号的三阶互累积量,并把互累积量用发射信号自累积量进行线性分解。根据分解系数序列来检测接收信号中各反射信号分量的存在,并估计各反射信号分量的时间延迟。数值实验结果表明,该方法能从信噪比为0dB的接收信号中准确检测出反射信号分量并估计其时间延迟。鉴于高阶累积量具有屏蔽高斯噪声的优点,其用于可控震源地震勘探信号处理的效果比传统的相关方法要好。     

红外焦平面探测器输出图像信噪比计算和分析

推导了红外焦平面探测器输出图像信噪比的一般计算公式 ,并针对红外焦平面探测器在地面面目标自动识别系统中的具体应用 ,计算了其在不同天气情况下的成像信噪比。由计算结果可知 :采用高性能的焦平面探测器后 ,红外成像的图像信噪比非常高 ,即使在较恶劣的天气 (大雾 )情况下也可获取质量较好的红外图像 ,满足自动目标识别系统图像处理的需求     

无线电监测中调制信号特征提取算法

针对传统调制信号特征提取算法在噪声环境下存在识别准确度低、分类效果差等问题,基于已有的调制 信号处理方法,提出一种新的无线电监测中调制信号特征提取算法。首先构建无线电监测中各类调制信号的 数学模型,以此为基础通过仿真得到信号瞬时幅值、瞬时相位及瞬时频率的特征。分析当前信号调制方式识别 各类算法的优缺点,采用小波变换完成调制信号的降噪处理与突变边界特征提取算法的设计,利用零中心归一 化瞬时幅度的谱密度最大特征提取算法以及核判别分析算法对各类调制信号进行逐层提取,实现了各类调制 信号的完整分类与提取,提升了噪声环境影响下的特征信号提取精度、且分类效果较好,为无线电监测中调制 信号特征提取提供了有利科学依据。     

基于小波变换的图像增强算法

结合小波变换中相关系数理论,提出了一种基于小波变换的图像增强算法,该算法先区分小波域中由细节及噪声产生的高频系数,对由细节产生的信息进行增强,对噪声进行抑制·解决了通常算法中增强细节信号的同时也放大了噪声这个问题·实验表明,该算法在得到很好的图像增强的同时,能很好地抑制噪声,对于多噪声环境下的弱细节信号能达到很好的增强效果·     

“数字信号处理”课程的理论教学探索与实践

针对数字信号处理课程概念抽象、理论内容丰富、学生学习难度大等特点,在课程衔接、科学构建知识体系与优化教学思路和方法等方面进行探讨和尝试,并提出具体措施。五年来的教学实践表明,依照本文内容能进一步调动学生学习积极性,增强学生分析和解决问题的能力,教学效果良好。     

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于卷积神经网络(convolutional neural networks, CNN)和改进堆叠降噪自动编码器(stacked denoising autoencoders, SDAE)的混合网络模型,根据改进的Dempster-Shafer(D-S)证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明：利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。