分形编码中的最优压缩映射

提高传统分形压缩编码的性能。方法将分形变换编码建模为一个不等式约束条件下的非线性规划问题,将压缩射条件作用到最优射的求解过程中,得到全局意义上的最优压缩映射,给出了该模型及相应的求解算法,对算法收敛性,初始点选择等问题进行了讨论。     

一种基于小波和低复杂度矢量量化的视频编码算法

提出一种新的基于小波和低复杂度矢量量化的视频编码算法。利用子带间的相关性,通过同方向跨带矢量中部分低频系统分量间失真的计算代替整个失真的计算,将矢量量化器的计算复杂度降低了７６‰;通过最低频子图像的运动矢量去预测蓁子图像的位移矢量,极大地降低了运动补偿的复杂度。     

基于比特平面SBI变换的遥感图像无损压缩

提出一种基于子块互换(subblock interchange,SBI)的遥感图像无损压缩方案.采用小波变换对遥感图像进行分解,将生成的频域数据按不同比特平面分别进行SBI变换并用算术编码进行压缩.该方案改进了基于列的扫描方式,将小波系数按幅值大小进行重新排序,根据SBI变换后数据特点取消了文本压缩中常用的前移编码(MTF),在降低复杂度的前提下提高了压缩率,同时具有信噪比和分辨率可扩展特性.     

基于分层判断的x264快速模式选择算法

针对高度优化的x264模式判断算法进行了研究,准确定位了其中仍存的冗余点.在此基础上,基于层次化思想,对模式判断流程进行了重新组织,提出了帧间辅助模式失效条件、帧间主要模式有效条件以及相应的模式选择算法.实验表明,所提算法在几乎不损失压缩质量的前提下使编码速度得到了显著提升.此外,该算法不仅适用于P帧,而且适用于B帧,能够全面提升x264编码器的编码速度.     

线性网络编码多源多中继协作系统的分集性能

为了设计合适的线性网络编码以提高多源多中继系统的分集增益性能,从理论上研究了系统分集增益与网络编码最小码距的关系,提出以最小码距作为线性网络编码的设计准则.利用经典线性分组码的有关理论和分析方法,得出了系统的分集增益等于线性网络编码的最小码距这一重要命题,该命题将原网络编码的设计问题转化为最小码距准则下经典线性分组码的设计问题.另外,根据编码理论的singleton界得到了系统最大分集增益与中继节点数目之间的定量关系.仿真实验表明,增大网络编码的最小码距能够提高系统的分集增益,而系统的最大分集增益等于中继数加1.     

分布式压缩感知视频编码技术

介绍了典型的分布式压缩感知视频编码实现方案,并与基于信道编码的分布式视频编码进行比较. 阐述了分布式压缩感知视频编码理论基础,分析和总结了现有的分布式视频压缩感知结构. 对编码工具进行对比,指出了分布式压缩感知视频编码的特点. 剖析和展望了分布式压缩感知视频编码所需解决的视频序列稀疏表示、重建算法、码率控制等关键技术.     

基于构件汉语拼音的湘西方块苗文输入法

在分析湘西方块苗文的结构特点及其构件拆分方法的基础上,提出了一种基于构件汉语拼音全部字母的输入编码方案,设计了输入法编码映射表;并以多多输入软件生成器为工具,实现了基于Windows IMM-IME结构规范的湘西方块苗文输入法软件及其安装程序.测试结果表明,基于上述输入编码方案的苗文输入法易学易用,能够有效地解决湘西方块苗文的计算机输入问题.     

量子计算机准确算出氢分子能量

对于很多理论化学家来说,最大的困扰便是如何能准确地对化学分子系统进行模拟。最近美国联合澳洲的科学家使用了2个纠缠的光子编码信息,并对氢分子系统进行了模拟。量子计算机摈弃二进制,采用量子比特（qubits）存储信息,可以同时表达二进制中的“0”和“1”,在存储更多信息的同时也大大缩减了计算时间,从而可以对化学分子系统进行准确快速的模拟。     

采用Wallace树优化的分像素运动估计插值滤波算法

提出一种基于Wallace树优化的HEVC/H.265分像素插值滤波算法的实现方案.模块采用按行流水插值架构,通过Wallace树压缩器对插值过程中的各项进行压缩,仅在最终输出结果时使用加法器.该算法不仅减少了硬件面积,而且提高了模块可工作的最高频率.将所提算法在硬件上进行验证,硬件设计以Verilog HDL语言描述,以8 px×8 px大小PU为最小插值单元,使用Modelsim进行功能仿真验证,在Synopsys Design Compiler中以SAED(Synopsys Armenia education department) 32 nm标准单元库进行综合,模块可达到的最高工作频率为636.9 MHz,逻辑门数为32 960,吞吐率为11.3 px/时钟周期.     

基于卷积神经网络的基因剪接位点预测

研究剪接位点可以更深入地探索剪接机制和基因预测方法,准确预测剪接位点至关重要。基于深度学习技术提出一种新的预测方法,无需人工提取样本特征,以基因序列的K-MER编码向量作为输入,采用训练后的卷积神经网络(CNN)模型进行预测。基于人类基因HS3D供体数据集,与传统机器学习方法进行预测比较,结果表明预测模型的主要性能指标,包含马修斯相关系数(MCC)、灵敏度(SN)均超过传统的机器学习方法。