含噪多址量子信道容量定理的求证与应用

含噪多址量子信道的容量研究是实现量子多用户通信的基础.文中利用经典-量子纠缠产生编码定理和量子-量子纠缠产生编码定理求证了含噪多址量子信道容量定理,获得了含噪多址量子信道的经典-量子容量区域和量子-量子容量区域,并将该定理应用到多址量子相位翻转信道中,计算得到量子相位翻转信道的量子-量子容量区域,结果验证了容量定理的有效性,得到量子-量子容量区域是五边形区域.为了计算简便且不失一般性,求证过程考虑采用两输入-单输出信道的含噪多址量子信道模型.     

一种基于小波消噪技术的平直度模式识别方法

为了提高平直度模式识别的精度,引入小波消噪技术对平直度信号进行预处理,然后采用以1次、2次、3次和4次勒让德多项式作为平直度基本模式的基于最小二乘原理的多项式回归方法进行模式识别,提出了一种计算精度高、抗干扰能力强的平直度模式识别方法。该方法能够从本质上提高平直度模式识别的精度,计算过程稳定可靠,能够为平直度控制模型提供准确的平直度信息,适合在线应用。     

基于高斯曲率和变指数扩散系数的图像去噪模型

由于TV模型在去噪的过程中容易模糊小梯度边缘并产生虚假边缘,本文提出一种联合高斯曲率和变指数扩散系数的图像消噪模型.试验表明,该模型能更好地保留小梯度特征,减少虚假的边缘的产生.     

基于小波去噪的改进灰色自适应变形预测

针对变形量的预测问题,研究了基于小波去噪的改进灰色自适应预测模型.由于监测变形体时很多因素会使测量数据与实际变形数据有偏差,因此首先利用小波去噪方法对变形监测数据序列进行去噪处理,然后再利用灰色自适应模型预测变形量;并对模型的初值进行了修正.最后对一组基坑变形监测数据实例进行分析,表明该方法比单一灰色预测模型更加有效.     

合作繁殖鸟类黑脸噪鹛的夏季族群分布格局

黑脸噪鹛(Garrulaxpers picillatus)是我国南方分布较广的一种合作繁殖鸟类。本研究以江西省吉安市及其郊区的黑脸噪鹛为对象,研究了该鸟家族群的夏季分布格局。研究发现,黑脸噪鹛主要分布在市郊疏林灌丛环境,而在城市居民区未见分布。我们同时测量了家族群相互之间的最近距离,其家族群之间的最小距离平均为600m,最小的家族群间距为230m。吉安市城市绿地面积大多小于该鸟的最小活动范围,且缺乏灌丛疏林环境,不宜黑脸噪鹛栖息繁衍。由于具有特殊的生活习性和栖息地环境要求,建议在城市建设规划时,应充分考虑合作繁殖鸟类的保护问题,建设更加和谐的城市生态系统。     

三维激光扫描点云数据预处理技术研究

近年来,三维激光扫描技术在医学、工业、土木工程领域有着广泛的应用前景,三维激光扫描点云数据预处理技术也成为研究的热点。本文主要从云去噪与平滑、点云配准和点云精简三个重要环节讨论了点云数据的预处理技术过程。     

基于经验模态分解的大地电磁资料人文噪声处理

将经验模态分解(Empiricalmodedecomposition,EMD)方法应用到大地电磁资料的人文噪声处理中,根据人文噪声的不同来源和特征,提出基于EMD的时空滤波器或硬(软)阈值对噪声进行抑制的方法。给出经验模态分解去噪方法的原理和步骤,并对实测大地电磁信号中常见的脉冲干扰、矩形干扰和周期正弦噪声等人文干扰进行消噪处理。研究结果表明：本文提出的噪声改正方法是有效的,突出了有用信号的信息,改善了受干扰大地电磁数据的质量。     

一种Bayer图像的插值与去噪方法

为了改善彩色图像还原效果,降低硬件设计复杂性,分析了彩色插值对脉冲噪声的影响,以及彩色插值与去噪先后顺序对图像质量造成的影响,提出一种基于5×5窗口的先去噪后插值的彩色图像还原方法。采用阈值检测噪点的中值滤波算法去除Bayer图像的脉冲噪声,后采用基于梯度的插值算法完成彩色插值。仿真结果表明,该方法还原的图像性能指标优于传统方法,可以有效去除脉冲噪声,同时较好的保留图像细节,且算法复杂度不高,实时性好,易于硬件实现。     

一种混合噪声的模糊滤波算法

为了解决混合噪声图像增强中抑制噪声和保持边缘细节的矛盾,提出一种基于多级中值滤波和模糊加权均值滤波的图像模糊去噪方法.根据不同的区域,不同噪声,通过模糊推理,模糊合成多级中值滤波和模糊加权均值滤波的结果,在滤除混合噪声的同时,保留图像的边缘细节.根据实验结果,从客观和主观两方面比较了本算法和几种方法的效果,表明本方法有较好的抑制噪声,保持图像细节对比度的能力.     

基于人工加噪正则化与稀疏贝叶斯回归的核密度估计稀疏构造算法

核密度估计(Kernel Density Estimation,简称KDE)算法是当前最有效和应用最广泛的一种非参数密度估计算法,其主要缺点在于二次的算法复杂度,与训练集容量正相关的空间复杂度以及高维密度估计中的性能降低.为了加快KDE的计算速度,简化模型的复杂度,提出了一种新型的基于稀疏贝叶斯回归的快速的KDE的计算模型,该模型用经过人工加噪处理过的分布函数逼近数据作为输入数据,获得了KDE的极为稀疏的表示.在一元和二元人工数据集上的实验结果表明,该算法与传统的KDE算法相比,在保持了相当的计算精度(多数情况下降低了模型误差)的情况下,将算法执行的时空效率大幅度提高,而且该算法在小样本情况下,得到的密度估计也更为光滑. 二元人造数据集上的初步实验结果还表明通过应用数据高斯化技术得到的算法的多元扩展在一定程度上缓解了“维数灾难”.