各向异性全变分图像去噪算法

图像去噪是图像复原问题中的重要研究内容之一,在此过程中图像的高频部分易受到破坏。针对这一情况,通过引入不同的权重参数惩罚x与y方向上的梯度算子,提出修正的各向异性全变分去噪模型。引入的权重参数具有局部自适应性,可以使模型对应欧拉方程在图像切线与法向方向的扩散具有更鲁棒的各向异性扩散能力,可以达到保护图像细节的目的。另外,提出的模型是具有可分裂结构的非光滑凸优化问题,采用算子分裂技术将其转化为多个易求解的子问题,并在交替方向乘子法的框架下求解,从而保证了算法在理论上的收敛性。与现阶段其他变分型的复原模型相比,所提出的模型在有效抑制噪声的同时能有效地保持图像的局部结构特征。对于分块效果明显,噪声水平较低的图像去噪结果十分显著;对于分块效果不明显,图像细节较多的图像,该模型依然有效。     

量子乘法器的设计及其实现方法

乘法器在数字信号处理和数字通信领域应用广泛,如何实现快速高效的乘法器关系着整个系统的运算速度。提出了一种新颖的量子乘法器设计方法,利用量子门设计一位量子全加器,并将n个一位量子全加器叠加在一起设计n位量子全加器,实现2个n位二进制数的加和;再利用2个控制非门设计置零电路,并使用置零电路设计量子右移算子;对二进制数乘法步骤进行改进,利用量子全加器和量子右移算子设计量子乘法器,同时设计实现此乘法器的量子线路。时间复杂度分析结果表明,本方法与目前最高效的量子乘法器具有相同的时间复杂度,并具有更简洁的实现方法。     

关于n维函数（泛函）驻值问题的拉格朗日法

在建立“n维函数-r个约束”驻值解法的基础上,结合现代某些工程的设计计算,探讨了“n维函数—等式(不等式)约束”、“定积分式泛函一定积分式(微分式)约束”“两积分式商”…等无条件极值、驻值问题。     

新型高频高线性CMOS跨导线性电流模乘/除法器设计

针对传统CMOS电流乘除法器存在线性度不高、工作频率低等缺点,提出一种以平方根电路、平方/除法器电路为核心的基于MOS管跨导线性原理的新型高频高线性CMOS电流模乘/除法器。在TSMC0.35μm CMOS集成工艺下进行HSPICE仿真测试表明:该电路在3V电源电压下,-3dB带宽可达到35.1MHz,电源静态功耗为202.68μW,输出电流为0～25.1μA,非线性误差为0.85%,总谐波失真为0.14%。本文提出的乘除法器电路与Tanno、Lopez等提出的基于跨导线性原理的乘除法器电路相比,优点在于-3dB带宽提高了,功耗降低了,电源电压降低了,线性度提高了,精度提高了,并且采用了相对更先进的0.35μmCMOS工艺,可缩小芯片面积,节约成本。     

用优化方法求解一般并联机械手运动学正问题

采用优化方法求解一般并联机械手运动学正问题,其方法简单实用,不需要复杂的公式推导,对初始值也没有什么要求,对于一般的并联机械手都可以求出其最优解.文中最后给出了一个数值算例     

论弹性力学广义变分原理的临界变分现象

应用拉氏乘子法消除Ｈｅｌｌｉｎｇｅｒ－Ｒｅｉｓｓｎｅｒ变分原理的约束关系时,在识别拉氏乘子的过程中,会出现拉氏乘子为零的现象,这种现象称为临界变分现象,本文提出了一些新的观点来解释这种现象。     

交换的Banach代数上的乘子

给出了交换Ｂａｎａｃｈ代数上的乘子与根基的关系,同时讨论了乘子的Ｒｉｅｓｚ－Ｓｃｈａｕｄｅｒ理论。     

广义特征值盲波束形成的低复杂度自适应算法

提出了一种线性低复杂度盲自适应Lagrange乘子波束形成算法．基于最大信干燥比准则(MSINR)的特征值波束形成将导致广义特征值(GE)问题,新算法通过把GE问题表示成期望信号和干扰噪声信号协方差矩阵特征值的函数,用线性迭代的方法搜索最大GE,并利用最陡下降法更新权向量;提出方法被用于W—CDMA智能天线基站上行信号接收．数值仿真结果表明,与其他算法相比,在未牺牲系统BER性能的同时,提出算法具有更快的收敛速度和更低的计算复杂度;算法总的计算复杂度约为O(7N)(N为天线元数目)．     

最大熵原理导出理想气体分子的速度和速率分布

最大熵原理是统计物理的一个基本原理,它已在很多领域得到广泛应用。使用最大熵原理分别研究了平衡态下,三维、二维和一维理想气体分子的速度分布,导出了它们的速度分布概率密度函数,并进而得到了速率分布的概率密度函数。这一方面给出了推导理想气体分子速度和速率分布规律的另一方法,另一方面也拓展了最大熵原理的应用范围。     

群余分次乘子Hopf代数的Galois对象

在这篇文章中,我们首先介绍群余分次乘子Hopf代数Galois对象的定义,然后给出通过交叉作用π来构造群余分次乘子Hopf代数Galois对象的方法.设G是群,(,Δ)是G-余分次代数量子群(A,△)的变形.若(X,α)是(A,△)的左Galois对象,定义α_(p,q):X_(pq)→M(pX_q),α_(p,q)=(πqi)α_q~(-1)p~(-1)q,q~(-1),则(X,α)是变形(,Δ)的左Galois对象,其中X_p=X_(p~(-1)),_q=A_(q~(-1)).同时,我们也研究了Galois对象的一些性质.