一种基于SVR的SAR图像自适应滤波算法

针对合成孔径雷达（synthetic aperture radar, SAR）图像相干斑噪声抑制问题,提出了一种基于支持向量回归（support vector regression, SVR）分析的空间域自适应滤波方法。将SAR图像看做连续二维函数,利用SVR方法对其进行逼近。基于图像的逼近结果描述像素关联性,并基于关联性破坏程度对噪声进行类型分析,对不同类型的噪声采取确定性的抑制算法。为了保证精度,选择小波核函数构建支持向量回归机。实验结果表明了该方法的有效性和对经典方法的改进。     

Modified L-P小波最小二乘支持向量机及在动态系统辩识中的应用

为了提高动态系统的辩识品质,提出了-种新的可调带宽多维支持向量小波核函数-modifiedL-P小波核函数.理论E证明了这种核函数是满足平移不变核定理的支持向量核函数.由于该核函数具有平移伸缩正交性,而且适用于信号的局部分析、信噪分离和突变信号的检测,从而提升了支持向量机的泛化性能.应用Modified L-P小波核作为最小二乘支持向量机的核函数,可以简化计算复杂性,提高学习效率.回归实验和动态系统辩识的仿真结果表明,Modified L-P小波核函数最小二乘支持向量机的建模和逼近能力优于基于L-P小波核函数或高斯核函数最小二乘支持向量机,更适合工程应用.     

一种噪声背景下的雷达目标识别方法

雷达高分辨距离像(high resolution range profile, HRRP)包含了丰富的目标结构信息,在雷达目标识别领域有良好的应用前景。针对传统的HRRP识别方法对噪声环境适应性差的问题,选用具有时移不变性的紧支撑小波自相关作为支持向量机(support vector machine, SVM)分类器的核函数,研究了幂次变换(power transform, PT)参数的选取对识别效果的影响,给出了参数选取经验公式,结合信噪比实时估算自适应地进行数据预处理以增强算法的抗噪性能。仿真表明,所提出的方法与传统的高斯径向基核SVM相比,提高了目标识别率,并且具有较好的噪声稳健性。     

基于局部混合滤波的SAR图像去噪

相干斑噪声是合成孔径雷达(synthetic aperture radar, SAR)成像系统所固有的缺点,严重影响SAR图像的可用性,给后续的图像分割、特征提取和目标识别等工作带来严峻的挑战。结合非下采样方向滤波器和双树复小波变换各自的特点,提出一种新的基于非下采样方向滤波-双树复小波变换的局部混合滤波SAR图像去噪算法,具有多方向和多尺度性,保持了图像的平移不变性,改善了图像的视觉效果。与其他算法不同,本文算法采用非下采样方向滤波器级联双树复小波的方法,不仅对每次产生的高频分量进行去噪,还对变换所产生的低频分量进行滤波去噪。实验结果表明：与使用同级双树复小波-轮廓波变换加软阈值去噪相比,本文算法的峰值信噪比提高2 dB;与使用轮廓波加循环平移（cycle spinning, CS）软阈值算法去噪相比,本文算法去噪后的图像不仅峰值信噪比有所提高,而且去噪后的图像更为平滑,抑制了人造纹理产生,视觉效果得到了明显改善。     

新型小波支持向量机在波动率预测中的实证研究

运用支持向量机进行广义自回归条件异方差(GARCH)模型预测所面临的一个主要问题就是普通核函数难以准确捕捉股指波动率的聚集特征.然而小波函数却具备以任意时间粒度在任意位置刻画任一时间序列的能力.因此,本文基于小波分析与核函数理论,构造了一个满足mercer条件的多尺度小波核来解决这一问题.通过真实股指数据分析,小波支持向量机在波动率预测中的有效性获得了证实.     

SVR在混沌时间序列预测中的应用

支持向量机是一种基于统计学习理论的新颖的机器学习方法，该方法已广泛用于解决分类和回归问题。将支持向量回归算法应用于混沌时间序列预测中，并同BP网络及RBF网络的预测结果进行了比较分析。仿真实验表明，支持向量回归方法具有很好的泛化能力和一定的噪声容忍能力。     

基于支持向量回归机学习的机械臂视觉反馈模糊控制

针对于机器人无标定视觉伺服问题,提出一种基于支持向量回归机(Support Vector Regression, SVR)学习的模糊控制(Fuzzy Logic Control, FLC)方法。FLC直接用于构建图像特征与机器人关节运动之间的非线性映射关系。FLC的模糊基函数用作SVR的核函数,建立FLC与SVR的数学等价关系。SVR从数据中学习的支持向量构建FLC的规则。所有规则来自于数据,因此无需人工设计规则。本文所提出方法充分利用了SVR针对小数据量学习具有较好的泛化性能优势,实验结果表明该视觉伺服控制器在精度上及收敛上均具取得较好性能。     

Information compression and speckle reduction for multifrequency polarimetric SAR images based on kernel PCA

Multifrequency polarimetric SAR imagery provides a very convenient approach for signal processing and acquisition of radar image. However, the amount of information is scattered in several images, and redundancies exist between different bands and polarizations. Similar to signal-polarimetric SAR image, multifrequency polarimetric SAR image is corrupted with speckle noise at the same time. A method of information compression and speckle reduction for multifrequency polarimetric SAR imagery is presented based on kernel principal component analysis （KPCA）. KPCA is a nonlinear generalization of the linear principal component analysis using the kernel trick. The NASA/JPL polarimetric SAR imagery of P, L, and C bands quadpolarizations is used for illustration. The experimental results show that KPCA has better capability in information compression and speckle reduction as compared with linear PCA.     

SVR在切削颤振状态趋势预测中的应用

针对当前准确地预测机床切削颤振状态趋势存在的困难,提出了基于支持向量机回归算法(SVR)的切削颤振状态趋势的预测方法,给出了运用支持向量机进行回归分析时的参数选择原则。研究了基于小波包分解的切削信号特征提取方法,首先将切削信号进行小波包分解,计算信号分解到各频带区间内的能量并对其进行归一化,并将其作为切削信号的特征向量输入到支持向量机回归分析模型。在CA6140车床上进行了数据采集和仿真,结果表明,通过这种方法得到的信号在各频带区间内的能量变化曲线能准确地反映切削颤振的过渡过程,并且通过SVR对其进行趋势预测也取得了比较满意的结果。     

SAR image denoising based on wavelet-fractal analysis

Wavelet-fractal based SAR （synthetic aperture radar） image processing is one of the advanced technologies in image processing. The main concept of analysis is that after wavelet transformation, multifractal spectrum of the signal is different from that of noise. This difference is used to alleviate the noise produced by SAR image.The method to denoise SAR image using the process based on wavelet-fractai analysis is discussed in detail. Essentially, the present method focuses on adjusting the Hoelder exponent α of multifractal spectrum. After simulation, α should be adjusted to 1.72-1.73. The more the value of α exceeds 1.73, the less distinctive the edges of SAR image become. According to the authors denoising is optimal at α=1.72-1.73. In other words, when α =1.72-1.73, a smooth and denoised SAR image is produced.     

New CFAR target detector for SAR images based on kernel density estimation and mean square error distance

A new constant false alarm rate (CFAR) target detector for synthetic aperture radar (SAR) images is developed. For each pixel under test, both the local probability density function (PDF) of the pixel and the clutter PDF in the reference window are estimated by the non-parametric density estimation. The target detector is defined as the mean square error (MSE) distance between the two PDFs. The CFAR detection in SAR images having multiplicative noise is achieved by adaptive kernel bandwidth proportional to the clutter level. In addition, for obtaining a threshold with respect to a given probability of false alarm (PFA), an unsupervised null distribution fitting method with outlier rejection is proposed. The effectiveness of the proposed target detector is demonstrated by the experiment result using the RADATSAT-2 SAR image.     

快速加权核范数最小化的SAR图像去噪算法

提出快速加权核范数最小化(fast weighted nuclear norm minimization,FWNNM)的合成孔径雷达(synthetic aperture radar,SAR)图像去噪算法。首先采用对数变换将SAR图像的乘性噪声变换为加性噪声,然后利用非局部相似性对变换后的图像进行块匹配,随后根据低秩模型框架,用随机奇异值分解替换加权核范数最小化(weighted nuclear norm minimization,WNNM)算法中的奇异值分解进行低秩矩阵逼近,再采用梯度直方图保存的方法对图像进行纹理增强,最终实现了对SAR图像快速去噪。在MSTAR数据库上的实验结果表明,与已有方法相比,所提方法在SAR图像去噪和边缘保持方面是有效的,并且比WNNM去噪速度快3倍。     

基于任务的装备器材非稳态需求预测

基于任务的装备器材具有非稳态、小样本等特征,针对其需求难以准确预测的问题,提出非稳态区间划分和支持向量回归(support vector regression, SVR)的预测方法。首先根据非稳态度量函数将需求序列划分为稳态子区间,然后对各子区间采用SVR进行预测,同时针对基于径向基函数(radial basis function, RBF)核函数的SVR对参数的敏感性问题,采用布谷鸟搜索算法(cuckoo search, CS)对SVR参数进行寻优,最后将各区间的预测结果进行加权求和得到最终预测结果。算例对比分析表明,该方法能够一定程度上降低数据非稳态影响,提高任务器材需求预测准确率。     

Applications of Wavelets in 3-D Audio Simulation

1. INTSODUCTIONThe application of wavelets in the fields of mathematics and engineering has grown rapidly inthe past few y6ars. In particular, it has been a powerful tool for signal processing and functionapproximation. To fUrther meet high-throughput networking requiremellts for 3-D audiosimulation, this paper uses wavelet decomposition properties to decrease redundant data andtransmission bandwidth. With the increasing developmellt of multimedia and virtual realitytechnologyl 3-D audio…     

基于PSO的SVR参数优化选择方法研究

支持向量回归机(SVR)模型的拟合精度和泛化能力取决于其相关参数的选取,因此提出了基于粒子群(PSO)算法的SVR参数优化选择方法;并以不同噪声影响下的sinc函数和实际发酵过程产物浓度的SVR模型为对象,将提出的PSO优化参数方法与现有的交叉验证法、留一法进行比较。仿真结果表明:该PSO优化SVR参数方法可行、有效,由此得到的SVR模型具有更好的学习精度和推广能力。     

基于改进矢量量化的SAR图像压缩算法

由于SAR图像像素之间相关性比较弱,考虑到矢量量化在信源弱相关的条件下,也能取得比较好的压缩效果,将矢量量化用于SAR图像压缩中。同时,针对SAR图像纹理丰富,容易受到斑点噪声影响的特点,改进算法将区域整体图像信息从量化空间中分离出来,而且删除了每次聚类后含有最少矢量的胞腔。该算法有效的减少了量化空间大小,使生成码字分布更加合理。实验结果表明,矢量量化对于SAR图像压缩是有效的,并且,改进算法提高了图像整体压缩效果,较好的保留了点线面目标,同时在斑点噪声抑制方面做出了有益的工作。     

基于FPGA的SAR回波仿真快速实现方法

回波仿真是进行合成孔径雷达（synthetic aperture radar,SAR）研究的重要途径,但其计算量巨大,所需的时间较长。为了快速实现SAR回波仿真,提出一种改进的同心圆方法进行快速计算,同时考虑到运算较为规整的特点,采用现场可编程门阵列（field programmable gate array,FPGA）作为主处理芯片。设计了专用于SAR回波信号模拟的数字信号处理板卡,并在板卡上编程实现整个回波模拟算法,给出资源使用情况和量化噪声影响,实际应用结果显示,采用FPGA来实现SAR回波仿真可以在保证精度的前提下大大加快仿真速度。     

基于树型小波和灰度共生矩阵的SAR图像分类

SAR图像包含有相干斑噪声 ,传统的方法不能很好地对SAR图像进行分类。为了能对SAR进行精确分类 ,将图像的灰度和纹理特征 ,空域和频域特征相结合 ,提出了一种新的SAR图像分类方法。该方法采用由树型小波中频纹理能量特征、灰度共生矩阵特征、树型小波滤波后的灰度组成的特征矢量对SAR图像进行分类。实验结果分析表明 ,该方法是一种有效的SAR图像分类方法。     

基于SVR和DCT的数字图像水印算法

针对彩色图像,提出了一种利用支持向量回归机（support vector regression, SVR）将水印信息嵌入到图像亮度分量的离散余弦变换（discrete cosine transform, DCT）域中的算法。主要思想是应用彩色图像的YCbCr彩色空间,将亮度分量分块后做离散余弦变换,在DCT块中选择中频系数,利用SVR很好的学习和泛化能力,建立中频系数与其邻域系数之间的关系模型,然后根据中频系数和SVR模型预测输出值,调整中频系数嵌入水印。提取水印时重新训练SVR模型,但不需要原始载体图像,实现了水印的盲检测。实验结果表明,该算法具有良好的不可感知性,对色度变化、低通滤波、模糊、锐化、亮度、对比度增强、添加噪声以及几何变换等攻击均具有较强的鲁棒性,尤其对JPEG压缩具有很强的抵抗能力。     

复杂曲面拟合的相关向量机模型及其泛化能力

介绍相关向量机回归(RVM,Relevance Vector Machine)的基本原理。分析采用高斯径向基核函数时,核函数参数与模型性能之间的关系,并给出核函数参数选择建议。针对一个复杂非线性函数,采用均匀网格取样,并分别增加正态分布噪声和均匀分布噪声,分析RVM回归分析的拟合和泛化能力并与支持向量机(SVM,Support Vector Machine)回归模型作了比较。结果表明,SVM对样本数据的拟合能力优于RVM。但对于非训练样本,RVM的泛化能力要优于SVM,而且RVM模型更加稀疏,且在给出预测值的同时能够给出预测值的置信区间。