基于ADSP-TS101的IRFPA实时非均匀性校正模块的设计

简要介绍了基于神经网络的非均匀性校正算法的优点和实现难点。根据ADIADSP—TS101 DSP的特点,对神经网络校正算法的数据流图,运算结构进行优化,详细论述了优化方法。所设计的校正模块采用DSP＋FPGA结构,具有独立灵活的输入输出接口,可以作为一个独立的模块嵌入到当前的红外信号处理系统中,满足工程应用需求。     

BP神经网络用于大视场显示设备的畸变校正

大视场光电成像显示设备中会出现光学系统引起的图像几何畸变现象。为了提高显示设备畸变校正效果,并克服传统BP算法存在局部极小点、收敛速度慢等缺点,采用了基于优化理论的LM算法来改进传统BP神经网络算法。提出一种含有双层隐含层的BP神经网络畸变校正方法,可在不确知畸变数学模型情况下,实现自适应地建立畸变图像与原始图像之间的高精度映射关系。在Matlab平台上进行算法的深入分析和比较。仿真结果表明,双隐含层BP神经网络算法易于实现、数据处理能力强、校正精度高。与多项式拟合方法的畸变校正模型相比,基于双隐含层BP神经网络算法的畸变校正模型的各项精度指标提升显著。     

光模数转换系统数据校正算法的FPGA设计实现

给出了一种在FPGA上实现光模数转换系统中的数据校正恢复算法的方案。采用System Generator作为算法实现的中间层,并在FPGA上进行了仿真和验证。测试结果表明所提方案校正后的信号与原输入信号的偏差的均值小于2．5％,与使用MATLAB校正后的信号的偏差的均值（〈2％）非常接近。但算法在FPGA上实现的实时性明显提高。     

红外焦平面非均匀性自适应校正算法实时实现

由于材料、工艺等原因,红外焦平面阵列(IRFPA)各单元普遍存在响应不一致的现象,从而导致IRFPA都存在非均匀性.非均匀性校正(NUC)是红外图像处理系统中的重要环节.文章在研究了基于神经网络的NUC算法的基础上,提出了一种采用DSP与FPGA相结合实现基于神经网络的非均匀性自适应校正算法实时实现硬件方法,在该方法中利用FPGA并行处理能力强的特点,对焦平面阵列进行非均匀性校正,而DSP的计算能力强,完成校正系数的自适应更新.将该方法应用于128×128红外成像系统中,可使系统长期稳定地工作,克服了校正参数的漂移问题.     

图像传感器MT9M034输出图像数据的校正

针对高动态范围图像传感器MT9M034输出图像时进行实时数据压缩引入的误差,分析研究了该误差对基于CLAHE色调映射算法的影响,并给出了误差校正方法和FPGA实现电路。实验结果显示,误差校正方法减小了该误差影响,且改善了CLAHE色调映射处理的效果。     

多通道信号并行采集和万兆高速传输系统设计

给出了以高性能FPGA和DSP为核心实现的并行信号采集和万兆高速传输系统,通过5片ADC芯片的分时采集和误差校正实现了2.5Gsps多通道信号高精度并行采集,基于交换路由芯片实现了万兆串行RapidIO互连.基于FPGA逻辑实现以Farrow结构分数延时滤波器为核心的定时误差校正算法;配置DSP高速串口、FPGA GTX收发器和路由芯片实现了可扩展的高速通信机制,优化实现了高性能DSP的信号处理.     

基于FPGA的红外图像非均匀校正实现方法

针对某国产探测器成像特点,对传统两点校正和神经网络非均匀性校正算法进行了改进和定点化处理。对算法实现时的存储和数据流需求进行分析后,利用存储控制器对DDR2高速读写的优势,在以FPGA为核心的红外成像装置预处理平台上实现了校正系数的在线标定和自适应迭代。在系数更新时,引入运动判断环节,以防止神经网络校正算法带来的目标退化和鬼影现象。成像系统仅采用一片FPGA芯片,使得系统小型化成为可能,充足的资源余量使其具有功能可扩充性。实验证明该实现方法明显改善了红外成像装置的非均匀性,在抑制时间漂移上也取得了满意的效果。     

基于局部梯度的神经网络非均匀性校正算法

为了解决传统神经网络算法在用于红外焦平面阵列(Infrared Focal Plane Array,IRFPA)非均匀性校正(Non-Uniformity Correction,NUC)时所面临的边缘模糊、收敛速度慢等问题,通过引入图像局部梯度特性对该算法进行了改进。通过用局部梯度相似度信息构造权值函数来对区域进行加权滤波,可以保留图像边缘信息。在迭代运算中,将梯度幅值加权的自适应参数规整因子加入了误差损失函数,并引入梯度幅值相关的自适应步长用以代替传统的固定步长,从而进一步提升了算法的校正效果和收敛速度。然后对算法的性能曲线和校正结果进行了分析。结果表明,与传统算法相比,改进的神经网络校正算法取得了更好的校正效果,其校正误差稳定低于前者,实现了有效抑制边缘模糊和提升收敛速度的目标。     

基于FPGA的IRFPA非均匀性自适应校正算法实时实现

红外焦平面阵列(IRFPA)的非均匀性校正(NUC)是红外图像处理系统中的重要环节.在研究了基于神经网络的NUC算法的基础上,提出了一种采用FPGA基于神经网络的非均匀性自适应校正算法实时实现硬件方法,该方法利用流水线技术和并行处理结构,大大提高了系统的运算速度,特别适用于大面阵、高帧频红外焦平面成像系统;而且系统仅利用了一片FPGA,体积小,功耗低,便于系统的小型化.     

一种红外焦平面非均匀性组合校正算法

分析了传统神经网络非均匀性校正算法在空域处理过程中产生目标退化的原因,在总结基于边缘指导的神经网络校正算法(ED-NN-NUC)与一点定标和神经网络结合的校正算法的基础上,提出了新的组合校正算法.新算法包含预校正、粗校正和精校正三个处理模块,利用含有弱小目标的实际红外图像进行了实验验证.结果表明,新算法能有效地抑止目标退化,并在运算速度上比ED-NN-NUC有一定的提高.     

基于BP神经网络的IRFPA改进型非均匀性校正算法

提出了一种基于神经网络的红外焦平面阵列（Infrared Focal Plane Array,IRFPA）非均匀性自适应校正算法。首先,利用归一化思想对图像进行处理以利于选取迭代步长;其次,优化隐含层结构以获得更接近于真实信号的期望信号。实验结果表明,该方法在校正精毖、收敛速度和稳定性方面均优于传统的神经网络校正算法。     

基于可见光通信的BP神经网络室内定位算法

提出一种基于可见光通信的BP神经网络室内定位算法,首先通过MDS-MAP算法和最小二乘法获得全网节点的相对坐标,再利用信源节点的坐标信息得到网络内所有节点的绝对坐标,最后通过单隐层BP神经网络优化定位结果。仿真结果表明,该算法比MDS-MAP算法和MDS-MAP(P)算法的相对定位误差小,应用于室内定位可以得到更高的定位精度。     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上,针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题,提出了一种新型的粒子群优化(PSO)算法与后向传播(BP)神经网络相结合的算法.BP网络算法权值的修正依赖于非线性梯度值,易形成局部极值,同时学习次数较多,需先通过粒子群算法进行优化.为了提高定位精度,首先采用速度常量法滤波处理,然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化,并分析算法的性能.试验中隐层节点个数采用试错法,从12到19变化,以确定合适数目.实验结果表明,与一般加权算法和传统BP算法相比,改进的混合优化算法可大幅改善测距误差对定位误差的影响,同时可使25 m内最小定位误差小于0.27 m.     

基于亚像素配准的神经网络非均匀性校正

红外焦平面存在严重影响成像质量的非均匀性,本文使用基于亚像素配准算法和动量项BP神经网络的非均匀性校正算法进行校正。对短波红外相机成像过程中,由于相机视轴与成像目标位置的相对偏移(由相机安装平台晃动所致),使用基于矩阵乘法的亚像素配准算法进行配准;为了加速算法收敛,采用两点法来对校正系数进行初始化;为了改善BP神经网络容易陷入局部最优值,采用增加动量项的方法来改善校正效果。通过仿真实验可以看出提出的算法消除了传统神经网络校正方法存在的鬼影和边缘模糊等问题,获得了良好的校正效果,同时提高了算法的收敛速度。为短波红外图像数据后期处理提供了良好的基础。     

基于头脑风暴优化算法的BP神经网络模糊图像复原

该文提出一种基于头脑风暴智能优化算法的BP神经网络模糊图像复原方法(OBSO-BP)。该方法在聚类和变异两方面优化了头脑风暴智能算法,利用头脑风暴优化算法易于解决多峰高维函数问题的特点,自动搜寻BP神经网络更佳的初始权值和阈值,以减少BP网络对其初始权值和阈值的敏感性,避免网络陷入局部最优解,增加网络的收敛速度,减小网络误差,提高图像还原质量。该文采用20张不同的图像,对其模糊图像分别进行维纳滤波复原(Wiener)、基于头脑风暴算法的维纳滤波复原(Wiener-BSO)、BP神经网络复原以及基于头脑风暴算法的BP神经网络(BSO-BP)图像复原实验。实验结果表明,该方法能够取得更好的图像复原效果。     

基于ANN和残差修正的电力系统短期负荷预测

提出了一种人工神经网络与灰色理论模型相结合的综合预测方法。在神经网络结构设计中分别选取带有横向和纵向特征的负荷作为输入，并充分考虑气候敏感因素及特殊负荷日的影响。在分析预测差值的基础上，将灰色理论残差校正模型运用到预测结果的修正当中去。算例表明所提出的方法提高了预测精度。     

Image quality assessment based on deep learning with FPGA implementation

To improve image quality assessment (IQA) methods, it is believable that we have to extract image features that are highly representative to human visual perception. In this paper, we propose a novel IQA algorithm by leveraging an optimized convolutional neural network architecture that is designed to automatically extract discriminative image quality features. And the IQA algorithm uses local luminance coefficient normalization, dropout and the other advanced techniques to further improve the network learning ability. At the same time the proposed IQA algorithm is implemented based on Field Programmable Gate Array (FPGA) and further evaluated on two public databases. Extensive experimental results have shown that our method outperforms many existing IQA algorithms in terms of accuracy and speed.     

电离层虚高误差影响下基于神经网络的单站定位结果修正

针对电离层虚高观测误差使得超视距目标定位精度受到一定限制的问题,提出了一种电离层虚高误差影响下基于神经网络的单站定位误差校正方法。在存在电离层虚高误差的单站定位场景中,利用神经网络对多重信号分类（Multiple Signal Classification,MUSIC）算法的位置估计结果进行修正。仿真实验表明,在信噪比为0 dB的情况下,30 km的电离层虚高误差引起的定位误差能从111 km降到10 km以内。     

具有二维状态转移结构的随机逻辑及其在神经网络中的应用

随机计算是一种特殊的基于概率数据码流的数学计算方法,其优点在于可以采用非常简单的数字逻辑完成复杂数学运算,从而大幅降低硬件实现成本。该文首先讨论了随机计算的基本原理和主要运算逻辑,论述了传统线性状态机的不足,并分析了一种2维状态转移拓扑结构,推导了通过2维有限状态机实现高斯函数的方法。在此基础上,提出一种随机径向基函数神经网络模型,其硬件实现成本非常低,而性能与传统神经网络相当。两类模式识别实验结果显示,所提出的随机径向基函数神经网络的输出值均方误差与相应结构传统神经网络的差别小于1.3%。FPGA实验结果显示,数据宽度为12位时,随机中间神经元的电路面积仅为传统插值查表结构的1.2%、坐标旋转数字计算方法(CORDIC)的2%。通过改变输入码流长度,该神经网络可以在处理速度、功耗和准确性之间作出平衡,具有应用灵活性,适用于对成本、功耗要求较高的应用如嵌入式、便携式、穿戴式设备。     

基于萤火虫BP神经网络的轴承故障诊断研究

针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题,提出将具有全局寻优的萤火虫算法,结合BP算法共同训练神经网络。在本质上,萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练,避开局部极值点,得到优化后的神经网络初始权值后,利用BP算法的局部寻优特性对网络做进一步精细训练。轴承故障实验表明,萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升,故障识别率最高达到99.47%。