基于独立成分分析的反卷积新方法

基于独立成分分析方法进行了反卷积研究。独立成分分析算法中要求混合的观测信号不少于从这些观测信号中分离出的独立成分数。针对反卷积中混合的观测信号路数不满足上述条件的问题,提出了一种新的基于独立成分分析的反卷积方法,该方法通过对输入信号进行变换构造出新的观测信号,并对卷积模型进行非线性变换,采用独立成分分析算法实现解卷积混叠。仿真实验结果表明,该方法具有较好的性能,并能实现对信道瞬态响应信号的提取。     

一种基于ICA的同态盲反卷积算法

盲反卷积是图像处理、语音信号处理、通信、系统辨识和声学等许多研究和应用的基本问题,具有重要的理论与应用价值。根据无损检测中盲反卷积问题的特点,提出了一种新的基于ICA的同态盲反卷积算法。该算法首先将检测信号变换到复倒谱域,将卷积混合模型变为线性混合模型,即ICA问题;然后通过ICA将系统冲击响应和输入信号分离;最后,根据分离的复倒谱信号,重构其时域信号。论文提出的盲反卷积算法具有运算量小,计算速度快,分离精度高等特点,且不受信道是否为最小相位信道的影响。计算机模拟和实验数据都证明了算法的有效性。     

混沌卷积混合信号的预测重构盲反卷积方法

介绍了混沌序列的特性，然后利用混沌的类随机特性和盲信号处理技术，提出了一种针对混沌卷积混合信号的预测重构盲反卷积方法．该方法充分利用了混沌的物理特性，通过对混沌卷积混合信号使用基于直接预测误差分析所构成的混沌滤波器和基于相空间重构动力学系统方程的人工智能补偿技术去进行盲反卷积，从而实现对单输入单输出混沌卷积信号的源信号和传输函数的盲反卷积处理．仿真实验验证了该方法的有效性和可行性。     

一种改进的图像迭代盲反卷积算法

针对传统迭代盲反卷积算法收敛速度慢、容易出现解模糊等问题,提出一种改进的图像迭代盲反卷积算法。利用动量矩求解图像的有限支持域,在支持域中使频率域和空间域交替迭代,从而实现图像的盲复原。仿真结果表明,与传统迭代盲反卷积算法和基于小波变换的盲反卷积算法相比,该算法的收敛速度较快,具有较好的图像恢复效果。     

基于迭代计算的二值波形反卷积

传统的条码识别方法是通过二阶导数零交叉来定位条码边界。对于被光学系统点扩展函数严重模糊的高密度条码图像，这种方法的性能急剧下降。为了克服点扩展函数卷积造成的模糊，需要进行反卷积处理复原波形。反卷积问题的求解是一个病态问题。在条码波形二值的限定下，提出了一种基于迭代计算的反卷积算法。先将条码图像旋至水平；然后分析条码波形，进行系统辨识；最后根据点扩展函数，采用迭代的方法重建条码波形。实验结果表明算法具有优秀的性能，显著地提高了高密度条码的识别率。     

Adam优化的CNN超分辨率重建

为了使单帧图像在不同放大倍数的条件下进行超分辨率重建能得到较好的效果,提出了一种Adam优化的卷积神经网络(convolutional neural network,CNN)超分辨率重建方法。该方法首先使用ISODATA(iterative selforganizing data analysis)聚类算法对训练的图像集进行分类处理,然后在Adam优化的卷积神经网络中对输入图像进行特征提取和非线性映射得到特征映射图,最后在Adam优化的卷积神经网络中对特征映射图进行反卷积重建得到多尺度放大的重建图像。通过实验验证使用该方法在不同放大倍数条件下的重构效果优于传统算法,在视觉效果上有较好的表现。     

基于双层反卷积的宽场荧光显微图像盲复原*

针对宽场荧光显微图像盲复原中的不适定性和细节模糊问题,提出了基于双层反卷积的宽场荧光显微图像盲复原算法,该算法通过双层反卷积,结合图像金字塔,实现了由粗略到细致的图像复原。为抑制不适定性,外层反卷积采用全变分模型,对复原图像和光学传递函数进行正则化约束。在内层反卷积中,通过残差图像进一步复原出图像细节。实验结果表明,该算法能在有效抑制伪影和噪声的同时,复原出宽场荧光显微图像的细节。与近几年图像盲复原算法相比,该算法所需的计算时间短,复原出的宽场荧光显微图像不仅有更好的视觉效果,而且客观上有较高的峰值信噪比和图像熵。     

基于深度反卷积神经网络的图像超分辨率算法

图像超分辨率一直是底层视觉领域的研究热点,现有基于卷积神经网络的方法直接利用传统网络模型,未对图像超分辨率属于回归问题这一本质进行优化,其网络学习能力较弱,训练时间较长,重建图像的质量仍有提升空间。针对这些问题,本文提出了基于深度反卷积神经网络的图像超分辨率算法,该算法利用反卷积层对低分辨率图像进行上采样处理,再经深度映射消除由反卷积层造成的噪声和伪影现象,使用残差学习降低网络复杂度,同时避免了因网络过深导致的网络退化问题。在Set5、Set14等测试集中,本文算法的PSNR、SSIM、IFC三项评价指标皆优于FSRCNN,重建图像的视觉效果同样验证了本文算法出色的性能。     

基于全卷积神经网络的肝脏CT影像分割研究

针对腹部CT影像邻近器官对比度较低及因个体肝脏形状差异较大等引起肝脏分割困难的问题,提出了全卷积神经网络肝脏分割模型。首先通过卷积神经网络提取图像深层、抽象的特征,再通过反卷积运算对提取到的特征映射进行插值重构后得到分割结果。由于单纯进行反卷积得到的分割结果往往比较粗糙,因此,在反卷积之前,先融合高层与低层的特征,并且通过增加反卷积的层数、减少反卷积步长,得到了更为精确的分割结果。与传统卷积神经网络的分割方法相比,该模型可以充分利用CT影像的空间信息。实验数据表明该模型能够使腹部CT影像肝脏分割具有较高的精度。     

取邻抽取任意倍数采样率变换算法性能研究

定量分析了取邻抽取任意倍数采样率变换算法的取邻误差.首先基于分数倍采样率变换结构,从取邻抽取的角度阐述了软件无线电中的任意倍数采样率变换算法,推导了其实现结构和计算量.在此基础上,详细地定量分析了取邻误差,将取邻抽取的影响等价为信噪比的降低,并以此为指导选取算法参数.结果表明,这种取邻抽取任意倍数采样率变换算法具有通用性和高效性的优势,通用性表现为以统一的算法结构来实现任意倍数的采样率变换,高效性表现为在同样性能要求下其计算量与传统方法相当.     

Maximum average impulse energy ratio deconvolution and its application for periodic fault impulses enhancement of rolling bearing

Periodic fault impulses, inevitably occurring along with a localized defect, are crucial for incipient fault diagnosis of rotating machinery. Whereas, they are awfully weak and masked by other interferences in industrial applications. Blind deconvolution methods (BDMs) are diffusely used in enhancing periodic fault impulses submerged in vibration signals. Due to some drawbacks, the applications of traditional BDMs are restricted. Therefore, the maximum average impulse energy ratio deconvolution (MAIERD) method is proposed, where the maximization of a new index called average impulse energy ratio (AIER) is tailored as the objective function. AIER takes the sampling point with the largest amplitude in every fault period as the location of fault impulse. Also, the fault period is detected by the autocorrelation function of the envelope signal. Furthermore, the Morlet wavelet is appointed as the initial filter. The synthesized signals and experimental data collected from two different rolling bearing test rigs are processed for verification. The results show that the proposed MAIERD method is superior in enhancing periodic fault impulses compared with five popular deconvolution methods.     

基于压缩感知的正交频分复用信道估计方法

传统的信道估计方法未充分利用信道的稀疏性。利用信道冲激响应的稀疏特性,提出了将FOCUSS(Focal Underdetermined System Solver)压缩感知算法应用到信道估计中,从均方误差和正确检测率方面分别与传统最小二乘估计和正交匹配追踪压缩感知信道估计相比较。仿真结果表明,本文算法的均方误差较小,正确检测率较高,能够以较少的导频信号获得好的估计性能。     

一种频率域相关性分布式扩散最小均方算法

以均方误差为代价函数的最小均方（LMS）自适应滤波算法具有结构简单、易于实现、计算复杂度低、稳定性好等优点,然而在对未知系统的脉冲响应进行估计时,传统的分布式扩散最小均方（DLMS）算法易受到噪声的干扰,从而降低估计精度。针对该问题,提出一种频率域相关性分布式扩散最小均方（FCDLMS）算法。利用不相关信号的相关函数值趋近于零的性质,在DLMS算法基础上分别将输入信号的自相关函数以及输入和期望信号的互相关函数作为新的观测数据,消除噪声干扰,从而给出相关性DLMS （CDLMS）算法,并将算法扩展至频率域,在频率域中使用乘法运算而非卷积运算来更新抽头系数,减少计算复杂度。实验结果表明,与传统DLMS算法相比,频率域相关性分布式扩散最小均方算法在噪声环境下对分布式自适应网络中的未知系统脉冲响应具有更好的估计结果,算法性能更优,同时也能较好地适应多抽头数、多节点数、强噪声的复杂环境。     

基于Dijkstra算法的社交网络抽样生成

针对社交网络中随机抽样算法抽样结果不能很好地代表原始网络的问题,设计了一种基于Dijkstra最短路径的抽样算法。首先,利用Dijkstra算法多次抽取社交网络中节点之间的最短路径;然后,对抽取到的路径中边出现的频率进行排序,选择较高频率的边组成抽样的子图。该算法解决了随机抽样算法存在的一些问题,实现了较好的生成抽取社交网络的功能。仿真实验结果表明,与随机抽样方法相比,所提抽样算法能减少抽样误差,更好地反映原始网络。     

改进的基于DFT的OFDM系统信道估计算法

在正交频分复用（OFDM）系统中,针对常用的信道估计算法不能有效地抑制信道冲激响应中循环前缀长度内噪声的不足,提出了一种改进的基于离散傅里叶变换（DFT）的信道估计算法。该算法是一个多次迭代的过程,通过最小二乘算法获得导频位置处的信道频域响应,经过逆傅里叶变换后,利用时域内引入的能量增长速率函数来判断信道冲激响应分布情况,以便对其进行消噪处理,最后通过多次迭代进一步抑制子载波间干扰和加性高斯白噪声。仿真结果表明,无论在多普勒频移较小还是较大的情况下,该算法的估计性能均优于最小二乘（LS）信道估计算法、传统基于DFT的信道估计算法和基于阈值的信道估计算法。在系统误比特率为[10-2]时,改进的基于DFT的信道估计算法比其他算法有3~5 dB的性能增益。     

一种改进的Bayes抠图算法

针对传统Bayes抠图算法容易在生成的不透明度通道上产生脉冲噪音的问题,提出一种改进算法,充分考虑分簇采样点所占比重对α值估算准确度的影响,在贝叶斯框架中嵌入一个含比重因子的平滑约束项表达式。仿真实验结果表明,该改进算法能够有效消除脉冲噪音,使抠像结果更为光滑。     

一种低复杂度的稀疏控制MPNLMS算法

稀疏控制算法将稀疏性系数加入到步长控制因子递推计算过程中,加速了传统回声消除算法的收敛速度。但其快速收敛与低复杂度是一对矛盾的需求。针对这一矛盾,提出了一种基于集员滤波的稀疏控制MPNLMS算法（SM-SCMPNLMS）。该算法中只有当参数估计误差大于给定的误差门限时滤波器系数才进行迭代更新,从而有效地减少了滤波器系数的迭代次数。在稀疏、色散路径以及路径突变三种环境下进行了仿真,结果表明新算法在降低计算复杂度的同时,表现出了与稀疏控制MPNLMS算法同样优良的收敛速度和稳态回波返回损失强度。     

基于脉冲响应的输出误差模型的辨识

基于系统脉冲响应参数, 利用相关分析方法, 提出了一种辨识输出误差模型参数的方法. 该方法是利用有限脉冲响应模型逼近输出误差模型, 通过依次递增脉冲响应参数的数目N来提高逼近精度. 理论分析表明, 只要N足够大, 模型的辨识精度可以满足实际要求. 提出的辨识方法可以在假设阶次N =1的条件下, 依次递增计算N较大时的脉冲响应参数和目标函数值, 从而根据脉冲响应确定系统的参数. 仿真试验说明提出的方法估计输出误差模型的参数是有效的.