CPU片上热敏元件及布局研究

CPU芯片内部温度的准确测量是保证微处理器发挥最佳性能和提高芯片可靠性的重要前提.在对晶体管参数热效应进行理论分析的基础上,提出一种基于晶体管集电极电流热效应的片上热敏元件方案,推导和仿真证实所提方案元件具有较高的转换灵敏度.在对CPU芯片热点温度场进行理论分析的基础上,建议一种根据温度场分布特点的拐点圆上敏感元件对称布局方案,推导证实所提方案可改善测量精度.     

基于局部方差的自蛇模型平滑毫米波图像

针对毫米波图像数据量少和图像分辨率低的特点,提出基于局部方差自蛇模型平滑毫米波图像的方法.3×3窗口内的局部方差使毫米波图像在边缘和细节附近,其边缘停止函数接近为0,执行较小的平滑;在区域内部其边缘停止函数接近为1,进行较大的平滑,从而能够自适应地控制平滑过程.实验结果表明,所提出的平滑方法与传统自蛇模型相比,在消除噪声的同时更能够保留图像中的边缘和细节特征.     

基于局部非负稀疏编码的掌纹识别方法

为了更有效地提取出图像的局部特征,在传统的非负稀疏编码(Hoyer-NNSC)算法的基础上,提出了一种新的具有稀疏度约束的局部NNSC (LNNSC)算法。该算法考虑了特征基向量的稀疏度约束和特征的最大化代表性,能够得到强化的图像局部特征;同时利用拉普拉斯密度模型作为特征系数的稀疏惩罚函数,保证了图像结构的稀疏性。在特征提取的基础上,进一步利用径向基概率神经网络(RBPNN)分类器,实现了掌纹的自动识别。仿真实验结果表明,与基于非负矩阵分解(NMF)、局部非负矩阵分解(LNMF)和Hoyer-NNSC的掌纹识别方法相比,该算法在掌纹识别研究中有较高的可行性和实用性。     

组合NNSC收缩技术和改进四阶PDE的MMW图像恢复

毫米波(MMW)图像含有大量未知噪声,仅用一种方法恢复的效果较差,因此结合非负稀疏编码(NNSC)收缩技术和改进四阶偏微分方程(PDE)模型的优点,提出了一种基于组合处理的MMW图像恢复方法.NNSC收缩法具有自适应消噪图像的特性,和数据的属性无关;而改进四阶PDE能够消除二阶PDE产生的阶梯效应,同时避免光滑区域不平整的现象,具有较好的图像恢复效果.分别采用模拟的和真实的MMW图像进行测试,并用相对信噪比(RSNR)进行评判,实验表明,与NNSC收缩、基于四阶的PDE模型以及小波收缩等方法相比,所提出的方法能够有效地用于MMW图像的恢复.     

激光拾音头力矩器数学模型的研究

通过力矩器的结构分析,采用自动控制理论推导出一个动态数学模型。在此基础上。运用Matlab提出一种力矩器的非线性回复力模型实验仿真拟合的方法并对某种力矩器进行了实验仿真。这种方法可以方便和有效地使用于大部分光学头,但是由于非线性的存在。对大的动态范围仿真拟合的精度较差。     

一种新的毫米波图像去噪方法?

毫米波(MMW)焦平面成像系统得到的图像质量较差,为此,结合基于人类视觉系统(HVS)的自适应中值滤波和轮廓波变换,提出一种新的MMW图像去噪方法。利用基于HVS的自适应中值滤波方法实现噪声的自适应检测和滤波,滤除脉冲噪声。根据轮廓波分解的方向性和能量变化特性对中值滤波结果进行变换,并对得到高频子带做阈值去噪处理,以最大限度保留图像轮廓。实验结果表明,与传统方法相比,该方法所得图像的峰值信噪比较高。     

轮廓波和非负稀疏编码收缩的毫米波图像恢复

针对毫米波图像存在的分辨率较低的问题,结合局部非负稀疏编码（non-negative sparse coding,NNSC）算法的自适应高阶统计特性以及轮廓波分解的方向性和能量变化特性,提出了一种新的基于轮廓波和NNSC收缩的毫米波图像恢复方法。NNSC算法是近年来发展起来的模拟人类视觉系统信息处理的有效方法。使用NNSC训练得到的特征基向量和最大似然估计（MLE）,能够自适应地确定收缩去噪阈值,并把该收缩技术应用到轮廓波变换域,则能够大大减少毫米波图像中的大量未知噪声,提高毫米波图像的恢复质量。采用无噪自然图像验证基于轮廓波和NNSC收缩的图像恢复方法,实验结果证实了所提出的算法的有效性和实用性,表明该方法能够有效地用于低分辨率图像的恢复。     

应用改进自蛇模型和L-R算法恢复毫米波图像

在毫米波的图像恢复中,L-R算法是一种简单而有效的非线性方法,但当噪声不可忽略时,L-R算法难以获得较好的复原结果。针对毫米波图像数据量少和图像分辨率低的特点,提出基于改进自蛇模型和L-R算法毫米波图像恢复方法,以局部方差构造自蛇模型的边缘停止函数,其改进自蛇模型在消除噪声的同时更能够保留图像中的边缘和细节特征,然后使用L-R算法进行图像恢复,这种改进算法通过使用基于改进自蛇模型去噪能有效地减少噪声对L-R算法的影响。实验结果表明:在信噪比和相关度方面本文算法提高了L-R算法的性能,可用于含噪声的图像复原。     

基于模糊径向基神经网络和稀疏表示的毫米波图像恢复

针对毫米波（MMW）图像包含大量未知噪声、图像分辨率较低的问题,考虑模糊径向基函数神经网络(F-RBFNN)的非线性滤波特性和基于K-奇异值分解（K-SVD）稀疏表示（SR）的自适应消噪特性,提出了一种级联消噪的毫米波图像恢复方法。F-RBFNN将模糊逻辑的知识表达和推理能力与RBFNN的快速学习能力和泛化能力结合起来,可根据实际问题调整网络结构参数,对MMW图像达到非线性滤波的目的。进一步利用K-SVD稀疏表示具有人眼视觉特性,在保持目标特征的同时可有效消噪的优点,对FRBFNN的训练结果再次进行局部图像降噪,得到分辨率较高的MMW图像。采用相对信噪比（RSNR）作为消噪图像的评价标准,实验结果表明,与F-RBFNN、K-SVD消噪、小波消噪等方法相比,基于F-RBFNN和SR的降噪方法能够获得较好的MMW图像恢复质量。     

一种新的掌纹ROI图像定位方法

在分析传统Harris算法缺陷的基础上,提出一种基于角点检测的快速掌纹图像预处理方法。该方法利用一种改进的自适应Harris算法提取出手掌边缘和手指凹凸处的轮廓特征点,采用属于同一特征组的特征点均值作为候选角点,剔除了邻近角点,并根据候选角点在轮廓线上角度变化的大小定位手指根部的三个关键角点,从而有效提取出掌纹图像的感兴趣区域(ROI)。实验测试图像采用CASIA数据库,实验结果表明,该方法能快速有效地定位出掌纹的ROI区域,且能有效增强掌纹图像的边缘与细节,有利于提高掌纹识别的识别率。