自适应分数阶微分在图像纹理增强中的应用

针对目前只能通过人为实验指定最佳分数阶微分阶数的现状,为了节省大量人工寻求最佳分数阶微分阶数的时间,研究并提出了可以依据掩模窗口大小、G-L公式、图像梯度特征和人眼视觉特性等理论的能够自动生成分数阶微分阶数的新方法,基于该自适应阶数,设计并实现了对应的算子掩模.采用了信息熵、平均梯度等图像纹理特征评价参数做定量分析和实验验证,结果表明,该方法对任意灰度图像可以得到连续变化的增强效果,接近于最佳分数阶微分增强效果,符合人们的视觉感受,是有效的图像纹理增强方法.     

基于BAG误匹配的JPEG窜改图像的被动检测算法

当JPEG图像被窜改时,通过检测人工的块状网格BAG(block artifact grid)误匹配的痕迹,可以判定待检测图像是否被窜改过,但这种算法有较高的虚警率,提出一种改进算法。首先利用BAG误匹配原理检测图像,再在疑似窜改区域检测竖直方向和水平方向上是否同时存在相邻BAG的边缘,从而将窜改区域与偶发噪声点区域分开,最后对全图进行形态学处理,进一步消除噪声。实验证明,该算法可以在有效检测窜改区域的情况下,降低算法的虚警率,在数字图像的被动检测领域有广泛的应用前景。     

基于分数阶Fourier变换的数字图像加密算法研究*

基于分数阶Fourier变换和混沌,提出了一种数字图像加密方法。具体算法为：先对图像进行混沌置乱,再进行X方向的离散分数阶Fourier变换;然后在分数阶Fourier域内作混沌置乱,再进行Y方向的离散分数阶Fourier变换;最后将加密图像的实部与虚部映射到RGB,形成可传输的彩色加密图像。实验结果表明,该加密算法具有很好的安全性,在信息安全领域有较好的应用前景和研究价值。     

基于放大器非线性拟合的自适应预失真技术

本文提出了一种新的有效的大功率放大器非线性失真的数字自适应预失真设计方法。该方法基于有理双线函数的非线性及其逆变换易于求解的特性，设计大功率放大器的估计器以逼近大功率放大器的非线性特性，预失真器的非线性参数由估计器的逼近函数逐段取逆变换来调节，以达到预失真补偿的目的。计算机仿真结果表明：该方法用于正交频分复用（OFDM）系统中具有收敛速度快、系统性能稳定、补偿效果好等特点。     

面向大尺度三维重建的多核并行SIFT算法

针对大尺度三维重建中图像数据集较大、其特征提取和匹配时间消耗过长等问题,提出了一种针对有序图像数据集的滑动窗口匹配算法.该算法采用并行计算实现了对SIFT特征提取和匹配算法的加速,并在图形处理器上得以实现,减少了匹配计算量.实验结果表明,算法大大提高了特征提取和匹配的运算速度,保证了特征的稳定性和匹配精度,有效地缩短了大尺度三维重建的运算时间,确保了重建精度.     

求解分数阶微分系统的一种数值算法

由于分数阶微分系统具有记忆功能,在其求解过程中计算量较大.文中的目的是针对分数阶Grunwald-Letnikov(6L)定义,研究并寻求一种求解分数阶微分方程的有效数值算法.首先由分数阶GL定义得出分数阶的数值计算公式,进而从理论上分析了算法中分数阶项计算系数的特点,结合计算机数值仿真的结果,得出了远离当前时间的无穷小项一般不可忽略的结论,并设计了一种合理有效的计算方法.计算机数值仿真的结果表明,所设计的求解分数阶微分方程的算法精度高,通用性好,且易于编程实现.     

一种基于层次细节技术的植物形态系统模型优化算法

基于层次细节LOD(Level of Detail)技术,在植物形态系统的精度控制中,提出一种以植物投影在视平面上的面积作为等级控制计算依据的算法,新算法使得视觉重要度大的区域拥有较高的分辨率,可以更加准确地选择合适的植物精度进行绘制。通过实例分析验证了该算法的有效性的和实用性,从而保证了树木形态生成的真实性和实时性;并将此算法运用到植物群的实时仿真中进行群体优化,获得了满意的视觉效果和处理速度。     

具有时延的神经元模型耦合系统的混沌同步

该文研究了一个由有混沌现象的具有时延的简单神经元模型构成的耦台系统的混沌同步,具有时延的神经元模型混沌系统,对时延的初始值具有敏感性,对于任意激活函数,用解析分析方法得到了耦合系统达到强同步的一般化条件。     

具有时延的简单神经元模型的混沌行为

该文研究了具有时延的简单神经元方程周期解的失稳和混沌现象,数值仿真表明:在一阶非线性时延动力学系统中找到了新的混沌发生源,文中给出了例子的波形图、相图及最大Lyapunov指数图。     

基于熵聚类的RBF神经网络学习算法

RBF神经网络中心向量的确定是整个网络学习的关键,最常用确定中心向量的方法是K均值聚类算法,对聚类中心的初值选择非常敏感,选择的不好,容易减低网络的训练性能.为克服以上问题,提出了一种熵聚类的方法来自动确定RBF神经网络隐结点的中心个数及其初始值,实现K均值聚类算法的初始化,再用改进的K均值聚类算法调整RBF神经网络的中心和训练宽度.并将上述算法用于函数逼近问题.实验结果表明:改进的算法与常规的K均值聚类算法相比,提高了训练速度和逼近精度.