用整数小波结合改进SPIHT编程实现静止图像无损压缩

无损图像压缩是图像处理中的一个重要领域，传统的基于熵编码地无损压缩编码方式存在一定的局限。利用提升算法构造整数小波变换，然后针对无损压缩特点，对SPIHT算法加以改进，实现了一种可行的图像无损压缩编码方案。实验表明，优于传统熵编码和直接采用SPIHT的无损压缩方法。     

利用接触跟踪机制实现Email蠕虫的检测

针对E-mail蠕虫逐渐成为一种主要的网络威胁,提出基于接触跟踪机制检测蠕虫的方法CTCBF.该方法利用"差分熵"对单个网络节点的异常连接行为进行检测,再通过异常节点之间的连接关系利用跟踪算法建立跟踪链,当跟踪链的长 度达到设定阈值时,跟踪链上的可疑节点被确认为感染节点.针对阈值的不确定性,提出了一种动态阈值方法,根据...     

基于回归支持向量机的胎儿心电提取

针对胎儿心电难以提取的问题,提出一种从母体腹壁混合信号中提取胎儿心电的方法.首先利用回归支持向量机(Support vector regression machine,SVRM)拟合母体心电传导至腹壁所经历的非线性变换,然后将母体心电经由所拟合的非线性变换得到腹壁混合信号中的母体心电干扰的最优估计,再从腹壁混合信号中减去母体心电干扰的最优估计得到含噪声的胎儿心电,最后通过小波包去噪技术抑制胎儿心电中的基线漂移和噪声,得到清晰的胎儿心电.在胎儿心电和母体心电QRS波完全重叠的情况下,通过该方法能够提取出清晰的胎儿心电.实验结果验证了该方法的有效性.     

基于图论的视觉注意模型

为了模拟人眼的视觉搜索结果,提出了一种基于图论的自底向上的视觉注意计算模型.在计算显著图的过程中,构造了马尔可夫矩阵并计算图中每个顶点的度.由马尔可夫矩阵和度的计算提取出图像在颜色、亮度和方向3个特征方面显著的区域,最后生成显著图.实验仿真结果表明:与部分的视觉注意模型相比,本文模型具有目标检测能力强和计算量小的优点     

中继网络Max-Min和Min-Max公平性的功率分配

研究了无线非再生中继网络中基于多用户QoS保证的功率分配策略。由于每个用户的信道状态不同,采用传统的平均功率分配策略并非最优,为了满足用户的QoS要求,首先建立了在总功率受限条件下最小化最大用户中断概率的功率分配方案。然后在中断概率和总功率受限条件下,建立了最大化最小用户速率的功率分配方案。上述功率分配问题可转化为GP(Geometric Programming)问题进行求解,仿真结果表明,所提功率分配策略能有效地满足用户间的QoS要求。     

TCP SACK突发分组丢失吞吐量模型

利用Gilbert分组丢失模型描述端对端突发分组丢失特性,提出了基于RFC6675的快重传和快恢复模型,推导并基于该模型建立TCP SACK吞吐量模型。数值实验和仿真实验表明,快重传和快恢复模型能准确描述基于RFC6675的快重传和快恢复过程;TCP SACK流吞吐量模型估计的准确性得到提升。     

认知OFDM网络中基于中断概率约束的功率分配

研究了认知正交频分复用(OFDM)系统的容量极限及最优功率分配策略. 为限制主用户中断概率,建立了在主用户接收端中断概率受限下最大化认知用户传输速率的数学优化问题,并利用拉格朗日乘数法得到该问题的最优解. 仿真结果表明,所提算法将主用户中断概率限制在其可容忍范围内的同时,最大化了认知用户的传输速率.     

基于RWR的自然图像抠图

提出了一种基于图论的自然图像抠图方法。该算法首先在图像上建立图的模型,并用不同颜色标记目标种子点和背景种子点;接着采用有重启概率的随机游走方法计算像素点之间的相似性,进而提出一个线性概率模型;最后求解模型并分别估计前景和背景物体。与目前的抠图方法相比,该算法具有以下特点：将RWR方法结合图论用于自然图像抠图中;减小了RWR算法在图像分割中迭代求逆的高复杂度,大大提高了抠图速度;解决了“弱”边界的问题。     

基于视觉注意的目标预检测模型

提出了一种从输入图像中提取一致性特征并将该特征融入视觉注意模型中的方法,它以Itti提出的视觉注意模型为基础,首先采用线性离散高斯滤波器对输入图像进行平滑和降采样,得到不同分辨率的子图像,建立输入图像的高斯金字塔结构.然后利用梯度结构张量计算各子图像的一致性并通过中央周边差操作得到一致性特征图,最后利用层间求和操作求得输入图像的一致性显著图引导注意.实验表明,在视觉注意模型的初级视觉特征提取阶段添加图像的一致性特征,能检测出Itti模型不能检测的一致性特征显著的感兴趣区域,而且能优先检测出具有特殊方向的目标.     

基于混沌神经网络的多用户检测器

提出一种基于增广Lagrange乘子——暂态混沌神经网络的码分多址（Code Division Multiple Access，CDMA）多用户检测新技术。该技术将混沌模拟退火算法与增广Lagrange乘子相结合，具有良好的逃逸局部最小点的能力和较快的收敛速度，同时能有效克服惩罚函数的缺点。仿真实验结果表明，基于增广Lagrange乘子——暂态混沌神经网络的多用户检测器，其误码率性能优于Hopfield神经网络及未改进的暂态混沌神经网络等多用户检测器。