【摘 要】
：
1bit压缩感知技术日益受到关注。1bit信号往往有符号跳变，同时信号重构还需要稀疏度先验信息，如何有效地克服信号重构对稀疏度的依赖性，提高重构算法对噪声的鲁棒性，这是该领域面临的重大挑战。本文在二进制迭代硬阈值算法基础上，引入自适应稀疏度，利用残差能量的大小，通过对信号和噪声的学习，解决稀疏度依赖问题，通过引入弹球损失和自适应异常值追踪提高对噪声的鲁棒性，通过引入归一化参数，缩短运算时间。数值仿
论文部分内容阅读
1bit压缩感知技术日益受到关注。1bit信号往往有符号跳变，同时信号重构还需要稀疏度先验信息，如何有效地克服信号重构对稀疏度的依赖性，提高重构算法对噪声的鲁棒性，这是该领域面临的重大挑战。本文在二进制迭代硬阈值算法基础上，引入自适应稀疏度，利用残差能量的大小，通过对信号和噪声的学习，解决稀疏度依赖问题，通过引入弹球损失和自适应异常值追踪提高对噪声的鲁棒性，通过引入归一化参数，缩短运算时间。数值仿真实验表明，本文算法重构复杂度降低10%左右，在信号无噪声条件下重构信噪比提高2.1dB，在有噪声条件下
其他文献
针对木材检尺中采用人工检尺的方法存在效率低下且检尺主观性较强的问题，提出一种基于掩模区域卷积神经网络（Mask R-CNN）实例分割模型的木材分割方法，探究实例分割在木材密集堆放场景下对各尺寸木材的分割的可行性，以期实现智能检尺，提高检尺效率。应对密集木材检测分割任务，难点在于密集小木材和大木材的检测。本研究在原始Mask R-CNN模型的基础上通过改进优化模型参数，包括多尺度训练、提升样本采样数
生态效益从1980年代提出以来,在我国得到了广泛的应用。但到了1990年代,随着外来词—生态系统服务(功能)的引进,生态效益在生态学界的使用不像从前普遍。本文将探讨生态效益的定义、与生态系统服务的关系、形成机制和主要特征,为国家将落实生态效益纳入到社会经济发展评价指标体系提供理论基础。本文将生态效益定义为生态系统及其变化引起的人类生存和社会经济发展条件的改善程度,并指出了生态效益形成机制及其特性的
海底沉积物孔隙压力对海底地质灾害过程反应敏感，是表征海床稳定性的一个重要指标，通过海底沉积物的孔隙压力观测可以判断海床的稳定状态，对于海底地质灾害预测预警具有重要意义。海底沉积物孔隙压力观测存在（1）超高背景压力下的高精度测量；（2）贯入过程传感器超量程破坏；（3）系统长期供电及传感器漂移；（4）深海海底布放和回收技术等技术难点。国际上海底孔隙压力观测技术从20世纪60年代开始发展，逐渐形成了系列
为提升智能辅助驾驶系统对路面附着系数估计的准确性与实时性，研究了一种基于视觉信息的路面识别深度学习算法，实现路面附着系数的预估计。设计压缩卷积机制以降低网络运算参数，采用特征图全局平均替换全连接层以提升网络的拟合性能，并构建路面识别深度卷积神经网络DW-VGG。利用自建路面图像数据集对网络进行训练，测试结果表明，基于提出的多层知识蒸馏技术的DW-VGG网络识别精度较高，分类性能评估指标F1得分为9
针对目前存在的多视图聚类方法大多是对聚类准确性进行研究而未着重于提升算法效率，从而难以应用于大规模数据的现象，本文提出一种结合地标点和自编码的快速多视图聚类算法。利用加权PageRank排序算法选出每个视图中最具代表性的地标点。使用凸二次规划函数从数据中直接生成多个视图的相似度矩阵，求得多个视图的共识相似度矩阵以有效利用多个视图包含的具有一致性和互补性的聚类有效信息，将获得的具有低存储开销性能的共
在机动目标跟踪中，传统当前统计模型卡尔曼滤波算法对弱/无机动目标跟踪精度不高，对突发机动跟踪精度显著下降，且跟踪性能受限于先验参数。针对上述问题，本文提出一种基于机动检测的参数自适应机动目标跟踪算法，算法利用新息的概率分布特性构建双阈值检测门限，依据检测结果进行参数自适应调整。首先，利用加速度预测误差方差信息，自适应调整机动频率、加速度方差，克服模型参数需先验设置的问题，同时提高算法对弱机动目标跟
跨年龄人脸合成是指通过已知特定年龄的人脸图像去合成其他年龄段的人脸图像，它在动漫娱乐和公共安全等领域有广泛的应用。针对跨年龄人脸图像合成中生成图像容易产生器官变形扭曲、人脸局部特征保持效果不佳等问题，提出了一种基于条件对抗自动编码器的跨年龄人脸图像合成的方法。首先，该方法在传统的条件对抗自动编码器模型的基础上，将通道关注和空间关注引入到解码器结构中，使得训练过程中模型忽略背景，更加关注人脸图像变化
随着车牌识别的应用场景不断扩展，处理的图像复杂性也随之提高。因此车牌的检测也面临着车牌定位困难、检测速度慢和精度低等挑战。针对光照不均衡、透视变形、雨雾天气和低分辨率等复杂场景中的车牌检测，提出了一种基于车牌角点热图的检测网络(license plate heat map detection network)LPHD-Net。此网络区别于以往的模板匹配和目标检测中矩形先验框的方式，而是通过车牌角点
为实现目标域样本能够与源域中同类样本准确对齐，并在保证样本准确识别率的条件下进一步提高不同类别样本特征间的可区分性，提出了一种带有类间差异约束的域适应模型。首先，该模型采用深度卷积神经网络对源域样本进行了有监督学习，并在训练过程中基于提出的类间差异测量函数对源域样本特征加以类间差异性约束；其次，该模型采用了多对抗域鉴别网络结构，其中提出了一种目标域样本伪标签计算方法，从而将无标签的样本指定到合理的
以疫情期间口罩佩戴检测任务为载体，针对目前算法结构复杂，训练困难并且特征提取不足等问题，提出一种多尺度特征融合的轻量化检测算法。以YOLOv4-Tiny结构为基础，该模型改进原始残差结构，有效降低模型的计算量的同时保证检测精度，可以实现实时口罩佩戴检测任务；然后将多尺度输出结构增加到3个，以增强低层特征层信息表达并降低小目标漏检率；最后通过多层级交叉融合结构，最大程度提取有用信息，提高特征利用率。