简介:传统图像局部方向特性的自适应全变分去噪算法,通过计算图像局部方向的角度矩阵,用优化最小化算法迭代求解实现图像去噪,不能保存图像边缘信息,去噪效果及稳定性差。提出基于能量回归滤波全变分图像自适应去噪算法,通过能量回归尺度空间滤波法获取滤波图像时,对源噪声图像进行多尺度二进小波分解获取小波变换系数及低频粗糙分量,采用能量回归滤波法计算小波系数并对小波系数进行重构,获取源图像的滤波图像。采用基于图像局部方向特性的自适应全变分去噪算法从含噪滤波图像中分离出轮廓尺度图像,对含噪图像同轮廓尺度图像实施差计算获取含噪残差纹理细节图像,基于该图像运算获取规整化可信度参数λ后,采用基于参数P与λ的全变分图像自适应去噪算法对带噪滤波图像进行处理,得到消噪图像。实验结果表明:所提算法去噪效果佳,其具有较高的稳定性和效率。
简介:提出了一种新的恒虚警检测算法SOSGO-CFAR。该算法应用检测单元采样作为选择参考单元的依据,使用了基于转换恒虚警(S-CFAR)和排序选大恒虚警(OSGO—CFAR)的复合算法。文章给出了该算法在均匀背景中的数学分析。并在均匀背景、杂波边缘和多目标情况下,用MonteCarlo方法进行了仿真分析。结果表明,该检测器既具有均匀背景下和CA-CFAR相近的良好性能,在杂波边缘环境中,具有接近OSGO-CFAR的性能,且在多目标环境中,其性能明显好于S-CFAR。
简介:滤波器在射频、微波电路中发挥重要作用。不断出现的无线通讯系统应用对滤波器提出了前所未有的挑战:更高的性能指标、更小的尺寸质量、更低的成本已成为新型滤波器必须满足的基本要求。援引了一个Ka波段Hairpin耦合结构的双通带滤波器原型,每一个耦合支的长度大约为两个通带中心频率对应的四分之一波长。然后基于PSO算法和IE3D仿真软件对滤波器进行优化,优化的最终结构体积很小,其大小仅为5.5mm×2.7mm,但两个通带的插入损耗仅相差0.5dB;另一方面,两个带内的S11都下降到了-28dB左右,最终生成了微带滤波器的版图。
简介:由于部分传输序列(PTS)的峰值平均功率比(PAPR)光正交频分复用还原技术(O-OFDM)系统具有更高的计算复杂度,一个新的两阶段迭代算法提高PTS(ts-eia-pts)提出了具有较低的计算复杂度的降低PAPR算法是。仿真结果表明,所提出的ts-eia-pts降低PAPR的算法可以减少通过原始信号序列划分成4个子块,在ND=5的剩余阶段的条件18.47%的计算复杂度。此外,它具有几乎相同的PAPR性能和相同的比特错误率(BER)性能的eia-pts算法,随着子载波数的增加,计算复杂度可以进一步降低。因此,该ts-eia-pts降低PAPR的算法更适合于实际应用系统。
简介:多路径传输是无线传感器网络中应对链路质量差的重要技术。采用时分多址(TimeDivisionMultipleAccess,TDMA)协议结合信道跳频技术的传感器网络需通过资源调度算法进行时隙和信道等通信资源的分配。多路径传输资源调度算法需为多条路径中的每条路径分配通信资源,会造成大量的浪费,因此调度算法需要进行优化。基于多路径传输模式,本文讨论了两种路由容错机制——复制机制和重传机制,并基于不同容错机制给出了两种多路径传输资源优化调度方案。调度方案在保证数据成功传输的情况下,尽量使用更少的通信资源完成数据传输以降低传输时延。本文通过仿真实验论证采用不同容错机制的调度算法性能。
简介:对无线传感器网络(WSNs)弱稀疏性事件检测问题进行研究,提出了一种基于并行离散群居蜘蛛优化算法和压缩感知的WSNs稀疏事件检测方案。该方案采用压缩感知(CS)技术进行稀疏事件分析检测,针对事件向量稀疏度未知的特性,设计基于MPI框架的并行离散群居蜘蛛优化算法(PDSSO),重新定义蜘蛛编码方式和自适应迭代进化机制,给出并行转移策略,并将PDSSO应用于CS重构算法中;针对观测字典难以满足约束等距条件的特点,对稀疏矩阵和测量矩阵进行奇异值预处理操作,在保持稀疏度不变的基础上提高了算法重构性能。仿真结果表明,与GMP等检测方法相比,该方案有效提高了WSNs稀疏事件检测成功率,降低了误检率和漏检率。
简介:专家场(FieldsofExperts,FOE)图像先验模型是一种基于滤波器学习的高阶马尔可夫随机场(MRF)模型,对于许多图像复原问题该模型已经被验证其有效性。本文提出一种基于FOE图像先验模型的新的变分模型,用于相干斑噪声(乘性噪声)去噪。本文提出的变分模型需要求解一个非凸极小化问题,该问题可以通过iPiano(InertialProximalAlgorithmforNonconvexOptimization)算法来有效地解决。通过仿真图像和真实合成孔径雷达(SyntheticApertureRadar,SAR)图像的去噪试验,可以表明本文提出的算法与目前最好的相干斑去噪算法性能相当。此外,本文提出的算法适用于图形处理器(GraphicsProcessingUnit,GPU)平台并行加速,可以大大提高运算效率。