郵件訂閱
2016年 第38卷 第7期
2016, 38(7): 1557-1585.
doi: 10.11999/JEIT160483
摘要:
設(shè)G是一個(gè)k-色圖，若G的所有k-著色是Kempe等價(jià)的，則稱G為Kempe圖。表征色數(shù)3的Kempe圖特征是一尚待解決難題。該文對(duì)極大平面圖的Kempe等價(jià)性進(jìn)行了研究，其主要貢獻(xiàn)是：(1)發(fā)現(xiàn)導(dǎo)致兩個(gè)4-著色是Kempe等價(jià)的關(guān)鍵子圖為2-色耳，故對(duì)2-色耳的特征進(jìn)行了深入研究；(2)引入-特征圖，清晰地刻畫了一個(gè)圖中所有4-著色之間的關(guān)聯(lián)關(guān)系，并深入研究了-特征圖的性質(zhì)；(3)揭示了4-色非Kempe極大平面圖的Kempe等價(jià)類可分為樹型，圈型和循環(huán)圈型，并指出這3種類型可同時(shí)存在于一個(gè)極大平面圖的4-著色集中；(4)研究了Kempe極大平面圖特征，給出了該類圖的多米諾遞推構(gòu)造法，以及兩個(gè)Kempe極大平面圖猜想。
設(shè)G是一個(gè)k-色圖，若G的所有k-著色是Kempe等價(jià)的，則稱G為Kempe圖。表征色數(shù)3的Kempe圖特征是一尚待解決難題。該文對(duì)極大平面圖的Kempe等價(jià)性進(jìn)行了研究，其主要貢獻(xiàn)是：(1)發(fā)現(xiàn)導(dǎo)致兩個(gè)4-著色是Kempe等價(jià)的關(guān)鍵子圖為2-色耳，故對(duì)2-色耳的特征進(jìn)行了深入研究；(2)引入-特征圖，清晰地刻畫了一個(gè)圖中所有4-著色之間的關(guān)聯(lián)關(guān)系，并深入研究了-特征圖的性質(zhì)；(3)揭示了4-色非Kempe極大平面圖的Kempe等價(jià)類可分為樹型，圈型和循環(huán)圈型，并指出這3種類型可同時(shí)存在于一個(gè)極大平面圖的4-著色集中；(4)研究了Kempe極大平面圖特征，給出了該類圖的多米諾遞推構(gòu)造法，以及兩個(gè)Kempe極大平面圖猜想。
2016, 38(7): 1586-1593.
doi: 10.11999/JEIT151122
摘要:
顯著度檢測在計(jì)算機(jī)視覺中應(yīng)用非常廣泛，圖像級(jí)的顯著度檢測研究已較為成熟，但視頻顯著度因其高度挑戰(zhàn)性研究相對(duì)較少。該文借鑒圖像級(jí)顯著度算法的思想，提出一種通用的空時(shí)特征提取與優(yōu)化模型來檢測視頻顯著度。首先利用區(qū)域協(xié)方差矩陣構(gòu)造視頻的空時(shí)特征描述子，然后計(jì)算對(duì)比度得出初始顯著圖，最后通過聯(lián)合前后幀的局部空時(shí)優(yōu)化模型得到最終的顯著圖。在2個(gè)公開視頻顯著性數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，所提算法性能優(yōu)于目前的主流算法，同時(shí)具有良好的擴(kuò)展性。
顯著度檢測在計(jì)算機(jī)視覺中應(yīng)用非常廣泛，圖像級(jí)的顯著度檢測研究已較為成熟，但視頻顯著度因其高度挑戰(zhàn)性研究相對(duì)較少。該文借鑒圖像級(jí)顯著度算法的思想，提出一種通用的空時(shí)特征提取與優(yōu)化模型來檢測視頻顯著度。首先利用區(qū)域協(xié)方差矩陣構(gòu)造視頻的空時(shí)特征描述子，然后計(jì)算對(duì)比度得出初始顯著圖，最后通過聯(lián)合前后幀的局部空時(shí)優(yōu)化模型得到最終的顯著圖。在2個(gè)公開視頻顯著性數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，所提算法性能優(yōu)于目前的主流算法，同時(shí)具有良好的擴(kuò)展性。
2016, 38(7): 1594-1601.
doi: 10.11999/JEIT151145
摘要:
基于對(duì)超像素顏色概率分布間KL散度的計(jì)算，以及對(duì)多尺度顯著圖的融合處理，該文提出一種新的顯著性區(qū)域檢測算法。首先，采用超像素算法多尺度分割圖像，在各尺度下用分割產(chǎn)生的超像素為節(jié)點(diǎn)，并依據(jù)超像素分割數(shù)量對(duì)各超像素進(jìn)行適當(dāng)鄰接連通擴(kuò)展，構(gòu)建無向擴(kuò)展閉環(huán)連通圖。 其次，依據(jù)顏色判別力聚類量化各超像素內(nèi)顏色，統(tǒng)計(jì)顏色聚類標(biāo)簽的概率分布，用概率分布間KL散度的調(diào)和平均值為擴(kuò)展閉環(huán)連通圖的邊加權(quán)，再依據(jù)區(qū)域?qū)Ρ榷炔⒔Y(jié)合邊界連通性，獲取各尺度下的顯著圖。 最后，平均融合各尺度下顯著圖，并進(jìn)行優(yōu)化處理，得到最終的顯著圖。 在一些大型參考數(shù)據(jù)集上進(jìn)行大量實(shí)驗(yàn)表明，所提算法優(yōu)于當(dāng)前一些先進(jìn)算法，具有較高精確度和召回率，并且可以產(chǎn)生平滑顯著圖。
基于對(duì)超像素顏色概率分布間KL散度的計(jì)算，以及對(duì)多尺度顯著圖的融合處理，該文提出一種新的顯著性區(qū)域檢測算法。首先，采用超像素算法多尺度分割圖像，在各尺度下用分割產(chǎn)生的超像素為節(jié)點(diǎn)，并依據(jù)超像素分割數(shù)量對(duì)各超像素進(jìn)行適當(dāng)鄰接連通擴(kuò)展，構(gòu)建無向擴(kuò)展閉環(huán)連通圖。 其次，依據(jù)顏色判別力聚類量化各超像素內(nèi)顏色，統(tǒng)計(jì)顏色聚類標(biāo)簽的概率分布，用概率分布間KL散度的調(diào)和平均值為擴(kuò)展閉環(huán)連通圖的邊加權(quán)，再依據(jù)區(qū)域?qū)Ρ榷炔⒔Y(jié)合邊界連通性，獲取各尺度下的顯著圖。 最后，平均融合各尺度下顯著圖，并進(jìn)行優(yōu)化處理，得到最終的顯著圖。 在一些大型參考數(shù)據(jù)集上進(jìn)行大量實(shí)驗(yàn)表明，所提算法優(yōu)于當(dāng)前一些先進(jìn)算法，具有較高精確度和召回率，并且可以產(chǎn)生平滑顯著圖。
2016, 38(7): 1602-1608.
doi: 10.11999/JEIT151064
摘要:
針對(duì)目標(biāo)跟蹤過程中存在的諸多技術(shù)問題，該文提出一種魯棒的目標(biāo)跟蹤方法。首先，該文采用基于稀疏表示的全局模板描述目標(biāo)的表觀狀態(tài)，通過構(gòu)造正負(fù)模板以區(qū)分目標(biāo)和背景；然后采用隨機(jī)投影法對(duì)表示模板和候選目標(biāo)進(jìn)行降維，以降低算法的時(shí)間復(fù)雜度；采用粒子濾波法作為目標(biāo)的運(yùn)動(dòng)模型，通過多項(xiàng)式重采樣方法進(jìn)行粒子重采樣，以保持粒子的多樣性；設(shè)計(jì)了正負(fù)模板更新策略，將正模板分為固定集和更新集，對(duì)這兩部分在相似度計(jì)算和正模板更新時(shí)采取不同的處理方法，并且在其中加入目標(biāo)遮擋的判決機(jī)制，從而可以有效避免遮擋的影響；實(shí)驗(yàn)結(jié)果表明，該算法能夠準(zhǔn)確跟蹤受遮擋、運(yùn)動(dòng)模糊等多種復(fù)雜場景的目標(biāo)，與現(xiàn)有跟蹤方法相比，所提算法具有更好的準(zhǔn)確性和穩(wěn)定性。
針對(duì)目標(biāo)跟蹤過程中存在的諸多技術(shù)問題，該文提出一種魯棒的目標(biāo)跟蹤方法。首先，該文采用基于稀疏表示的全局模板描述目標(biāo)的表觀狀態(tài)，通過構(gòu)造正負(fù)模板以區(qū)分目標(biāo)和背景；然后采用隨機(jī)投影法對(duì)表示模板和候選目標(biāo)進(jìn)行降維，以降低算法的時(shí)間復(fù)雜度；采用粒子濾波法作為目標(biāo)的運(yùn)動(dòng)模型，通過多項(xiàng)式重采樣方法進(jìn)行粒子重采樣，以保持粒子的多樣性；設(shè)計(jì)了正負(fù)模板更新策略，將正模板分為固定集和更新集，對(duì)這兩部分在相似度計(jì)算和正模板更新時(shí)采取不同的處理方法，并且在其中加入目標(biāo)遮擋的判決機(jī)制，從而可以有效避免遮擋的影響；實(shí)驗(yàn)結(jié)果表明，該算法能夠準(zhǔn)確跟蹤受遮擋、運(yùn)動(dòng)模糊等多種復(fù)雜場景的目標(biāo)，與現(xiàn)有跟蹤方法相比，所提算法具有更好的準(zhǔn)確性和穩(wěn)定性。
2016, 38(7): 1609-1615.
doi: 10.11999/JEIT151108
摘要:
為提高目標(biāo)跟蹤算法對(duì)多種目標(biāo)表觀變化場景的自適應(yīng)能力和跟蹤精度，論文提出一種結(jié)合灰度共生(GLCM)與三階張量建模的目標(biāo)優(yōu)化跟蹤算法。該算法首先提取目標(biāo)區(qū)域的灰度信息，通過GLCM的高區(qū)分度特征對(duì)目標(biāo)進(jìn)行二元超分描述，并結(jié)合三階張量理論融合目標(biāo)區(qū)域的多視圖信息，建立起目標(biāo)的三階張量表觀模型。然后利用線性空間理論對(duì)表觀模型進(jìn)行雙線性展開，通過在線模型特征值描述與雙線性空間的增量特征更新，明顯降低模型更新時(shí)的運(yùn)算量。跟蹤環(huán)節(jié)，建立二級(jí)聯(lián)合跟蹤機(jī)制，結(jié)合當(dāng)前時(shí)刻信息通過在線權(quán)重估計(jì)構(gòu)建動(dòng)態(tài)觀測模型，以真實(shí)目標(biāo)視圖為基準(zhǔn)建立靜態(tài)觀測模型對(duì)跟蹤估計(jì)動(dòng)態(tài)調(diào)整，以避免誤差累積出現(xiàn)跟蹤漂移，最終實(shí)現(xiàn)對(duì)目標(biāo)的穩(wěn)定跟蹤。通過與典型算法進(jìn)行多場景試驗(yàn)對(duì)比，表明該算法能夠有效應(yīng)對(duì)多種復(fù)雜場景下的運(yùn)動(dòng)目標(biāo)跟蹤，平均跟蹤誤差均小于9像素。
為提高目標(biāo)跟蹤算法對(duì)多種目標(biāo)表觀變化場景的自適應(yīng)能力和跟蹤精度，論文提出一種結(jié)合灰度共生(GLCM)與三階張量建模的目標(biāo)優(yōu)化跟蹤算法。該算法首先提取目標(biāo)區(qū)域的灰度信息，通過GLCM的高區(qū)分度特征對(duì)目標(biāo)進(jìn)行二元超分描述，并結(jié)合三階張量理論融合目標(biāo)區(qū)域的多視圖信息，建立起目標(biāo)的三階張量表觀模型。然后利用線性空間理論對(duì)表觀模型進(jìn)行雙線性展開，通過在線模型特征值描述與雙線性空間的增量特征更新，明顯降低模型更新時(shí)的運(yùn)算量。跟蹤環(huán)節(jié)，建立二級(jí)聯(lián)合跟蹤機(jī)制，結(jié)合當(dāng)前時(shí)刻信息通過在線權(quán)重估計(jì)構(gòu)建動(dòng)態(tài)觀測模型，以真實(shí)目標(biāo)視圖為基準(zhǔn)建立靜態(tài)觀測模型對(duì)跟蹤估計(jì)動(dòng)態(tài)調(diào)整，以避免誤差累積出現(xiàn)跟蹤漂移，最終實(shí)現(xiàn)對(duì)目標(biāo)的穩(wěn)定跟蹤。通過與典型算法進(jìn)行多場景試驗(yàn)對(duì)比，表明該算法能夠有效應(yīng)對(duì)多種復(fù)雜場景下的運(yùn)動(dòng)目標(biāo)跟蹤，平均跟蹤誤差均小于9像素。
2016, 38(7): 1616-1623.
doi: 10.11999/JEIT151449
摘要:
視覺跟蹤系統(tǒng)中，高效的特征表達(dá)是決定跟蹤魯棒性的關(guān)鍵，而多線索融合是解決復(fù)雜跟蹤問題的有效手段。該文首先提出一種基于多網(wǎng)絡(luò)并行、自適應(yīng)觸發(fā)的感知深度神經(jīng)網(wǎng)絡(luò)；然后，建立一個(gè)基于深度學(xué)習(xí)的、多線索融合的分塊目標(biāo)模型。目標(biāo)分塊的實(shí)現(xiàn)成倍地減少了網(wǎng)絡(luò)輸入的維度，從而大幅降低了網(wǎng)絡(luò)訓(xùn)練時(shí)的計(jì)算復(fù)雜度；在跟蹤過程中，模型能夠根據(jù)各子塊的置信度動(dòng)態(tài)調(diào)整權(quán)重，提高對(duì)目標(biāo)姿態(tài)變化、光照變化、遮擋等復(fù)雜情況的適應(yīng)性。在大量的測試數(shù)據(jù)上進(jìn)行了實(shí)驗(yàn)，通過對(duì)跟蹤結(jié)果進(jìn)行定性和定量分析表明，所提出算法具有很強(qiáng)的魯棒性，能夠比較穩(wěn)定地跟蹤目標(biāo)。
視覺跟蹤系統(tǒng)中，高效的特征表達(dá)是決定跟蹤魯棒性的關(guān)鍵，而多線索融合是解決復(fù)雜跟蹤問題的有效手段。該文首先提出一種基于多網(wǎng)絡(luò)并行、自適應(yīng)觸發(fā)的感知深度神經(jīng)網(wǎng)絡(luò)；然后，建立一個(gè)基于深度學(xué)習(xí)的、多線索融合的分塊目標(biāo)模型。目標(biāo)分塊的實(shí)現(xiàn)成倍地減少了網(wǎng)絡(luò)輸入的維度，從而大幅降低了網(wǎng)絡(luò)訓(xùn)練時(shí)的計(jì)算復(fù)雜度；在跟蹤過程中，模型能夠根據(jù)各子塊的置信度動(dòng)態(tài)調(diào)整權(quán)重，提高對(duì)目標(biāo)姿態(tài)變化、光照變化、遮擋等復(fù)雜情況的適應(yīng)性。在大量的測試數(shù)據(jù)上進(jìn)行了實(shí)驗(yàn)，通過對(duì)跟蹤結(jié)果進(jìn)行定性和定量分析表明，所提出算法具有很強(qiáng)的魯棒性，能夠比較穩(wěn)定地跟蹤目標(biāo)。
2016, 38(7): 1624-1630.
doi: 10.11999/JEIT151001
摘要:
針對(duì)基于傳統(tǒng)協(xié)同訓(xùn)練框架的視覺跟蹤算法在復(fù)雜環(huán)境下魯棒性不足，該文提出一種改進(jìn)的協(xié)同訓(xùn)練框架下壓縮跟蹤算法。首先，利用空間布局信息，基于能量熵最大化的在線特征選擇技術(shù)提升壓縮感知分類器的判別能力，分別在灰度空間和局部二值模式空間建立起基于結(jié)構(gòu)壓縮特征的兩個(gè)獨(dú)立分類器。然后，基于候選樣本信任度分布熵的分類器聯(lián)合機(jī)制實(shí)現(xiàn)互補(bǔ)性特征的自適應(yīng)融合，增強(qiáng)跟蹤結(jié)果的魯棒性。最后，在級(jí)聯(lián)的梯度直方圖分類器輔助下，通過具備樣本選擇能力的新型協(xié)同訓(xùn)練準(zhǔn)則完成聯(lián)合外觀模型的準(zhǔn)確更新，解決了協(xié)同訓(xùn)練誤差的積累問題。對(duì)大量具有挑戰(zhàn)性的序列的對(duì)比實(shí)驗(yàn)結(jié)果驗(yàn)證了該算法相比于其它近似跟蹤算法具有更優(yōu)的性能。
針對(duì)基于傳統(tǒng)協(xié)同訓(xùn)練框架的視覺跟蹤算法在復(fù)雜環(huán)境下魯棒性不足，該文提出一種改進(jìn)的協(xié)同訓(xùn)練框架下壓縮跟蹤算法。首先，利用空間布局信息，基于能量熵最大化的在線特征選擇技術(shù)提升壓縮感知分類器的判別能力，分別在灰度空間和局部二值模式空間建立起基于結(jié)構(gòu)壓縮特征的兩個(gè)獨(dú)立分類器。然后，基于候選樣本信任度分布熵的分類器聯(lián)合機(jī)制實(shí)現(xiàn)互補(bǔ)性特征的自適應(yīng)融合，增強(qiáng)跟蹤結(jié)果的魯棒性。最后，在級(jí)聯(lián)的梯度直方圖分類器輔助下，通過具備樣本選擇能力的新型協(xié)同訓(xùn)練準(zhǔn)則完成聯(lián)合外觀模型的準(zhǔn)確更新，解決了協(xié)同訓(xùn)練誤差的積累問題。對(duì)大量具有挑戰(zhàn)性的序列的對(duì)比實(shí)驗(yàn)結(jié)果驗(yàn)證了該算法相比于其它近似跟蹤算法具有更優(yōu)的性能。
2016, 38(7): 1631-1637.
doi: 10.11999/JEIT151050
摘要:
鑒于已有室內(nèi)定位算法定位精度與運(yùn)算效率之間的矛盾，該文提出一種將LANDMARC區(qū)域定位與基于模擬退火優(yōu)化正則化正交匹配追蹤(SROMP)的壓縮感知位置估計(jì)相結(jié)合的雙段式定位算法(LANDMARC- SROMP CS)。首先，利用LANDMARC定位算法快速鎖定目標(biāo)所在區(qū)域范圍；在鎖定的區(qū)域內(nèi)，再引入壓縮感知理論實(shí)現(xiàn)目標(biāo)位置估計(jì)。此部分，首先根據(jù)鎖定區(qū)域范圍建立虛擬參考標(biāo)簽；然后由新型組合核函數(shù)相關(guān)向量機(jī)算法訓(xùn)練得到室內(nèi)傳播損耗模型，計(jì)算獲得虛擬標(biāo)簽處接收信號(hào)強(qiáng)度值，構(gòu)建測量矩陣；最后利用SROMP壓縮感知重構(gòu)算法求解出目標(biāo)的位置索引矩陣，對(duì)索引矩陣中的位置相關(guān)點(diǎn)加權(quán)平均得到目標(biāo)的位置信息。實(shí)驗(yàn)結(jié)果表明，所提定位算法平均定位誤差為0.6445 m，算法運(yùn)算效率相對(duì)較高，可以較好地滿足室內(nèi)定位的要求。
鑒于已有室內(nèi)定位算法定位精度與運(yùn)算效率之間的矛盾，該文提出一種將LANDMARC區(qū)域定位與基于模擬退火優(yōu)化正則化正交匹配追蹤(SROMP)的壓縮感知位置估計(jì)相結(jié)合的雙段式定位算法(LANDMARC- SROMP CS)。首先，利用LANDMARC定位算法快速鎖定目標(biāo)所在區(qū)域范圍；在鎖定的區(qū)域內(nèi)，再引入壓縮感知理論實(shí)現(xiàn)目標(biāo)位置估計(jì)。此部分，首先根據(jù)鎖定區(qū)域范圍建立虛擬參考標(biāo)簽；然后由新型組合核函數(shù)相關(guān)向量機(jī)算法訓(xùn)練得到室內(nèi)傳播損耗模型，計(jì)算獲得虛擬標(biāo)簽處接收信號(hào)強(qiáng)度值，構(gòu)建測量矩陣；最后利用SROMP壓縮感知重構(gòu)算法求解出目標(biāo)的位置索引矩陣，對(duì)索引矩陣中的位置相關(guān)點(diǎn)加權(quán)平均得到目標(biāo)的位置信息。實(shí)驗(yàn)結(jié)果表明，所提定位算法平均定位誤差為0.6445 m，算法運(yùn)算效率相對(duì)較高，可以較好地滿足室內(nèi)定位的要求。
2016, 38(7): 1638-1644.
doi: 10.11999/JEIT151078
摘要:
常用的圖像域運(yùn)動(dòng)目標(biāo)檢測跟蹤方法對(duì)虛警率較敏感，當(dāng)虛警率較高時(shí)，目標(biāo)檢測跟蹤的實(shí)時(shí)性受限。為了降低目標(biāo)初始檢測的虛警率，進(jìn)而提高目標(biāo)檢測跟蹤的實(shí)時(shí)性，該文提出一種基于多普勒頻偏估計(jì)的單幀圖像低速運(yùn)動(dòng)目標(biāo)檢測算法，通過發(fā)射多普勒不敏感的LFM脈沖對(duì)，忽略多普勒效應(yīng)對(duì)成像結(jié)果的影響，但在圖像域檢測的同時(shí)，利用目標(biāo)回波的多普勒頻偏信息進(jìn)行靜目標(biāo)和雜波亮點(diǎn)的剔除，基于單幀數(shù)據(jù)，減小運(yùn)動(dòng)目標(biāo)檢測的虛警率，實(shí)現(xiàn)單幀圖像的運(yùn)動(dòng)目標(biāo)檢測，從而為目標(biāo)跟蹤奠定良好基礎(chǔ)。該算法首先進(jìn)行圖像域的恒虛警檢測，再利用寬帶時(shí)域波束形成和復(fù)相關(guān)頻率測量法，對(duì)檢測亮點(diǎn)處的波束輸出信號(hào)進(jìn)行多普勒測頻，僅通過單幀圖像就可有效剔除靜目標(biāo)和雜波亮點(diǎn)。同時(shí)為了改善寬帶時(shí)域波束形成的性能，利用2階錐規(guī)劃設(shè)計(jì)濾波器的系數(shù)，用9階FIR濾波器實(shí)現(xiàn)了0.01倍采樣點(diǎn)的小數(shù)時(shí)延，提高了多普勒頻偏的估計(jì)精度。最后通過計(jì)算機(jī)仿真和水池試驗(yàn)驗(yàn)證了所提算法的有效性。
常用的圖像域運(yùn)動(dòng)目標(biāo)檢測跟蹤方法對(duì)虛警率較敏感，當(dāng)虛警率較高時(shí)，目標(biāo)檢測跟蹤的實(shí)時(shí)性受限。為了降低目標(biāo)初始檢測的虛警率，進(jìn)而提高目標(biāo)檢測跟蹤的實(shí)時(shí)性，該文提出一種基于多普勒頻偏估計(jì)的單幀圖像低速運(yùn)動(dòng)目標(biāo)檢測算法，通過發(fā)射多普勒不敏感的LFM脈沖對(duì)，忽略多普勒效應(yīng)對(duì)成像結(jié)果的影響，但在圖像域檢測的同時(shí)，利用目標(biāo)回波的多普勒頻偏信息進(jìn)行靜目標(biāo)和雜波亮點(diǎn)的剔除，基于單幀數(shù)據(jù)，減小運(yùn)動(dòng)目標(biāo)檢測的虛警率，實(shí)現(xiàn)單幀圖像的運(yùn)動(dòng)目標(biāo)檢測，從而為目標(biāo)跟蹤奠定良好基礎(chǔ)。該算法首先進(jìn)行圖像域的恒虛警檢測，再利用寬帶時(shí)域波束形成和復(fù)相關(guān)頻率測量法，對(duì)檢測亮點(diǎn)處的波束輸出信號(hào)進(jìn)行多普勒測頻，僅通過單幀圖像就可有效剔除靜目標(biāo)和雜波亮點(diǎn)。同時(shí)為了改善寬帶時(shí)域波束形成的性能，利用2階錐規(guī)劃設(shè)計(jì)濾波器的系數(shù)，用9階FIR濾波器實(shí)現(xiàn)了0.01倍采樣點(diǎn)的小數(shù)時(shí)延，提高了多普勒頻偏的估計(jì)精度。最后通過計(jì)算機(jī)仿真和水池試驗(yàn)驗(yàn)證了所提算法的有效性。
2016, 38(7): 1645-1653.
doi: 10.11999/JEIT151058
摘要:
針對(duì)目前的無參考評(píng)價(jià)方法無法準(zhǔn)確反映人類對(duì)圖像質(zhì)量的視覺感知效果，該文提出一種基于自然統(tǒng)計(jì)特征分布(DIstribution Characteristics of Natural, DICN)的無參考圖像質(zhì)量評(píng)價(jià)方法。其原理是用小波變換將圖像分解為低頻子帶和高頻子帶部分，再將高頻子帶部分分成 的小塊，提取每一子塊的幅值和信息熵，并分別計(jì)算其分布直方圖均值和斜度作為特征，利用支持向量回歸思想對(duì)特征進(jìn)行訓(xùn)練，建立5種不同失真類型的質(zhì)量預(yù)測模型。在此基礎(chǔ)上，采用支持向量機(jī)針對(duì)圖像特征構(gòu)造分類器并進(jìn)行失真判斷以確定不同失真的權(quán)重，結(jié)合5種失真評(píng)價(jià)模型可得到自然統(tǒng)計(jì)特征分布的無參考評(píng)價(jià)模型。實(shí)驗(yàn)結(jié)果分析表明，該算法的評(píng)價(jià)效果優(yōu)于現(xiàn)有的經(jīng)典算法，與主觀評(píng)價(jià)具有較好一致性，能夠準(zhǔn)確反映人類對(duì)圖像質(zhì)量的視覺感知效果。
針對(duì)目前的無參考評(píng)價(jià)方法無法準(zhǔn)確反映人類對(duì)圖像質(zhì)量的視覺感知效果，該文提出一種基于自然統(tǒng)計(jì)特征分布(DIstribution Characteristics of Natural, DICN)的無參考圖像質(zhì)量評(píng)價(jià)方法。其原理是用小波變換將圖像分解為低頻子帶和高頻子帶部分，再將高頻子帶部分分成 的小塊，提取每一子塊的幅值和信息熵，并分別計(jì)算其分布直方圖均值和斜度作為特征，利用支持向量回歸思想對(duì)特征進(jìn)行訓(xùn)練，建立5種不同失真類型的質(zhì)量預(yù)測模型。在此基礎(chǔ)上，采用支持向量機(jī)針對(duì)圖像特征構(gòu)造分類器并進(jìn)行失真判斷以確定不同失真的權(quán)重，結(jié)合5種失真評(píng)價(jià)模型可得到自然統(tǒng)計(jì)特征分布的無參考評(píng)價(jià)模型。實(shí)驗(yàn)結(jié)果分析表明，該算法的評(píng)價(jià)效果優(yōu)于現(xiàn)有的經(jīng)典算法，與主觀評(píng)價(jià)具有較好一致性，能夠準(zhǔn)確反映人類對(duì)圖像質(zhì)量的視覺感知效果。
2016, 38(7): 1654-1659.
doi: 10.11999/JEIT151107
摘要:
關(guān)聯(lián)規(guī)則分析作為數(shù)據(jù)挖掘的主要手段之一，在發(fā)現(xiàn)海量事務(wù)數(shù)據(jù)中隱含的有價(jià)值信息方面具有重要的作用。該文針對(duì)Apriori 算法的固有缺陷，提出了AWP (Apriori With Prejudging) 算法。該算法在Apriori 算法連接、剪枝的基礎(chǔ)上，添加了預(yù)判篩選的步驟，使用先驗(yàn)概率對(duì)候選頻繁k項(xiàng)集集合進(jìn)行縮減優(yōu)化，并且引入阻尼因子和補(bǔ)償因子對(duì)預(yù)判篩選產(chǎn)生的誤差進(jìn)行修正，簡化了挖掘頻繁項(xiàng)集的操作過程。實(shí)驗(yàn)證明AWP算法能夠有效減少掃描數(shù)據(jù)庫的次數(shù)，降低算法的運(yùn)行時(shí)間。
關(guān)聯(lián)規(guī)則分析作為數(shù)據(jù)挖掘的主要手段之一，在發(fā)現(xiàn)海量事務(wù)數(shù)據(jù)中隱含的有價(jià)值信息方面具有重要的作用。該文針對(duì)Apriori 算法的固有缺陷，提出了AWP (Apriori With Prejudging) 算法。該算法在Apriori 算法連接、剪枝的基礎(chǔ)上，添加了預(yù)判篩選的步驟，使用先驗(yàn)概率對(duì)候選頻繁k項(xiàng)集集合進(jìn)行縮減優(yōu)化，并且引入阻尼因子和補(bǔ)償因子對(duì)預(yù)判篩選產(chǎn)生的誤差進(jìn)行修正，簡化了挖掘頻繁項(xiàng)集的操作過程。實(shí)驗(yàn)證明AWP算法能夠有效減少掃描數(shù)據(jù)庫的次數(shù)，降低算法的運(yùn)行時(shí)間。
2016, 38(7): 1660-1665.
doi: 10.11999/JEIT151089
摘要:
為了提高全方向M型心動(dòng)圖運(yùn)動(dòng)曲線檢測效果，該文對(duì)心動(dòng)圖的相關(guān)問題進(jìn)行研究后，提出一種基于模糊增強(qiáng)和灰色理論的全方向M型心動(dòng)圖運(yùn)動(dòng)曲線檢測算法。首先利用改進(jìn)的模糊增強(qiáng)算法(PAL算法)來抑制噪聲和背景，同時(shí)突出邊緣信息；再利用灰色理論中的灰色絕對(duì)關(guān)聯(lián)度構(gòu)造統(tǒng)計(jì)量來進(jìn)行邊緣檢測，精確定位出運(yùn)動(dòng)曲線；最后通過對(duì)孤立的噪聲點(diǎn)和斷裂的邊緣進(jìn)行后續(xù)的處理，得到最終的運(yùn)動(dòng)曲線。實(shí)驗(yàn)結(jié)果表明：該算法檢測效果良好，噪聲魯棒性較強(qiáng)。
為了提高全方向M型心動(dòng)圖運(yùn)動(dòng)曲線檢測效果，該文對(duì)心動(dòng)圖的相關(guān)問題進(jìn)行研究后，提出一種基于模糊增強(qiáng)和灰色理論的全方向M型心動(dòng)圖運(yùn)動(dòng)曲線檢測算法。首先利用改進(jìn)的模糊增強(qiáng)算法(PAL算法)來抑制噪聲和背景，同時(shí)突出邊緣信息；再利用灰色理論中的灰色絕對(duì)關(guān)聯(lián)度構(gòu)造統(tǒng)計(jì)量來進(jìn)行邊緣檢測，精確定位出運(yùn)動(dòng)曲線；最后通過對(duì)孤立的噪聲點(diǎn)和斷裂的邊緣進(jìn)行后續(xù)的處理，得到最終的運(yùn)動(dòng)曲線。實(shí)驗(yàn)結(jié)果表明：該算法檢測效果良好，噪聲魯棒性較強(qiáng)。
2016, 38(7): 1666-1673.
doi: 10.11999/JEIT151079
摘要:
該文基于多通道腦電信號(hào)時(shí)空特性構(gòu)建非正交變換過完備字典，準(zhǔn)確稀疏表示蘊(yùn)含時(shí)空相關(guān)性信息的多通道腦電信號(hào)，提高基于時(shí)空稀疏貝葉斯學(xué)習(xí)模型的多通道腦電信號(hào)壓縮感知聯(lián)合重構(gòu)算法性能。實(shí)驗(yàn)選用eegmmidb腦電數(shù)據(jù)庫的多通道腦電信號(hào)驗(yàn)證所提算法有效性。結(jié)果表明，基于過完備字典稀疏表示的多通道腦電信號(hào)，能夠?yàn)槎嗤ǖ滥X電信號(hào)壓縮感知重構(gòu)算法提供更多的時(shí)空相關(guān)性信息，比傳統(tǒng)多通道腦電信號(hào)壓縮感知重構(gòu)算法所得的信噪比值提高近12 dB，重構(gòu)時(shí)間減少0.75 s，顯著提高多通道腦電信號(hào)聯(lián)合重構(gòu)性能。
該文基于多通道腦電信號(hào)時(shí)空特性構(gòu)建非正交變換過完備字典，準(zhǔn)確稀疏表示蘊(yùn)含時(shí)空相關(guān)性信息的多通道腦電信號(hào)，提高基于時(shí)空稀疏貝葉斯學(xué)習(xí)模型的多通道腦電信號(hào)壓縮感知聯(lián)合重構(gòu)算法性能。實(shí)驗(yàn)選用eegmmidb腦電數(shù)據(jù)庫的多通道腦電信號(hào)驗(yàn)證所提算法有效性。結(jié)果表明，基于過完備字典稀疏表示的多通道腦電信號(hào)，能夠?yàn)槎嗤ǖ滥X電信號(hào)壓縮感知重構(gòu)算法提供更多的時(shí)空相關(guān)性信息，比傳統(tǒng)多通道腦電信號(hào)壓縮感知重構(gòu)算法所得的信噪比值提高近12 dB，重構(gòu)時(shí)間減少0.75 s，顯著提高多通道腦電信號(hào)聯(lián)合重構(gòu)性能。
2016, 38(7): 1674-1681.
doi: 10.11999/JEIT151130
摘要:
為達(dá)到同時(shí)提取圖像的主要邊緣和微弱邊緣并有效抑制噪聲的目的，該文利用真實(shí)圖像邊緣兩側(cè)的灰度漸變性，以及邊緣點(diǎn)周圍灰度梯度的方向一致性好而非邊緣點(diǎn)周圍灰度梯度的方向一致性差的特點(diǎn)構(gòu)造了梯度方向和(SGD)指標(biāo)；并根據(jù)該指標(biāo)提出一種閾值自適應(yīng)的邊緣檢測算法。實(shí)驗(yàn)表明：梯度方向和在有效提取邊緣點(diǎn)的同時(shí)能較好地抑制高強(qiáng)噪聲；該指標(biāo)對(duì)光照和對(duì)比度變化有較強(qiáng)的魯棒性；將其用于閾值的自適應(yīng)調(diào)節(jié)，得到的基于梯度方向一致性的邊緣檢測方法能較好地解決兼顧弱邊緣檢測的同時(shí)而不引入噪聲干擾的問題。
為達(dá)到同時(shí)提取圖像的主要邊緣和微弱邊緣并有效抑制噪聲的目的，該文利用真實(shí)圖像邊緣兩側(cè)的灰度漸變性，以及邊緣點(diǎn)周圍灰度梯度的方向一致性好而非邊緣點(diǎn)周圍灰度梯度的方向一致性差的特點(diǎn)構(gòu)造了梯度方向和(SGD)指標(biāo)；并根據(jù)該指標(biāo)提出一種閾值自適應(yīng)的邊緣檢測算法。實(shí)驗(yàn)表明：梯度方向和在有效提取邊緣點(diǎn)的同時(shí)能較好地抑制高強(qiáng)噪聲；該指標(biāo)對(duì)光照和對(duì)比度變化有較強(qiáng)的魯棒性；將其用于閾值的自適應(yīng)調(diào)節(jié)，得到的基于梯度方向一致性的邊緣檢測方法能較好地解決兼顧弱邊緣檢測的同時(shí)而不引入噪聲干擾的問題。
2016, 38(7): 1682-1688.
doi: 10.11999/JEIT151076
摘要:
構(gòu)造確定性測量矩陣對(duì)壓縮感知理論的推廣與應(yīng)用具有重要的意義。該文源于代數(shù)編碼理論，提出一種基于二進(jìn)制序列族的確定性測量矩陣構(gòu)造算法。相關(guān)性是描述矩陣性質(zhì)的重要準(zhǔn)則，減小相關(guān)性可使重建性能提高。該文推導(dǎo)出所構(gòu)造測量矩陣的相關(guān)性小于同條件下的高斯隨機(jī)矩陣和伯努利隨機(jī)矩陣。理論分析和仿真實(shí)驗(yàn)表明，該方式構(gòu)造的測量矩陣的重建性能優(yōu)于同條件下的高斯隨機(jī)矩陣和伯努利隨機(jī)矩陣；所構(gòu)造矩陣可由線性反饋移位寄存器結(jié)構(gòu)實(shí)現(xiàn)，易于硬件實(shí)現(xiàn)，有利于壓縮感知理論的實(shí)用化。
構(gòu)造確定性測量矩陣對(duì)壓縮感知理論的推廣與應(yīng)用具有重要的意義。該文源于代數(shù)編碼理論，提出一種基于二進(jìn)制序列族的確定性測量矩陣構(gòu)造算法。相關(guān)性是描述矩陣性質(zhì)的重要準(zhǔn)則，減小相關(guān)性可使重建性能提高。該文推導(dǎo)出所構(gòu)造測量矩陣的相關(guān)性小于同條件下的高斯隨機(jī)矩陣和伯努利隨機(jī)矩陣。理論分析和仿真實(shí)驗(yàn)表明，該方式構(gòu)造的測量矩陣的重建性能優(yōu)于同條件下的高斯隨機(jī)矩陣和伯努利隨機(jī)矩陣；所構(gòu)造矩陣可由線性反饋移位寄存器結(jié)構(gòu)實(shí)現(xiàn)，易于硬件實(shí)現(xiàn)，有利于壓縮感知理論的實(shí)用化。
2016, 38(7): 1689-1695.
doi: 10.11999/JEIT151101
摘要:
該文按照多尺度重采樣思想，構(gòu)造了一種類指數(shù)分布的核函數(shù)(ELK)，并在核回歸分析和支持向量機(jī)分類中進(jìn)行了應(yīng)用，發(fā)現(xiàn)ELK對(duì)局部特征具有捕捉優(yōu)勢。ELK分布僅由分析尺度決定，是單參數(shù)核函數(shù)。利用ELK對(duì)階躍信號(hào)和多普勒信號(hào)進(jìn)行Nadaraya-Watson回歸分析，結(jié)果顯示ELK降噪和階躍捕捉效果均優(yōu)于常規(guī)Gauss核，整體效果接近或優(yōu)于局部加權(quán)回歸散點(diǎn)平滑法(LOWESS)。多個(gè)UCI數(shù)據(jù)集的SVM分析顯示，ELK與徑向基函數(shù)(RBF)分類效果相當(dāng)，但比RBF具有更強(qiáng)的局域性，因此具有更細(xì)致的分類超平面，同時(shí)分類不理想時(shí)可能產(chǎn)生更多的支持向量。對(duì)比而言，ELK對(duì)調(diào)節(jié)參數(shù)敏感性低，這一性質(zhì)有助于減少參數(shù)優(yōu)選的計(jì)算量。單參數(shù)的ELK對(duì)局域特征的良好捕捉能力，有助于這類核函數(shù)在相關(guān)領(lǐng)域得到推廣。
該文按照多尺度重采樣思想，構(gòu)造了一種類指數(shù)分布的核函數(shù)(ELK)，并在核回歸分析和支持向量機(jī)分類中進(jìn)行了應(yīng)用，發(fā)現(xiàn)ELK對(duì)局部特征具有捕捉優(yōu)勢。ELK分布僅由分析尺度決定，是單參數(shù)核函數(shù)。利用ELK對(duì)階躍信號(hào)和多普勒信號(hào)進(jìn)行Nadaraya-Watson回歸分析，結(jié)果顯示ELK降噪和階躍捕捉效果均優(yōu)于常規(guī)Gauss核，整體效果接近或優(yōu)于局部加權(quán)回歸散點(diǎn)平滑法(LOWESS)。多個(gè)UCI數(shù)據(jù)集的SVM分析顯示，ELK與徑向基函數(shù)(RBF)分類效果相當(dāng)，但比RBF具有更強(qiáng)的局域性，因此具有更細(xì)致的分類超平面，同時(shí)分類不理想時(shí)可能產(chǎn)生更多的支持向量。對(duì)比而言，ELK對(duì)調(diào)節(jié)參數(shù)敏感性低，這一性質(zhì)有助于減少參數(shù)優(yōu)選的計(jì)算量。單參數(shù)的ELK對(duì)局域特征的良好捕捉能力，有助于這類核函數(shù)在相關(guān)領(lǐng)域得到推廣。
2016, 38(7): 1696-1702.
doi: 10.11999/JEIT151029
摘要:
該文針對(duì)傳統(tǒng)的跳頻信號(hào)參數(shù)估計(jì)方法在alpha穩(wěn)定分布噪聲下性能嚴(yán)重退化的問題，引入基于柯西分布的最大似然估計(jì)方法。將跳頻信號(hào)分解到由信號(hào)包絡(luò)參數(shù)和頻率參數(shù)構(gòu)成的2維平面，基于柯西分布建立最大似然函數(shù)，在抑制alpha穩(wěn)定分布噪聲的同時(shí)，直接對(duì)信號(hào)的頻率參數(shù)進(jìn)行估計(jì)。在構(gòu)建的最大似然函數(shù)基礎(chǔ)上，該方法依據(jù)跳頻信號(hào)的短時(shí)平穩(wěn)性，對(duì)信號(hào)進(jìn)行加窗，有效獲得信號(hào)的跳頻頻率及其跳變次序，進(jìn)而實(shí)現(xiàn)對(duì)信號(hào)的跳變時(shí)刻和跳頻周期等參數(shù)的估計(jì)。仿真結(jié)果表明，在alpha穩(wěn)定分布噪聲環(huán)境中，相比基于分?jǐn)?shù)低階統(tǒng)計(jì)量及基于Myriad濾波的時(shí)頻分析方法，該文所提方法提高了跳頻信號(hào)的參數(shù)估計(jì)精度，具有良好的穩(wěn)健性。
該文針對(duì)傳統(tǒng)的跳頻信號(hào)參數(shù)估計(jì)方法在alpha穩(wěn)定分布噪聲下性能嚴(yán)重退化的問題，引入基于柯西分布的最大似然估計(jì)方法。將跳頻信號(hào)分解到由信號(hào)包絡(luò)參數(shù)和頻率參數(shù)構(gòu)成的2維平面，基于柯西分布建立最大似然函數(shù)，在抑制alpha穩(wěn)定分布噪聲的同時(shí)，直接對(duì)信號(hào)的頻率參數(shù)進(jìn)行估計(jì)。在構(gòu)建的最大似然函數(shù)基礎(chǔ)上，該方法依據(jù)跳頻信號(hào)的短時(shí)平穩(wěn)性，對(duì)信號(hào)進(jìn)行加窗，有效獲得信號(hào)的跳頻頻率及其跳變次序，進(jìn)而實(shí)現(xiàn)對(duì)信號(hào)的跳變時(shí)刻和跳頻周期等參數(shù)的估計(jì)。仿真結(jié)果表明，在alpha穩(wěn)定分布噪聲環(huán)境中，相比基于分?jǐn)?shù)低階統(tǒng)計(jì)量及基于Myriad濾波的時(shí)頻分析方法，該文所提方法提高了跳頻信號(hào)的參數(shù)估計(jì)精度，具有良好的穩(wěn)健性。
2016, 38(7): 1703-1709.
doi: 10.11999/JEIT151030
摘要:
現(xiàn)有的頻譜檢測算法沒有充分利用信號(hào)在角度維的稀疏性質(zhì)。該文根據(jù)角度維的稀疏特性建立信號(hào)模型，通過稀疏貝葉斯學(xué)習(xí)(Sparse Bayesian Learning, SBL)算法解決稀疏信號(hào)的重構(gòu)問題，并在迭代過程中引入二元假設(shè)檢驗(yàn)思想，推導(dǎo)出一種自適應(yīng)門限的選取策略，把傳統(tǒng)的重構(gòu)算法轉(zhuǎn)化為一個(gè)針對(duì)不同來波方向的信號(hào)檢測問題。該算法能夠在恒虛警概率下對(duì)多信號(hào)進(jìn)行全盲檢測，同時(shí)實(shí)現(xiàn)信號(hào)來波方向的精確估計(jì)。實(shí)驗(yàn)結(jié)果證明，自適應(yīng)判決方法能夠有效地提高稀疏重構(gòu)算法的重構(gòu)精度，降低運(yùn)算復(fù)雜度，參數(shù)估計(jì)精度和信號(hào)檢測性能相比于現(xiàn)有算法得到明顯的提升。
現(xiàn)有的頻譜檢測算法沒有充分利用信號(hào)在角度維的稀疏性質(zhì)。該文根據(jù)角度維的稀疏特性建立信號(hào)模型，通過稀疏貝葉斯學(xué)習(xí)(Sparse Bayesian Learning, SBL)算法解決稀疏信號(hào)的重構(gòu)問題，并在迭代過程中引入二元假設(shè)檢驗(yàn)思想，推導(dǎo)出一種自適應(yīng)門限的選取策略，把傳統(tǒng)的重構(gòu)算法轉(zhuǎn)化為一個(gè)針對(duì)不同來波方向的信號(hào)檢測問題。該算法能夠在恒虛警概率下對(duì)多信號(hào)進(jìn)行全盲檢測，同時(shí)實(shí)現(xiàn)信號(hào)來波方向的精確估計(jì)。實(shí)驗(yàn)結(jié)果證明，自適應(yīng)判決方法能夠有效地提高稀疏重構(gòu)算法的重構(gòu)精度，降低運(yùn)算復(fù)雜度，參數(shù)估計(jì)精度和信號(hào)檢測性能相比于現(xiàn)有算法得到明顯的提升。
2016, 38(7): 1710-1716.
doi: 10.11999/JEIT151066
摘要:
針對(duì)SS過程下時(shí)頻自回歸滑動(dòng)平均(TFARMA)模型分析方法的退化，該文用分?jǐn)?shù)低階共變?nèi)〈A相關(guān)提出了分?jǐn)?shù)低階時(shí)頻自回歸滑動(dòng)平均(FLO-TFARMA)模型的概念，并推導(dǎo)了模型參數(shù)的求解方法。在此基礎(chǔ)上，給出了FLO- TFARMA模型時(shí)頻譜估計(jì)算法，和已有的TFARMA模型時(shí)頻譜算法進(jìn)行了詳細(xì)的比較。計(jì)算機(jī)仿真結(jié)果表明，在SS過程環(huán)境下，所提出的FLO-TFARMA時(shí)頻譜明顯優(yōu)于TFARMA時(shí)頻譜，尤其是當(dāng)參數(shù)較小時(shí)，F(xiàn)LO-TFARMA時(shí)頻譜優(yōu)勢更明顯。
針對(duì)SS過程下時(shí)頻自回歸滑動(dòng)平均(TFARMA)模型分析方法的退化，該文用分?jǐn)?shù)低階共變?nèi)〈A相關(guān)提出了分?jǐn)?shù)低階時(shí)頻自回歸滑動(dòng)平均(FLO-TFARMA)模型的概念，并推導(dǎo)了模型參數(shù)的求解方法。在此基礎(chǔ)上，給出了FLO- TFARMA模型時(shí)頻譜估計(jì)算法，和已有的TFARMA模型時(shí)頻譜算法進(jìn)行了詳細(xì)的比較。計(jì)算機(jī)仿真結(jié)果表明，在SS過程環(huán)境下，所提出的FLO-TFARMA時(shí)頻譜明顯優(yōu)于TFARMA時(shí)頻譜，尤其是當(dāng)參數(shù)較小時(shí)，F(xiàn)LO-TFARMA時(shí)頻譜優(yōu)勢更明顯。
2016, 38(7): 1717-1723.
doi: 10.11999/JEIT151034
摘要:
語音帶寬擴(kuò)展是為了提高語音質(zhì)量，利用語音低頻和高頻之間的相關(guān)性重構(gòu)語音高頻的一種技術(shù)。高斯混合模型法是語音帶寬技術(shù)中被廣泛應(yīng)用的一種方法，但是，由于該方法假設(shè)語音高頻、低頻服從高斯分布，且只表征了語音低頻、高頻之間的線性關(guān)系，從而導(dǎo)致合成的高頻語音出現(xiàn)失真。因此，該文提出一種基于受限玻爾茲曼機(jī)的方法，該方法利用兩個(gè)高斯伯努利受限玻爾茲曼機(jī)提取語音低頻和高頻中蘊(yùn)含的高階統(tǒng)計(jì)特性；并利用前饋神經(jīng)網(wǎng)絡(luò)將語音低頻高階統(tǒng)計(jì)特性參數(shù)映射為高頻高階統(tǒng)計(jì)特性參數(shù)。這樣，通過提取語音低頻和高頻中蘊(yùn)含的高階統(tǒng)計(jì)特性，該方法可以深層挖掘語音高頻和語音低頻之間的實(shí)際關(guān)系，從而更加準(zhǔn)確地模擬頻譜包絡(luò)分布，合成質(zhì)量更高的語音?？陀^測試、主觀測試結(jié)果表明，該方法性能優(yōu)于傳統(tǒng)的高斯混合模型方法。
語音帶寬擴(kuò)展是為了提高語音質(zhì)量，利用語音低頻和高頻之間的相關(guān)性重構(gòu)語音高頻的一種技術(shù)。高斯混合模型法是語音帶寬技術(shù)中被廣泛應(yīng)用的一種方法，但是，由于該方法假設(shè)語音高頻、低頻服從高斯分布，且只表征了語音低頻、高頻之間的線性關(guān)系，從而導(dǎo)致合成的高頻語音出現(xiàn)失真。因此，該文提出一種基于受限玻爾茲曼機(jī)的方法，該方法利用兩個(gè)高斯伯努利受限玻爾茲曼機(jī)提取語音低頻和高頻中蘊(yùn)含的高階統(tǒng)計(jì)特性；并利用前饋神經(jīng)網(wǎng)絡(luò)將語音低頻高階統(tǒng)計(jì)特性參數(shù)映射為高頻高階統(tǒng)計(jì)特性參數(shù)。這樣，通過提取語音低頻和高頻中蘊(yùn)含的高階統(tǒng)計(jì)特性，該方法可以深層挖掘語音高頻和語音低頻之間的實(shí)際關(guān)系，從而更加準(zhǔn)確地模擬頻譜包絡(luò)分布，合成質(zhì)量更高的語音?？陀^測試、主觀測試結(jié)果表明，該方法性能優(yōu)于傳統(tǒng)的高斯混合模型方法。
2016, 38(7): 1724-1730.
doi: 10.11999/JEIT151019
摘要:
該文考慮利用連續(xù)獲取的多視全極化高分辨距離像(High Range Resolution Profile, HRRP)進(jìn)行目標(biāo)識(shí)別的問題。多視全極化HRRP樣本包含了3個(gè)層次的先驗(yàn)信息：樣本內(nèi)各分量來自同一目標(biāo)；單視內(nèi)4種極化組合方式下的HRRP均對(duì)應(yīng)相同的目標(biāo)姿態(tài)；相同極化方式下的多視觀測是相關(guān)的。為有效利用上述信息進(jìn)行目標(biāo)識(shí)別，該文提出一種基于聯(lián)合稀疏表示的多視全極化HRRP目標(biāo)識(shí)別方法。該方法約束各分量對(duì)應(yīng)的稀疏表示系數(shù)共享原子級(jí)的稀疏模式。原子級(jí)稀疏約束使得從各極化字典中選擇來自相同姿態(tài)的字典原子對(duì)樣本中各分量進(jìn)行稀疏表示，可以有效利用上述3個(gè)層次的先驗(yàn)信息進(jìn)行目標(biāo)識(shí)別。利用目標(biāo)電磁散射數(shù)據(jù)對(duì)所提方法進(jìn)行了驗(yàn)證，結(jié)果表明，該方法具有較好的識(shí)別性能，并且對(duì)噪聲具有良好的魯棒性。
該文考慮利用連續(xù)獲取的多視全極化高分辨距離像(High Range Resolution Profile, HRRP)進(jìn)行目標(biāo)識(shí)別的問題。多視全極化HRRP樣本包含了3個(gè)層次的先驗(yàn)信息：樣本內(nèi)各分量來自同一目標(biāo)；單視內(nèi)4種極化組合方式下的HRRP均對(duì)應(yīng)相同的目標(biāo)姿態(tài)；相同極化方式下的多視觀測是相關(guān)的。為有效利用上述信息進(jìn)行目標(biāo)識(shí)別，該文提出一種基于聯(lián)合稀疏表示的多視全極化HRRP目標(biāo)識(shí)別方法。該方法約束各分量對(duì)應(yīng)的稀疏表示系數(shù)共享原子級(jí)的稀疏模式。原子級(jí)稀疏約束使得從各極化字典中選擇來自相同姿態(tài)的字典原子對(duì)樣本中各分量進(jìn)行稀疏表示，可以有效利用上述3個(gè)層次的先驗(yàn)信息進(jìn)行目標(biāo)識(shí)別。利用目標(biāo)電磁散射數(shù)據(jù)對(duì)所提方法進(jìn)行了驗(yàn)證，結(jié)果表明，該方法具有較好的識(shí)別性能，并且對(duì)噪聲具有良好的魯棒性。
2016, 38(7): 1731-1737.
doi: 10.11999/JEIT151131
摘要:
目前多量測向量(Multiple Measurement Vectors, MMV)模型的稀疏重構(gòu)算法存在兩個(gè)問題：計(jì)算復(fù)雜度高和當(dāng)重構(gòu)的支撐集存在冗余時(shí)無法有效剔除。為同時(shí)提高M(jìn)MV模型的重構(gòu)效率和重構(gòu)精度，該文提出一種MMV模型下基于貝葉斯檢驗(yàn)的快速正交匹配追蹤(Fast Orthogonal Matching Pursuit based on Bayesian Testing, FOMP-BT)算法。首先，通過新原子組選和warm start求逆的思想來減少算法總的迭代次數(shù)以及每次迭代的運(yùn)算量，以提高算法的重構(gòu)效率；其次，利用貝葉斯檢驗(yàn)的思想剔除冗余支撐集以提高重構(gòu)精度；最后對(duì)所研究的算法從參數(shù)選擇以及計(jì)算復(fù)雜度等方面進(jìn)行了理論分析。仿真結(jié)果表明，所提算法具有重構(gòu)精度高、速度快以及對(duì)噪聲有較好的魯棒性等優(yōu)勢。
目前多量測向量(Multiple Measurement Vectors, MMV)模型的稀疏重構(gòu)算法存在兩個(gè)問題：計(jì)算復(fù)雜度高和當(dāng)重構(gòu)的支撐集存在冗余時(shí)無法有效剔除。為同時(shí)提高M(jìn)MV模型的重構(gòu)效率和重構(gòu)精度，該文提出一種MMV模型下基于貝葉斯檢驗(yàn)的快速正交匹配追蹤(Fast Orthogonal Matching Pursuit based on Bayesian Testing, FOMP-BT)算法。首先，通過新原子組選和warm start求逆的思想來減少算法總的迭代次數(shù)以及每次迭代的運(yùn)算量，以提高算法的重構(gòu)效率；其次，利用貝葉斯檢驗(yàn)的思想剔除冗余支撐集以提高重構(gòu)精度；最后對(duì)所研究的算法從參數(shù)選擇以及計(jì)算復(fù)雜度等方面進(jìn)行了理論分析。仿真結(jié)果表明，所提算法具有重構(gòu)精度高、速度快以及對(duì)噪聲有較好的魯棒性等優(yōu)勢。
2016, 38(7): 1738-1744.
doi: 10.11999/JEIT151036
摘要:
由于輸入信雜噪比(Signal to Clutter Noise Ratio, SCNR)較低，雜波抑制后超高頻(Ultra-High Frequency, UHF)波段合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)圖像中剩余靜止目標(biāo)雜波導(dǎo)致系統(tǒng)虛警概率較高。該文提出一種動(dòng)目標(biāo)篩選方法，能夠判斷恒虛警概率(Constant False Alarm Rate, CFAR)檢測器檢測到的目標(biāo)是否為動(dòng)目標(biāo)。提出一種動(dòng)目原始數(shù)據(jù)恢復(fù)方法，能夠從整幅SAR圖像中恢復(fù)任意孤立點(diǎn)的多普勒相位歷史。采用距離多普勒處理對(duì)恢復(fù)的數(shù)據(jù)成像，然后采用方位自聚焦處理對(duì)所成子圖像進(jìn)行重新聚焦。如果子圖像中目標(biāo)為靜止目標(biāo)，則聚焦前后子圖像不變，否則圖像被重新聚集。通過檢測圖像的變化可以排除虛假動(dòng)目標(biāo)。仿真及實(shí)測數(shù)據(jù)處理結(jié)果說明了該方法的有效性。
由于輸入信雜噪比(Signal to Clutter Noise Ratio, SCNR)較低，雜波抑制后超高頻(Ultra-High Frequency, UHF)波段合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)圖像中剩余靜止目標(biāo)雜波導(dǎo)致系統(tǒng)虛警概率較高。該文提出一種動(dòng)目標(biāo)篩選方法，能夠判斷恒虛警概率(Constant False Alarm Rate, CFAR)檢測器檢測到的目標(biāo)是否為動(dòng)目標(biāo)。提出一種動(dòng)目原始數(shù)據(jù)恢復(fù)方法，能夠從整幅SAR圖像中恢復(fù)任意孤立點(diǎn)的多普勒相位歷史。采用距離多普勒處理對(duì)恢復(fù)的數(shù)據(jù)成像，然后采用方位自聚焦處理對(duì)所成子圖像進(jìn)行重新聚焦。如果子圖像中目標(biāo)為靜止目標(biāo)，則聚焦前后子圖像不變，否則圖像被重新聚集。通過檢測圖像的變化可以排除虛假動(dòng)目標(biāo)。仿真及實(shí)測數(shù)據(jù)處理結(jié)果說明了該方法的有效性。
2016, 38(7): 1745-1751.
doi: 10.11999/JEIT151152
摘要:
針對(duì)組網(wǎng)雷達(dá)工作頻段擁塞、高自相關(guān)距離旁瓣及節(jié)點(diǎn)雷達(dá)間波形互干擾等問題，該文在恒模約束下引入聯(lián)合優(yōu)化松弛交替投影算法來設(shè)計(jì)稀疏頻譜波形，使其同時(shí)具有低自相關(guān)旁瓣或低節(jié)點(diǎn)雷達(dá)間波形互擾特性。該算法利用功率譜與非周期相關(guān)函數(shù)的傅里葉變換關(guān)系將原優(yōu)化問題轉(zhuǎn)化為譜逼近問題，并通過多目標(biāo)聯(lián)合優(yōu)化機(jī)制綜合考慮各設(shè)計(jì)要求，引入松弛因子和加速因子擴(kuò)展交替投影框架來優(yōu)化收斂投影區(qū)，最終憑借快速傅里葉變換及加速交替投影機(jī)制實(shí)現(xiàn)迭代優(yōu)化。仿真結(jié)果表明，該算法無需求解梯度，運(yùn)算效率高且能夠有效避免局部優(yōu)化停滯，與當(dāng)前流行投影算法及循環(huán)算法相比更適合工程實(shí)現(xiàn)。
針對(duì)組網(wǎng)雷達(dá)工作頻段擁塞、高自相關(guān)距離旁瓣及節(jié)點(diǎn)雷達(dá)間波形互干擾等問題，該文在恒模約束下引入聯(lián)合優(yōu)化松弛交替投影算法來設(shè)計(jì)稀疏頻譜波形，使其同時(shí)具有低自相關(guān)旁瓣或低節(jié)點(diǎn)雷達(dá)間波形互擾特性。該算法利用功率譜與非周期相關(guān)函數(shù)的傅里葉變換關(guān)系將原優(yōu)化問題轉(zhuǎn)化為譜逼近問題，并通過多目標(biāo)聯(lián)合優(yōu)化機(jī)制綜合考慮各設(shè)計(jì)要求，引入松弛因子和加速因子擴(kuò)展交替投影框架來優(yōu)化收斂投影區(qū)，最終憑借快速傅里葉變換及加速交替投影機(jī)制實(shí)現(xiàn)迭代優(yōu)化。仿真結(jié)果表明，該算法無需求解梯度，運(yùn)算效率高且能夠有效避免局部優(yōu)化停滯，與當(dāng)前流行投影算法及循環(huán)算法相比更適合工程實(shí)現(xiàn)。
2016, 38(7): 1752-1757.
doi: 10.11999/JEIT151003
摘要:
對(duì)角加載可以提高空時(shí)自適應(yīng)處理在低樣本情況下的性能。然而，在實(shí)際中加載參數(shù)的確定是一個(gè)較為困難的問題。為了解決這個(gè)問題，該文提出一種基于回波數(shù)據(jù)的自適應(yīng)對(duì)角加載參數(shù)估計(jì)方法。該方法首先將對(duì)角加載問題轉(zhuǎn)化為Tikhonov規(guī)劃問題，然后利用廣義交叉驗(yàn)證準(zhǔn)則構(gòu)造優(yōu)化問題，最后采用割線法求解優(yōu)化問題、計(jì)算加載參數(shù)。仿真與實(shí)測數(shù)據(jù)結(jié)果表明該方法可以有效提高機(jī)載雷達(dá)在低樣本條件下的目標(biāo)檢測性能。
對(duì)角加載可以提高空時(shí)自適應(yīng)處理在低樣本情況下的性能。然而，在實(shí)際中加載參數(shù)的確定是一個(gè)較為困難的問題。為了解決這個(gè)問題，該文提出一種基于回波數(shù)據(jù)的自適應(yīng)對(duì)角加載參數(shù)估計(jì)方法。該方法首先將對(duì)角加載問題轉(zhuǎn)化為Tikhonov規(guī)劃問題，然后利用廣義交叉驗(yàn)證準(zhǔn)則構(gòu)造優(yōu)化問題，最后采用割線法求解優(yōu)化問題、計(jì)算加載參數(shù)。仿真與實(shí)測數(shù)據(jù)結(jié)果表明該方法可以有效提高機(jī)載雷達(dá)在低樣本條件下的目標(biāo)檢測性能。
2016, 38(7): 1758-1764.
doi: 10.11999/JEIT151110
摘要:
在低頻超寬帶合成孔徑雷達(dá)中，VHF/UHF頻段密集的窄帶射頻干擾(RFI)嚴(yán)重影響了雷達(dá)性能。常規(guī)RFI抑制濾波器在干擾頻點(diǎn)的陷波造成了寬帶信號(hào)的能量損失，抬高了點(diǎn)目標(biāo)的距離向旁瓣。該文提出一種可減小自適應(yīng)濾波器旁瓣效應(yīng)的方法：通過在距離壓縮域剔除場景內(nèi)的強(qiáng)散射點(diǎn)，減小輸入信號(hào)中的寬帶目標(biāo)信號(hào)能量，提高自適應(yīng)譜線增強(qiáng)器(ALE)對(duì)窄帶干擾估計(jì)的精度，再從原始信號(hào)中減去干擾即得到目標(biāo)回波信號(hào)。這種剔除強(qiáng)散射點(diǎn)的方法利用了匹配濾波后寬帶信號(hào)與窄帶干擾的時(shí)域特性差異，能有效降低自適應(yīng)濾波器的旁瓣效應(yīng)。該文選擇歸一化最小均方誤差(NLMS)算法對(duì)剔除強(qiáng)散射點(diǎn)的自適應(yīng)窄帶RFI抑制濾波器進(jìn)行了性能評(píng)估，與傳統(tǒng)算法的對(duì)比試驗(yàn)表明該方法可在抑制RFI的同時(shí)有效減小強(qiáng)目標(biāo)的距離向旁瓣。
在低頻超寬帶合成孔徑雷達(dá)中，VHF/UHF頻段密集的窄帶射頻干擾(RFI)嚴(yán)重影響了雷達(dá)性能。常規(guī)RFI抑制濾波器在干擾頻點(diǎn)的陷波造成了寬帶信號(hào)的能量損失，抬高了點(diǎn)目標(biāo)的距離向旁瓣。該文提出一種可減小自適應(yīng)濾波器旁瓣效應(yīng)的方法：通過在距離壓縮域剔除場景內(nèi)的強(qiáng)散射點(diǎn)，減小輸入信號(hào)中的寬帶目標(biāo)信號(hào)能量，提高自適應(yīng)譜線增強(qiáng)器(ALE)對(duì)窄帶干擾估計(jì)的精度，再從原始信號(hào)中減去干擾即得到目標(biāo)回波信號(hào)。這種剔除強(qiáng)散射點(diǎn)的方法利用了匹配濾波后寬帶信號(hào)與窄帶干擾的時(shí)域特性差異，能有效降低自適應(yīng)濾波器的旁瓣效應(yīng)。該文選擇歸一化最小均方誤差(NLMS)算法對(duì)剔除強(qiáng)散射點(diǎn)的自適應(yīng)窄帶RFI抑制濾波器進(jìn)行了性能評(píng)估，與傳統(tǒng)算法的對(duì)比試驗(yàn)表明該方法可在抑制RFI的同時(shí)有效減小強(qiáng)目標(biāo)的距離向旁瓣。
2016, 38(7): 1765-1772.
doi: 10.11999/JEIT151155
摘要:
論文針對(duì)多通道SAR-GMTI提出一種新的二維欺騙干擾方法，該方法通過對(duì)截獲的SAR信號(hào)進(jìn)行距離向余弦調(diào)相的同時(shí)，利用干擾機(jī)轉(zhuǎn)動(dòng)實(shí)現(xiàn)方位向余弦調(diào)相，可對(duì)多通道SAR-GMTI實(shí)現(xiàn)二維余弦調(diào)相轉(zhuǎn)發(fā)欺騙干擾效果，并采用三通道干涉對(duì)消方法分析了其對(duì)GMTI的對(duì)抗性能，該方法對(duì)SAR和多通道SAR-GMTI均可產(chǎn)生2維網(wǎng)狀多假目標(biāo)干擾效果，可同時(shí)保護(hù)地面運(yùn)動(dòng)目標(biāo)和靜止目標(biāo)。理論分析和仿真實(shí)驗(yàn)驗(yàn)證了該干擾方法的可行性和有效性。
論文針對(duì)多通道SAR-GMTI提出一種新的二維欺騙干擾方法，該方法通過對(duì)截獲的SAR信號(hào)進(jìn)行距離向余弦調(diào)相的同時(shí)，利用干擾機(jī)轉(zhuǎn)動(dòng)實(shí)現(xiàn)方位向余弦調(diào)相，可對(duì)多通道SAR-GMTI實(shí)現(xiàn)二維余弦調(diào)相轉(zhuǎn)發(fā)欺騙干擾效果，并采用三通道干涉對(duì)消方法分析了其對(duì)GMTI的對(duì)抗性能，該方法對(duì)SAR和多通道SAR-GMTI均可產(chǎn)生2維網(wǎng)狀多假目標(biāo)干擾效果，可同時(shí)保護(hù)地面運(yùn)動(dòng)目標(biāo)和靜止目標(biāo)。理論分析和仿真實(shí)驗(yàn)驗(yàn)證了該干擾方法的可行性和有效性。
2016, 38(7): 1773-1780.
doi: 10.11999/JEIT150933
摘要:
為了提高圖像融合的效率和質(zhì)量，該文提出一種基于快速非下采樣輪廓波變換(NSCT)和4方向稀疏表示的圖像融合算法。該方法首先對(duì)源圖像進(jìn)行快速NSCT分解，生成一系列低通和高通子帶。對(duì)于低頻子帶，利用自適應(yīng)生成的DCT過完備字典進(jìn)行快速的4方向稀疏表示和系數(shù)融合；對(duì)于高頻子帶，則利用高斯加權(quán)區(qū)域能量最大的融合規(guī)則進(jìn)行系數(shù)融合?？焖貼SCT將傳統(tǒng)NSCT的樹形濾波結(jié)構(gòu)轉(zhuǎn)變?yōu)槎嗤ǖ罏V波結(jié)構(gòu)，能成倍提高分解效率；快速的稀疏融合則拋棄了傳統(tǒng)的滑動(dòng)窗口方法，以水平、垂直、對(duì)角線4個(gè)方向進(jìn)行稀疏表示和稀疏融合，進(jìn)一步提高算法效率。實(shí)驗(yàn)結(jié)果表明，提出的快速算法能在不影響融合質(zhì)量的條件下將算法效率提高近20倍。
為了提高圖像融合的效率和質(zhì)量，該文提出一種基于快速非下采樣輪廓波變換(NSCT)和4方向稀疏表示的圖像融合算法。該方法首先對(duì)源圖像進(jìn)行快速NSCT分解，生成一系列低通和高通子帶。對(duì)于低頻子帶，利用自適應(yīng)生成的DCT過完備字典進(jìn)行快速的4方向稀疏表示和系數(shù)融合；對(duì)于高頻子帶，則利用高斯加權(quán)區(qū)域能量最大的融合規(guī)則進(jìn)行系數(shù)融合?？焖貼SCT將傳統(tǒng)NSCT的樹形濾波結(jié)構(gòu)轉(zhuǎn)變?yōu)槎嗤ǖ罏V波結(jié)構(gòu)，能成倍提高分解效率；快速的稀疏融合則拋棄了傳統(tǒng)的滑動(dòng)窗口方法，以水平、垂直、對(duì)角線4個(gè)方向進(jìn)行稀疏表示和稀疏融合，進(jìn)一步提高算法效率。實(shí)驗(yàn)結(jié)果表明，提出的快速算法能在不影響融合質(zhì)量的條件下將算法效率提高近20倍。
2016, 38(7): 1781-1787.
doi: 10.11999/JEIT151198
摘要:
面向DVB-S2標(biāo)準(zhǔn)LDPC碼，該文旨在實(shí)現(xiàn)一種基于FPGA的高效編碼結(jié)構(gòu)，提出一種快速流水線并向遞歸編碼算法，可以顯著提高編碼數(shù)據(jù)信息吞吐率。同時(shí)，通過并向移位運(yùn)算和并向異或運(yùn)算的處理結(jié)構(gòu)計(jì)算編碼中間變量及校驗(yàn)位信息，在提高編碼并行度的同時(shí)可有效減少存儲(chǔ)資源的消耗。此外，針對(duì)動(dòng)態(tài)自適應(yīng)編碼的情況優(yōu)化了LDPC碼編碼存儲(chǔ)結(jié)構(gòu)，有效復(fù)用了數(shù)據(jù)存儲(chǔ)單元和RAM地址發(fā)生器，進(jìn)一步提高FPGA的硬件邏輯資源利用率。針對(duì)DVB-S2標(biāo)準(zhǔn)LDPC碼，基于Stratix IV系列FPGA的驗(yàn)證結(jié)果表明，所提編碼結(jié)構(gòu)在系統(tǒng)時(shí)鐘為126.17 MHz時(shí)，編碼數(shù)據(jù)信息吞吐率達(dá)20 Gbps以上。
面向DVB-S2標(biāo)準(zhǔn)LDPC碼，該文旨在實(shí)現(xiàn)一種基于FPGA的高效編碼結(jié)構(gòu)，提出一種快速流水線并向遞歸編碼算法，可以顯著提高編碼數(shù)據(jù)信息吞吐率。同時(shí)，通過并向移位運(yùn)算和并向異或運(yùn)算的處理結(jié)構(gòu)計(jì)算編碼中間變量及校驗(yàn)位信息，在提高編碼并行度的同時(shí)可有效減少存儲(chǔ)資源的消耗。此外，針對(duì)動(dòng)態(tài)自適應(yīng)編碼的情況優(yōu)化了LDPC碼編碼存儲(chǔ)結(jié)構(gòu)，有效復(fù)用了數(shù)據(jù)存儲(chǔ)單元和RAM地址發(fā)生器，進(jìn)一步提高FPGA的硬件邏輯資源利用率。針對(duì)DVB-S2標(biāo)準(zhǔn)LDPC碼，基于Stratix IV系列FPGA的驗(yàn)證結(jié)果表明，所提編碼結(jié)構(gòu)在系統(tǒng)時(shí)鐘為126.17 MHz時(shí)，編碼數(shù)據(jù)信息吞吐率達(dá)20 Gbps以上。
2016, 38(7): 1788-1793.
doi: 10.11999/JEIT151087
摘要:
由于長短碼直擴(kuò)碼分多址(LSC-DS-CDMA)信號(hào)包含了多個(gè)用戶的長碼和短碼，已有的直擴(kuò)碼分多址信號(hào)的盲偽碼估計(jì)方法不再適用。為此該文提出一種基于矩陣填充和三階相關(guān)的偽碼估計(jì)方法。首先從理論上將結(jié)構(gòu)復(fù)雜的LSC-DS-CDMA信號(hào)構(gòu)建為多用戶短碼擴(kuò)頻的缺失矩陣模型，將復(fù)合碼矩陣估計(jì)建模為盲源信號(hào)分離問題；然后將矩陣填充理論應(yīng)用于復(fù)合碼矩陣估計(jì)，提出基于奇異值閾值算法和快速獨(dú)立成分分析算法的各用戶復(fù)合碼序列估計(jì)方法；最后利用m序列的移位相加性特性，提出延遲三階相關(guān)算法，從各用戶復(fù)合碼序列中估計(jì)其包含的長短偽碼序列。仿真表明，當(dāng)信噪比高于-2 dB時(shí)，該文算法的長短偽碼估計(jì)平均誤碼率低于0.1%。
由于長短碼直擴(kuò)碼分多址(LSC-DS-CDMA)信號(hào)包含了多個(gè)用戶的長碼和短碼，已有的直擴(kuò)碼分多址信號(hào)的盲偽碼估計(jì)方法不再適用。為此該文提出一種基于矩陣填充和三階相關(guān)的偽碼估計(jì)方法。首先從理論上將結(jié)構(gòu)復(fù)雜的LSC-DS-CDMA信號(hào)構(gòu)建為多用戶短碼擴(kuò)頻的缺失矩陣模型，將復(fù)合碼矩陣估計(jì)建模為盲源信號(hào)分離問題；然后將矩陣填充理論應(yīng)用于復(fù)合碼矩陣估計(jì)，提出基于奇異值閾值算法和快速獨(dú)立成分分析算法的各用戶復(fù)合碼序列估計(jì)方法；最后利用m序列的移位相加性特性，提出延遲三階相關(guān)算法，從各用戶復(fù)合碼序列中估計(jì)其包含的長短偽碼序列。仿真表明，當(dāng)信噪比高于-2 dB時(shí)，該文算法的長短偽碼估計(jì)平均誤碼率低于0.1%。
2016, 38(7): 1794-1799.
doi: 10.11999/JEIT151068
摘要:
基于Walsh-Hadamard變換的擾碼重建算法在最大成立數(shù)準(zhǔn)則下尋找全局最優(yōu)解，是求解線性反饋關(guān)系的一種有效方法，但其計(jì)算復(fù)雜度隨著變換階數(shù)的增加而迅速增加。為降低算法的計(jì)算復(fù)雜度，論文提出一種基于實(shí)時(shí)檢測的擾碼重建算法，即在進(jìn)行Walsh-Hadamard變換的過程中，實(shí)時(shí)判斷檢測對(duì)象是否為反饋關(guān)系；當(dāng)檢測到反饋關(guān)系時(shí)，即可停止運(yùn)算。引入實(shí)時(shí)檢測后可使計(jì)算復(fù)雜度平均減少50%。
基于Walsh-Hadamard變換的擾碼重建算法在最大成立數(shù)準(zhǔn)則下尋找全局最優(yōu)解，是求解線性反饋關(guān)系的一種有效方法，但其計(jì)算復(fù)雜度隨著變換階數(shù)的增加而迅速增加。為降低算法的計(jì)算復(fù)雜度，論文提出一種基于實(shí)時(shí)檢測的擾碼重建算法，即在進(jìn)行Walsh-Hadamard變換的過程中，實(shí)時(shí)判斷檢測對(duì)象是否為反饋關(guān)系；當(dāng)檢測到反饋關(guān)系時(shí)，即可停止運(yùn)算。引入實(shí)時(shí)檢測后可使計(jì)算復(fù)雜度平均減少50%。
2016, 38(7): 1800-1807.
doi: 10.11999/JEIT151043
摘要:
泛在網(wǎng)絡(luò)是標(biāo)準(zhǔn)的異質(zhì)異構(gòu)網(wǎng)絡(luò)，保證用戶在網(wǎng)絡(luò)間的切換安全是當(dāng)前泛在網(wǎng)的一個(gè)研究熱點(diǎn)。該文對(duì)適用于異構(gòu)網(wǎng)絡(luò)間切換的認(rèn)證協(xié)議EAP-AKA進(jìn)行分析，指出該協(xié)議有著高認(rèn)證時(shí)延，且面臨著用戶身份泄露、中間人攻擊、DoS攻擊等安全威脅，此外接入網(wǎng)絡(luò)接入點(diǎn)的有效性在EAP-AKA協(xié)議中也沒有得到驗(yàn)證，使得用戶終端即使經(jīng)過了復(fù)雜的認(rèn)證過程也不能避免多種攻擊。針對(duì)以上安全漏洞，該文提出一種改進(jìn)的安全認(rèn)證協(xié)議，將傳統(tǒng)EAP-AKA的適用性從3G系統(tǒng)擴(kuò)展到泛在網(wǎng)絡(luò)中。新協(xié)議對(duì)傳播時(shí)延和效率進(jìn)行完善，為用戶和接入點(diǎn)的身份信息提供有效性保護(hù)，避免主會(huì)話密鑰泄露，采用橢圓曲線Diffie Hellman算法生成對(duì)稱密鑰，在每次認(rèn)證會(huì)話時(shí)生成隨機(jī)的共享密鑰，并實(shí)現(xiàn)用戶終端與家鄉(xiāng)域網(wǎng)絡(luò)的相互認(rèn)證。通過開展實(shí)驗(yàn)，對(duì)協(xié)議進(jìn)行比較分析，驗(yàn)證了新協(xié)議的有效性及高效率。
泛在網(wǎng)絡(luò)是標(biāo)準(zhǔn)的異質(zhì)異構(gòu)網(wǎng)絡(luò)，保證用戶在網(wǎng)絡(luò)間的切換安全是當(dāng)前泛在網(wǎng)的一個(gè)研究熱點(diǎn)。該文對(duì)適用于異構(gòu)網(wǎng)絡(luò)間切換的認(rèn)證協(xié)議EAP-AKA進(jìn)行分析，指出該協(xié)議有著高認(rèn)證時(shí)延，且面臨著用戶身份泄露、中間人攻擊、DoS攻擊等安全威脅，此外接入網(wǎng)絡(luò)接入點(diǎn)的有效性在EAP-AKA協(xié)議中也沒有得到驗(yàn)證，使得用戶終端即使經(jīng)過了復(fù)雜的認(rèn)證過程也不能避免多種攻擊。針對(duì)以上安全漏洞，該文提出一種改進(jìn)的安全認(rèn)證協(xié)議，將傳統(tǒng)EAP-AKA的適用性從3G系統(tǒng)擴(kuò)展到泛在網(wǎng)絡(luò)中。新協(xié)議對(duì)傳播時(shí)延和效率進(jìn)行完善，為用戶和接入點(diǎn)的身份信息提供有效性保護(hù)，避免主會(huì)話密鑰泄露，采用橢圓曲線Diffie Hellman算法生成對(duì)稱密鑰，在每次認(rèn)證會(huì)話時(shí)生成隨機(jī)的共享密鑰，并實(shí)現(xiàn)用戶終端與家鄉(xiāng)域網(wǎng)絡(luò)的相互認(rèn)證。通過開展實(shí)驗(yàn)，對(duì)協(xié)議進(jìn)行比較分析，驗(yàn)證了新協(xié)議的有效性及高效率。
2016, 38(7): 1808-1815.
doi: 10.11999/JEIT151095
摘要:
眾包是互聯(lián)網(wǎng)帶來的一種分布式問題解決模式。然而，由于工作者和任務(wù)發(fā)布者具有自私特性并且致力于獲得自身效益的最大化，使得在眾包應(yīng)用中，存在內(nèi)部的激勵(lì)問題。該文主要完成以下工作：首先，基于重復(fù)博弈，提出一種基于信譽(yù)值的激勵(lì)模型，用于激勵(lì)理性工作者高質(zhì)量地完成任務(wù)；其次，該激勵(lì)模型中同時(shí)設(shè)置了懲罰機(jī)制，將針對(duì)惡意工作者做出相應(yīng)懲罰。仿真結(jié)果表明，即使在自私工作者比例為0.2的條件下，只要合理選擇懲罰參數(shù)，均可有效激勵(lì)理性工作者的盡力工作，眾包平臺(tái)的整體性能可以提升至90%以上。
眾包是互聯(lián)網(wǎng)帶來的一種分布式問題解決模式。然而，由于工作者和任務(wù)發(fā)布者具有自私特性并且致力于獲得自身效益的最大化，使得在眾包應(yīng)用中，存在內(nèi)部的激勵(lì)問題。該文主要完成以下工作：首先，基于重復(fù)博弈，提出一種基于信譽(yù)值的激勵(lì)模型，用于激勵(lì)理性工作者高質(zhì)量地完成任務(wù)；其次，該激勵(lì)模型中同時(shí)設(shè)置了懲罰機(jī)制，將針對(duì)惡意工作者做出相應(yīng)懲罰。仿真結(jié)果表明，即使在自私工作者比例為0.2的條件下，只要合理選擇懲罰參數(shù)，均可有效激勵(lì)理性工作者的盡力工作，眾包平臺(tái)的整體性能可以提升至90%以上。
2016, 38(7): 1816-1822.
doi: 10.11999/JEIT150864
摘要:
近年來復(fù)雜網(wǎng)絡(luò)在科學(xué)與工程各個(gè)領(lǐng)域受到了廣泛關(guān)注，其中復(fù)雜網(wǎng)絡(luò)同步問題是復(fù)雜網(wǎng)絡(luò)研究的熱點(diǎn)之一。該文研究兩個(gè)復(fù)雜網(wǎng)絡(luò)實(shí)現(xiàn)改進(jìn)函數(shù)投影同步的方法。分別基于復(fù)雜網(wǎng)絡(luò)模型參數(shù)已知和未知兩種情況，利用李雅普諾夫穩(wěn)定性理論和自適應(yīng)控制技術(shù)，設(shè)計(jì)自適應(yīng)同步控制器，使兩個(gè)復(fù)雜網(wǎng)絡(luò)達(dá)到改進(jìn)函數(shù)投影同步。最后分別基于這兩種情況利用數(shù)值仿真驗(yàn)證所提方法的有效性。
近年來復(fù)雜網(wǎng)絡(luò)在科學(xué)與工程各個(gè)領(lǐng)域受到了廣泛關(guān)注，其中復(fù)雜網(wǎng)絡(luò)同步問題是復(fù)雜網(wǎng)絡(luò)研究的熱點(diǎn)之一。該文研究兩個(gè)復(fù)雜網(wǎng)絡(luò)實(shí)現(xiàn)改進(jìn)函數(shù)投影同步的方法。分別基于復(fù)雜網(wǎng)絡(luò)模型參數(shù)已知和未知兩種情況，利用李雅普諾夫穩(wěn)定性理論和自適應(yīng)控制技術(shù)，設(shè)計(jì)自適應(yīng)同步控制器，使兩個(gè)復(fù)雜網(wǎng)絡(luò)達(dá)到改進(jìn)函數(shù)投影同步。最后分別基于這兩種情況利用數(shù)值仿真驗(yàn)證所提方法的有效性。
2016, 38(7): 1823-1830.
doi: 10.11999/JEIT151074
摘要:
沙箱驗(yàn)證機(jī)制的測試需要首先識(shí)別沙箱攔截，即識(shí)別沙箱截獲的系統(tǒng)函數(shù)集。已有的Hook識(shí)別方法大多僅關(guān)注鉤子的存在性，識(shí)別沙箱攔截的能力不足。該文設(shè)計(jì)了一種基于函數(shù)注入的沙箱攔截識(shí)別方法，該方法分析系統(tǒng)函數(shù)的指令執(zhí)行記錄(Trace)來識(shí)別沙箱截獲的系統(tǒng)函數(shù)。首先，向不可信進(jìn)程注入并執(zhí)行系統(tǒng)函數(shù)來獲取函數(shù)的執(zhí)行記錄；其次，根據(jù)沙箱截獲系統(tǒng)函數(shù)執(zhí)行記錄的特點(diǎn)，設(shè)計(jì)了地址空間有限狀態(tài)自動(dòng)機(jī)，并在自動(dòng)機(jī)內(nèi)分析獲取的執(zhí)行記錄來判別沙箱截獲的系統(tǒng)函數(shù)；最后，遍歷測試函數(shù)集來識(shí)別目標(biāo)沙箱截獲的系統(tǒng)函數(shù)集。該文設(shè)計(jì)實(shí)現(xiàn)了原型系統(tǒng)SIAnalyzer，并對(duì)Chromium和Adobe Reader進(jìn)行了沙箱攔截識(shí)別測試，測試結(jié)果驗(yàn)證了方法的有效性和實(shí)用性。
沙箱驗(yàn)證機(jī)制的測試需要首先識(shí)別沙箱攔截，即識(shí)別沙箱截獲的系統(tǒng)函數(shù)集。已有的Hook識(shí)別方法大多僅關(guān)注鉤子的存在性，識(shí)別沙箱攔截的能力不足。該文設(shè)計(jì)了一種基于函數(shù)注入的沙箱攔截識(shí)別方法，該方法分析系統(tǒng)函數(shù)的指令執(zhí)行記錄(Trace)來識(shí)別沙箱截獲的系統(tǒng)函數(shù)。首先，向不可信進(jìn)程注入并執(zhí)行系統(tǒng)函數(shù)來獲取函數(shù)的執(zhí)行記錄；其次，根據(jù)沙箱截獲系統(tǒng)函數(shù)執(zhí)行記錄的特點(diǎn)，設(shè)計(jì)了地址空間有限狀態(tài)自動(dòng)機(jī)，并在自動(dòng)機(jī)內(nèi)分析獲取的執(zhí)行記錄來判別沙箱截獲的系統(tǒng)函數(shù)；最后，遍歷測試函數(shù)集來識(shí)別目標(biāo)沙箱截獲的系統(tǒng)函數(shù)集。該文設(shè)計(jì)實(shí)現(xiàn)了原型系統(tǒng)SIAnalyzer，并對(duì)Chromium和Adobe Reader進(jìn)行了沙箱攔截識(shí)別測試，測試結(jié)果驗(yàn)證了方法的有效性和實(shí)用性。
2016, 38(7): 1831-1837.
doi: 10.11999/JEIT151104
摘要:
對(duì)于時(shí)間信號(hào)量化后的數(shù)字編碼處理，傳統(tǒng)編碼方法高頻條件下存在高誤碼率導(dǎo)致數(shù)據(jù)量化精度退化的問題。該文從數(shù)據(jù)誤碼根源分析入手，建立起不同狀態(tài)模式下包含鎖存和延遲失配效應(yīng)的誤碼解析分析模型，并在二進(jìn)制和格雷碼編碼方法對(duì)比的基礎(chǔ)上，分析了低誤碼率的同頻碼編碼設(shè)計(jì)方法?；赥SMC 0.35 ?m CMOS工藝，完成了采用同頻碼編碼方法的時(shí)間數(shù)字轉(zhuǎn)換器(TDC)電路及其版圖設(shè)計(jì)，多項(xiàng)目晶元(MPW)芯片的測試結(jié)果表明：同頻編碼的誤碼率相比同等條件下傳統(tǒng)編碼方法的誤碼率明顯降低，并與理論分析基本吻合。
對(duì)于時(shí)間信號(hào)量化后的數(shù)字編碼處理，傳統(tǒng)編碼方法高頻條件下存在高誤碼率導(dǎo)致數(shù)據(jù)量化精度退化的問題。該文從數(shù)據(jù)誤碼根源分析入手，建立起不同狀態(tài)模式下包含鎖存和延遲失配效應(yīng)的誤碼解析分析模型，并在二進(jìn)制和格雷碼編碼方法對(duì)比的基礎(chǔ)上，分析了低誤碼率的同頻碼編碼設(shè)計(jì)方法?；赥SMC 0.35 ?m CMOS工藝，完成了采用同頻碼編碼方法的時(shí)間數(shù)字轉(zhuǎn)換器(TDC)電路及其版圖設(shè)計(jì)，多項(xiàng)目晶元(MPW)芯片的測試結(jié)果表明：同頻編碼的誤碼率相比同等條件下傳統(tǒng)編碼方法的誤碼率明顯降低，并與理論分析基本吻合。
2016, 38(7): 1838-1842.
doi: 10.11999/JEIT151063
摘要:
針對(duì)節(jié)點(diǎn)感知半徑不均衡的移動(dòng)傳感網(wǎng)絡(luò)節(jié)點(diǎn)的部署問題，論文提出一種基于VL(Voronoi Laguerre)圖分割的節(jié)點(diǎn)自主部署算法(Autonomous Deployment Algorithm, ADA)。ADA先對(duì)目標(biāo)區(qū)域做VL圖劃分，將目標(biāo)區(qū)域的覆蓋任務(wù)在各個(gè)傳感器節(jié)點(diǎn)之間進(jìn)行分配。分配到覆蓋子區(qū)間任務(wù)的節(jié)點(diǎn)通過構(gòu)造VL受控多邊形來確定下一輪候選目標(biāo)位置。未分配到覆蓋子區(qū)間的節(jié)點(diǎn)則根據(jù)自身與鄰居節(jié)點(diǎn)感知圓及目標(biāo)區(qū)域邊界的幾何位置關(guān)系計(jì)算所受虛擬力，最終確定下一輪目標(biāo)點(diǎn)坐標(biāo)。網(wǎng)絡(luò)各個(gè)節(jié)點(diǎn)通過逐輪更新自身位置，從而提高網(wǎng)絡(luò)覆蓋。仿真結(jié)果表明，ADA算法在網(wǎng)絡(luò)覆蓋率、節(jié)點(diǎn)部署速度和節(jié)點(diǎn)分布均勻性等方面具有明顯的優(yōu)勢。
針對(duì)節(jié)點(diǎn)感知半徑不均衡的移動(dòng)傳感網(wǎng)絡(luò)節(jié)點(diǎn)的部署問題，論文提出一種基于VL(Voronoi Laguerre)圖分割的節(jié)點(diǎn)自主部署算法(Autonomous Deployment Algorithm, ADA)。ADA先對(duì)目標(biāo)區(qū)域做VL圖劃分，將目標(biāo)區(qū)域的覆蓋任務(wù)在各個(gè)傳感器節(jié)點(diǎn)之間進(jìn)行分配。分配到覆蓋子區(qū)間任務(wù)的節(jié)點(diǎn)通過構(gòu)造VL受控多邊形來確定下一輪候選目標(biāo)位置。未分配到覆蓋子區(qū)間的節(jié)點(diǎn)則根據(jù)自身與鄰居節(jié)點(diǎn)感知圓及目標(biāo)區(qū)域邊界的幾何位置關(guān)系計(jì)算所受虛擬力，最終確定下一輪目標(biāo)點(diǎn)坐標(biāo)。網(wǎng)絡(luò)各個(gè)節(jié)點(diǎn)通過逐輪更新自身位置，從而提高網(wǎng)絡(luò)覆蓋。仿真結(jié)果表明，ADA算法在網(wǎng)絡(luò)覆蓋率、節(jié)點(diǎn)部署速度和節(jié)點(diǎn)分布均勻性等方面具有明顯的優(yōu)勢。
