【摘 要】
：
压缩感知是一种新型的信号采样及重构理论,高效的信号重构算法是压缩感知由理论转向实际应用的枢纽.为了更精确地重构出原始稀疏信号,本文提出一种基于二次筛选的回溯广义正交匹配追踪算法.首先采用内积匹配准则选出较大数目的相关原子,提高原子的利用率.其次利用广义Jaccard系数准则对已选出的原子进行二次筛选,得到最匹配的原子,优化原子选取方式.实验结果表明,在不同稀疏度和观测值下进行信号重构,相比于回溯广义正交匹配追踪算法、正交匹配追踪算法及子空间追踪算法,本文算法在重构误差及重构成功率方面有较大的优越性.
【机 构】
：
长安大学理学院,陕西 西安 710064
论文部分内容阅读
压缩感知是一种新型的信号采样及重构理论,高效的信号重构算法是压缩感知由理论转向实际应用的枢纽.为了更精确地重构出原始稀疏信号,本文提出一种基于二次筛选的回溯广义正交匹配追踪算法.首先采用内积匹配准则选出较大数目的相关原子,提高原子的利用率.其次利用广义Jaccard系数准则对已选出的原子进行二次筛选,得到最匹配的原子,优化原子选取方式.实验结果表明,在不同稀疏度和观测值下进行信号重构,相比于回溯广义正交匹配追踪算法、正交匹配追踪算法及子空间追踪算法,本文算法在重构误差及重构成功率方面有较大的优越性.
其他文献
由于水体侵蚀、自然老化等问题,水库大坝等水下结构物在长期运行过程中存在表面损伤缺陷,与青苔、贝壳等附着物形成的凹陷,在颜色、纹理等方面具有极高的相似性.当凹陷距离裂缝较近时,极易引起裂缝图像分割误判.为解决该问题,本文引入偏振信息,提出一种基于偏振度特征图的裂缝图像分割算法,以超像素块为单元进行偏振度特征图提取,利用偏振度设定区域生长规则,以种子区域为基础进行区域生长合并,最后根据图像深度图确定裂缝区域.实验结果表明该算法能够有效减少分割误判,裂缝分割结果的特异性和准确度指标均能达到0.9以上,高于现有算
传统声纹识别方法过程繁琐且识别率低,现有的深度学习方法所使用的神经网络对语音信号没有针对性从而导致识别精度不够.针对上述问题,本文提出一种基于非线性堆叠双向LSTM的端到端声纹识别方法.首先,对原始语音文件提取出Fbank特征用于网络模型的输入.然后,针对语音信号连续且前后关联性强的特点,构建双向长短时记忆网络处理语音数据提取深度特征,为进一步增强网络的非线性表达能力,利用堆叠多层双向LSTM层和多层非线性层实现对语音信号更深层次抽象特征的提取.最后,使用SGD优化器优化训练方式.实验结果表明提出的方法能
为有效降低隐私数据库中数据泄露的可能性,进一步提高数据安全性,本文设计一种基于分支混淆算法的隐私数据库自适应加密方法.在收集应用程序对数据库的请求内容的基础上,利用分支混淆算法对隐私数据库内数据的特征进行分类,并选取朴素贝叶斯分类器对数据库内混淆点实施分类,从而确定数据库中数据的字段类型,基于此,针对不同字段类型数据选取相应加密算法.其中,数值类型数据采用保序加密算法,等值比较类型数据采用等值加密算法,文本类型数据采用分词辅助索引加密算法.在加密数值型、时间类型、字符型字段的同时,保留偏序特性和可检索特性
近年来行人跌倒检测变得越来越重要,因为准确及时的跌倒检测可以帮助跌倒者获得紧急救援.针对复杂场景中由于光照变化、遮挡和尺度变化等导致检测性能下降的问题,提出一种实时、鲁棒的跌倒检测算法.首先采用YOLO v3目标检测模块完成行人检测;然后在跟踪模块中对每个跟踪的边界框提取深层特征后,运用数据增强和重检测技术提高光照变化下的检测精度,并引入注意力机制子网络应对被遮挡目标的检测;最后跌倒判断模块对行人姿态进行判断,完成实时跌倒检测和报警.在Cityperson数据集、Montreal fall数据集和自建数据
低功耗广域网技术以功耗低、距离远等优势,已成为当前的一个研究热点.但是,由于低功耗广域网中传感器节点安全防护能力有限、容易老化以及存在恶意节点等问题,导致系统在效率和私密性方面并不是完全可靠.针对上述问题,本文为无线电广域网的媒体介入控制层设计一套密文数据审计算法.通过使用布隆过滤器,加快密文数据处理的效率.此外使用同态加密技术,在保护数据的前提下,实现有效密文数据范围查询功能.最后利用区块链技术实现对通讯数据的溯源,方便日后对问题节点进行追踪.分析结果显示,新方案具有较高的安全性能,并且运行效率能够达到
对于求解带时间窗口车辆路径问题,提出一种融合邻域搜索策略的改进蚁群算法,针对时间窗口特性,将等待时间加入到蚁群算法的状态转移规则之中.为提升算法的局部寻优能力,设计多种节点删除操作和插入操作对得到的路径进行邻域搜索.最后利用Solomon标准算例对改进算法进行测试,与目前已知最优解对比,实验结果表明改进后的蚁群算法对带时间窗口的车辆路径问题有较好的适用性.
汽车零件对汽车外观、性能以及安全性都有重大影响.由于汽车零件数量大、体积小、对精度要求高,因此对零件检测的精度和速度都有一定的要求.本文利用图像处理技术,以SSD模型为基础,将其中的VGG模块用深度可分离卷积和线性瓶颈倒残差结构替换,并引入避免降维的局部跨通道交互有效的注意力机制ECA模块,在减少模型参数运算量的同时,适当增加通道以提高模型精度,并将注意力放在图像目标上,忽略背景带来的干扰,实现快速又准确的汽车零件缺陷检测.利用本文模型对上汽提供的汽车零件外壁缺陷进行检测,实验结果表明,模型大小仅为15.
图卷积神经网络通过特征传播,学习卷积核,实现图卷积,它的核心在于卷积算子的构建.在应用具体的图数据时,卷积核的适用性往往因应用场景的不同而受到限制.本文从图过滤的角度看待卷积核,在图过滤框架下,视结点的数据特征为图信号,应用低通滤波器对其进行平滑处理,将提取的平滑图信号放在拓扑图上进行谱域中的卷积.在此过程中,局部的图结构信息将被整合进结点的相似度表征中以完成图嵌入学习.为了提高图形滤波器的灵活性,实现更精细的设计,在原有模型的基础上,本文引入新的平移参数,从而在不增加神经网络的可训练权重数量的情况下,也
骨架提取是形状表示的重要分支,在图像压缩、模式识别和形状匹配等领域中都有着广泛应用.本文提出一种基于热方法的骨架提取算法.该方法首先对目标区域构建三角网格,通过求解热传导方程找到距离增加的方向,再利用泊松方程还原测地距离.然后引入投票法的思想来确定骨架端点,通过路径回溯得到目标形状的连续骨架线.最后对终点聚类,检测并提取环形骨架.算法只需要求解2个稀疏线性方程组,因而具有鲁棒性强、精度高且易于操作等优点.同时,预计算中的一些信息可以被重复使用,减少内存占用和时间消耗.实验结果表明,该算法可将目标形状的骨架
在大数据环境下,从海量的互联网数据中获取热点话题是研究当前互联网中民意民情的基础,其中文本聚类是得到热点话题最常用的方法之一,可以分为文本向量化表示和聚类2个步骤.然而在文本向量化表示任务中,传统的文本表示模型无法准确表示新闻、帖文等文本的上下文语境信息.在聚类任务中,最常使用的是K-Means算法和DBSCAN算法,但是它们对数据的聚类方式与实际中话题数据的分布不符,这使得现有的文本聚类算法在实际的互联网环境中应用效果很差.本文根据互联网中话题的数据分布情况,提出一种基于RoBERTa-WWM和HDBS