【摘 要】
：
压缩感知主要包括随机投影和重构两部分。针对迭代收缩算法收敛速度较慢,普通二维小波变换缺少方向性表示的缺点,利用置乱离散余弦变换(PDCT)实现随机投影,重构时采用梯度投影算法,在简化计算的基础上,通过迭代的方式完善图像在双树复数小波域的变换系数,最后经反变换后得到重构图像。在同一重构算法下,比较了利用双树复数小波变换和双正交小波变换的重构结果,结果表明前者重构后的图像在细节和平滑度上优于后者,在峰
【基金项目】
：
河北省高等学校科学技术研究项目(QN2017411),河北省重点研发计划自筹项目(18210910)
论文部分内容阅读
压缩感知主要包括随机投影和重构两部分。针对迭代收缩算法收敛速度较慢,普通二维小波变换缺少方向性表示的缺点,利用置乱离散余弦变换(PDCT)实现随机投影,重构时采用梯度投影算法,在简化计算的基础上,通过迭代的方式完善图像在双树复数小波域的变换系数,最后经反变换后得到重构图像。在同一重构算法下,比较了利用双树复数小波变换和双正交小波变换的重构结果,结果表明前者重构后的图像在细节和平滑度上优于后者,在峰值信噪比(PSNR)上平均高出约1. 5 dB;同一稀疏域中,梯度投影算法的收敛速度优于迭代收缩算法;相
其他文献
大型液压挖掘机在低温情况下采用高粘度指数液压油,在液压系统启动前和油温低于25℃时,需要对液压系统预热。本文就其主要预热形式——节流预热、溢流预热和加热器预热等进行
空间co-location模式是一组空间特征的子集,它们的实例在邻域内频繁并置出现。通常,空间co-location模式挖掘方法假设空间实例相互独立,并采用空间实例参与到模式实例的频繁性(参与率)来度量空间特征在模式中的重要性,采用空间特征的最小参与率(参与度)来度量模式的有趣程度,忽略了空间特征间的某些重要关系。因此为了揭示空间特征间的主导关系而提出主导特征co-location模式。现有主导特
针对异质网络表示学习仅从结构方面考虑社交关系而忽略语义这一问题,结合用户间的社交关系和用户对主题的偏好两个方面,提出基于主题关注网络的表示学习算法。首先,针对主题关注网络的特点,结合集对分析理论的同异反(确定与不确定)思想,给出转移概率模型;然后,在转移概率模型的基础上提出了一种基于两类节点的随机游走算法,以得到相对高质量的随机游走序列;最后,基于序列中两类节点建模得到主题关注网络的嵌入向量空间表
华中师范学院中文系语言教研相，最近掀起了学习毛主席著作的高潮，在系党总支的领导下，语言教研组的同志们结合毛主席著作的学习，开展了如何建立“以毛主席思想为指导的语言学体系
超链路预测是利用已观测到网络的特性来复现网络中缺失的链路。现有的超链路预测算法通常利用整个网络来进行预测,预测结果会遗漏训练样本数据较少的链路类别,导致预测种类不够全面。为了解决这个问题,提出了基于聚类的超链路预测算法C-CMM,首先对数据集进行聚类分簇,进而对每一个簇建立模型进行超链路预测。所提算法能够充分利用各个簇的观察样本所蕴含的信息,扩大预测结果覆盖的类别。在三个真实数据集上的实验结果表明
函数查询是大数据应用中重要的操作,查询解答问题一直是数据库理论中的核心问题。为了分析大数据上函数查询解答问题的复杂度,首先,使用映射归约方法将函数查询语言归约到已知的可判定语言,证明了函数查询解答问题的可计算性;其次,使用一阶语言描述函数查询,并分析了一阶语言的复杂度;在此基础上,使用NC-factor归约方法将函数查询类归约到已知的ΠΤQ-complete类中。证明函数查询解答问题经过PTIME
随着我国交通事业和地下工程的飞速发展,为了适应公路、铁路隧道、地铁隧道施工的机械化需求而衍生出大量隧道施工机械,拱架台车就是为了满足隧道内拱架的安装需求而开发的一
针对可达性查询保持图压缩(QPGC)算法存在冗余计算的问题,提出了一种高性能压缩策略。在求解顶点的祖先后代集阶段,针对普通图数据,提出一种基于拓扑排序的求解算法TSB,首先将图数据顶点拓扑排序,然后沿拓扑序列顺序(逆序)求解顶点的祖先(后代)集,避免了求解顺序不明确导致的冗余计算;针对最长路径较短的图数据,提出一种基于图聚合运算的求解算法AGGB,可在确定次数的聚合运算内完成顶点的祖先和后代集的求
介绍了Vague集的基本概念、记分函数和Vague集多准则评价模糊决策问题，并将Vague集决策理论应用于公交路径选择问题中。分析了影响路径选择的基本因素，给出了包括时间、总费用
Graphlet Degree Vector(GDV)是一种研究生物网络的重要方法,能揭示生物网络中各节点与其局部网络结构的相关性,但随着需要挖掘的自同构轨道数量的增加以及生物网络规模的增大,GDV方法的时间复杂度会呈指数级增长。针对这个问题,在现有串行GDV方法的基础上,实现了基于消息传递接口(MPI)的GDV方法并行化;此外又将GDV方法进行了改进并将改进后的方法实现了并行优化,改进后的方法在