摘要:数据去噪声是信号和图像处理领域的一个经典问题，广泛应用于各类工程实践中。由于噪声源的多样性，去噪一直是富有挑战性且十分活跃的研究课题，发展了多种经典去噪方法。近年来，随着压缩感知理论的发展，基于稀疏表示及正则化约束反问题求解方法成为图像去噪领域的重要发展方向和技术途径。本文首先回顾和总结图像噪声的来源和类型，然后针对不同类型的图像噪声，重点围绕基于稀疏表示及正则化约束的图像去噪技术进行全面综述，分析和描述了几种主要去噪方法的原理及优缺点。最后，对去噪算法的性能评价指标进行总结。

摘要:在光纤布拉格光栅(Fiber Bragg grating, FBG)的波长解调方法中，可调谐法布里-珀罗(FabryPerot, F-P)滤 波器解调法使用较多，但F-P滤波器中锆钛酸铅压电陶瓷（Pb(Zr1xTix)O3，PZT）的迟滞和蠕变使F-P滤波器输出波长随时间非线性变化，带来波长解调误差大、传感检测精 度低的问题。本文从研究F-P滤波器中的PZT迟滞和蠕变特性入手，提出了一种基于热标准具与PZT迟滞和蠕变补偿控制的F-P滤波器解调方法。控制PZT的驱动电压随时间非线性改变，使宽带光源经过F-P滤波器输出的波长能随时间等间隔变化，获得了随时间线性变化的标准具透射谱峰值波长，作为波长标尺的“刻度线”，为解调传感光栅的波长提供精确的波长基准。利用FBG测温的实验结果表明，本文提出的方法与未进行迟滞和蠕变补偿控制的方法相比 ，温度测量精度提高约20倍，温度测量误差小于0.5 ℃。

摘要:针对实际复杂电磁环境下通信辐射源个体细微特征提取面临的标签样本缺失问题，将半监督学习理论引入到通信辐射源细微特征提取，提出一种半监督框架下的局部近邻保持正则化判别分析方法。该方法在双谱估计的基础上，通过向线性判别模型中有效融入由无标签样本所提供的流形结构信息，从而将线性判别方法扩展到半监督学习。在实际采集的同种型号、同种厂家、相同批次以及相同工作模式的不同FM通信电台数据集上的实验结果表明，该方法能够获得更优的分类识别性能。

摘要:针对多分量线性调频(Linear frequency modulated,LFM)信号，提出了一种基于多路欠采样的参数估计方法。采样过程由多个采样速率相同、采样时刻不同的模数转换器实现，总采样率可以低于信号的奈奎斯特采样率。基于欠采样序列乘积型模糊函数的单频特性，可以通过峰值检测实现调频斜率的估计。根据估计出的调频斜率对各路欠采样序列进行解线调处理，可得到多频正弦信号。结合矩保持问题的求解方法以及对超定方程组的求解，可以根据解线调后的各路序列估计出原始LFM信号各分量的初始频率。本文方法能够根据亚奈奎斯特采样样本实现LFM信号的参数估计，并且运算简单、易于实现。仿真实验验证了其有效性和准确性。

摘要:为了提高认知Ad hoc网络频谱感知效率，解决认知Ad hoc网络分簇问题，本文提出一种基于频谱感知的认知Ad hoc网络分簇算法。通过引入检测因子，综合考虑多个主用户信号交叠与阴影衰落的情况，将认知Ad hoc网络中的次用户节点与需要检测的主用户信道建模为二部图模型，使得分簇问题简化为最大权边二部图（Constraint maximum-weight edge biclique, C-MWEB）分解问题，并设计一种贪婪算法对其求解。仿真结果表明，在多个主用户信号交叠与阴影衰落并存的情况下，相较于传统算法，本文算法分簇更为合理，具有更好的有效性与可靠性。

摘要:在高斯信道下，乘积转发（Product-and-forward, PF）双向中继网络可以提供比放大转发（Amplifyandforward, AF）双向中继网络更低的误符号率（Symbol-error rate, SER）。为了研究PF中继网络在瑞利衰落信道下的性能，推导出了PF中继网络的SER性能渐进表达式，且理论分析显示PF中继网络比AF中继网络拥有更好的SER性能。仿真结果和理论分析吻合，充分验证了该表达式的合理性与PF中继网络的优越性。为了进一步提高PF中继网络的SER性能，以发射总功率为约束条件，提出了最小化SER的功率控制算法。仿真结果表明所提算法可以显著提高系统SER性能。

摘要:为实现基于IEEE 802.15.4k标准的长码字直接序列扩频系统(Direct sequency spread spectrum, DSSS)在低信噪比下的频偏估计，提出一种高精度、稳定的改进频偏估计算法。该算法在保证频偏估计范围的前提下同时利用相位和幅度信息对信号作有偏自相关和迭代，提高包含相位信息的序列的信噪比，然后对有偏自相关信号的各阶差分计算相位幅角并加权平均，克服了 Fitz方法在低信噪比下近似条件难以满足的缺点。实验结果表明该算法能在不缩小估计范围的同时实现极低信噪比下的精确频偏估计，估计精度满足IEEE 802.15.4k标准下接收系统对残余频偏的容忍度。

摘要:机器学习中一个非常关键的问题就是如何获取良好的数据特征表示，许多经典的特征提取方法是基于数据间关系或利用简单线性组合降维后得到数据的特征表示。其中深度学习算法在各种学习任务中都可以取得良好的效果，而且可以学到很好的数据特征表示。但现有深度学习算法或模型大多为单机串行实现，不能处理较大规模的数据且运行时间较长。本文设计实现了一种基于Spark分布式平台的高效并行自动编码机，该编码机可以有效地进行特征表示学习，并且利用分布式计算平台Spark对 算法进行加速，优化了对稀疏数据的操作，大大提升了运行效率。本文通过在文本数据特征学习以及协同过滤两个任务上的实验，表明本文所实现的并行自动编码机的有效性和高效性。

摘要:针对传统算法在非均衡交互式网络电视(Internet protocol television,IPTV)数据集下用户报障预测效果不理想的问题，本文将影响网络服务质量(Quality of service,QoS)的传统网络参数和主观反映用户体验质量(Quality of experience,QoE)的MOS评分结合来预测用户是否报障。本文在已有的ODR-BSMOTE-SVM 算法基础上，针对过采样算法产生噪声以及核参数没有进行优化的缺陷，提出了一种改进型算法。该改进算法首先采用欠采样、过采样算法及数据清洗算法对原始非均衡数据进行处理，然后通过自适应变核参数寻找近似最优值，最终实现提升分类效果。实验结果表明，较传统标准支持向量机(Support vector machine, SVM)算法和ODR-BSMOTE-SVM 算法，本文算法能获得更佳的预测效果。

摘要:针对窄带和宽带两种情形，提出了一种基于同点正交磁环偶极子矢量天线（Co-centered orthogonal loop and dipole,COLD）阵列的联合稀疏重构信号波达方向（Direction-of-arrival,DOA）估计方法。该方法首先构造极化-空间域协方差矩阵，并对其第一列进行稀疏表示，在此基础上利用COLD阵列可视为相互垂直的磁环阵列和偶极子阵列这一特点，采用l2-范数约束下的凸优化（l1-范数）联合稀疏重构技术实现信号DOA估计。仿真实验表明，该方法较之现有方法具有分辨力高、估计精度高等优点。

摘要:极坐标格式算法（Polar format algorithm,PFA）将球面波前近似为平面波前，由此引入的误差会造成SAR图像出现严重的边缘模糊和几何失真。之前的波前弯曲补偿方法都是基于雷达平飞假设，然而由于弹载SAR平台大俯冲、大斜视的机动特点，使得现有的滤波器设计方法无法直接应用于雷达平台俯冲等机动条件，波前弯曲误差补偿方法的应用范围因此受到很大限制。本文根据导弹飞行末端大斜视、大俯冲的机动特点，推导了雷达俯冲机动条件下波前弯曲空间频域相位误差的精确表达式，通过空变后滤波等处理实现了弹载SAR极坐标格式算法波前弯曲误差的精确补偿，有效地解决了弹载SAR俯冲机动条件下PFA图像的模糊和几何失真问题。该方法扩展了图像后处理补偿极坐标格式算法波前弯曲误差的应用范围，进一步完善了极坐标格式算法的波前弯曲补偿理论。最后通过仿真验证了公式和方法的正确性。

摘要:逆合成孔径雷达的横向定标是确定横向像素代表的真实尺寸、进行目标几何特征提取的前提。本文研究了一种基于分数阶傅里叶变换（Fractional Fourier transform，FrFT）的横向定标方法，利用回波信号在慢时间域为线性调频信号的特性，使用FrFT方法得到信号在不同分数阶傅里叶域的能量聚集性，估计目标回波信号多普勒调频率，求得转动角速度，进而完成横向定标。仿真实验验证了算法的有效性和准确性。

摘要:局部线性嵌入(Locally linear embedding, LLE)算法对于分类的结果没有直接的关系。同时，该算法受不同表情、光照以及姿态等因素的影响，识别的效果会大大降低。为了能够很好地解决上 述问题，提出基于模糊的差分嵌入投影(Fuzzy difference embedding projection, FDEP)特征提取算法。FDEP算法首先在模糊数学的思想指导下，通过模糊隶属度（Fuzzy sets）的形式表示；然后分别构造模糊局部近邻图与模糊全局方差图来表征局部与全局结构信息，采用最大间距准则函数来构造目标函数避免“小样本”问题；最后，通过拉格朗日乘子解决约束条件下的优化问题。FDEP算法既可以最大化地模糊全局数据之间的非局部散度，又可以保持模糊近邻数据之间的内在联系。在ORL，Yale和AR人脸图像库的实验结果表明，FDEP算法具有较好的识别性能。

摘要:传统的主曲线算法已被广泛应用到很多领域，但在复杂数据的主曲线提取上效果不佳，而有效的融合粒计算与主曲线学习算法是解决该类问题最有效的途径之一。为此，本文提出了基于粒计算的复杂数据多粒度主曲线提取算法。首先，利用基于t最近邻（T-nearest-neighbors, TNN）的谱聚类算法对数据进行粒化，提出拐点估计方法来自动确定粒的个数；然后调用软K段主曲线算法对每个粒进行局部主曲线提取，并提出通过消除假边来优化每个粒的主曲线提取过程；最后采用局部到全局的策略进行多粒度主曲线提取，并对过拟合线段进行优化，最终形成一条能较好描述数据原始分布形态的主曲线。实验结果表明该算法是一种行之有效的多粒度主曲线提取算法。

摘要:高光谱图像丰富的光谱信息使其在目标检测、地物分类等领域都具有重要应用，分类作为高光谱应用的重要中间步骤引起了广泛 关注。高光谱图像空间信息刻画了光谱像素点与近邻关系，可以较好地弥补单纯使用光谱信息难以解决的同物异谱、同谱异物以及高维小样本等问题。传统预处理方式空间信息的使用是基于固定结构(如方窗)选择空间近邻以计算空间特征辅助分类，但会因窗口大小而影响空间特征质量。为此本文提出了结合分水岭分割的合成核支持向量机(Support vector machine, SVM)高光谱分类，根据分水岭分割图自适应选择优质的空间近邻，然后通过合成核SVM有效地把空间信息融入到原光谱信息分类 中。实验表明，本文方法更好地利用了空间信息，实现在少量样本下高光谱图像的快速高精度分类。

摘要:在常规圆检测算法中，Hough变换、随机Hough变换以及随机圆检测算法的检测效率低，导致难以适用于复杂场景或者对检测速度有较高要求的情况。为了提高圆检测的效率，本文从采样点的选取、候选圆的确定以及真圆的确认3个阶段进行分析，结合这3个阶段的优化方法，提出一种结合多阶段优化的圆检测算法。人工图像和实际图像的实验结果表明：该算法较其他算法有效地提高了圆检测的速度，并且具有较好的检测鲁棒性和检测精度。

摘要:在图像分块压缩感知（Block compressed sensning, BCS）框架下，基于平滑投影Landweber迭代的重建算法能以低计算复杂度确保良好率失真性能，尤其是采用主成分分析（Principle component analysis, PCA）作自适应硬阈值收缩。然而，在PCA学习过程中忽略了图像局部结构特性平稳，会影响Landweber迭代重建性能的提升。针对该问题，本文采用粒计算（Granular computing, GrC）理论，根据图像子块结构特性将图像分解为若干粒，再实施PCA学习各粒的稀疏表示基底，并 对粒内子块硬阈值收缩去噪。由于粒内图像子块具有平稳的结构特性，可有效改善硬阈值收缩性能。实验结果表明，与传统算法相比，本文算法重建图像的整体客观质量较优， 且可更好地保护边缘与纹理等重要细节，主观视觉质量良好，与此同时，保证了较低的重建计算复杂度。

摘要:针对由视觉引导激光切割手机卡(Subscriber identification module，SIM)卡槽的需求，提出了一种检测特定位置直线段边缘 结构的算法。该算法充分利用图像梯度模值和方向信息，将图像中相邻像素梯度模值差值作为寻找种子点时的判定条件，同时将图像中相邻像素梯度角度差值作为区域增长的判定条件，以此得到直线段候选区域，然后利用图像梯度模值作为权重拟合直线段。实验证明该算法具有检测精度高、鲁棒性好、计算量小的优点，可以满足工业检测的应用需求。

摘要:在仔细分析网络舆情突发事件的成因与应急决策特性的基础上，从舆情状态、突发事件本身和民众关注3方面构建 网络舆情突发事件的属性指标。考虑到网络舆情突发事件指标的语言不确定性和多样性，以及应急专家对舆情事件危机评价的语言判断矩阵差异性，本文提出一个基于相对信息熵和语言加权算子的网络舆情突发事件模糊多指标群决策模型。首先根据应急指标重要性的判断矩阵，计算出每个专家对各指标权重的评价；然后基于相对熵的多属性组合赋权方法来获取应急专家的权重，计算得出各舆情事件指标的综合权重；再根据各应急专家对网络舆情事件的语言指 标评价值，利用语言加权算术平均算子，集结得到各网络舆情突发事件的综合决策评价值，进而对各舆情事件危机程度快速排序。最后，通过一个实例来证明本文方法的实用性。

摘要:利用上下文信息来提高推荐准确率并增强用户体验是当前推荐领域研究热点之一，然而现有的上下文感知推荐算法依然面临数据稀疏性问题的挑战。为了进一步缓解数据稀疏性问题，本文提出一种基于用户类别偏好相似度及联合矩阵分解的推荐算法(Joint matrix factorization with user category preference, JMF-UCP)，它结合用户评分数据及用户类别偏好进行物品推荐，以解决用户评分数据稀疏时评分预测准确率低的问题。算法的时间复杂度随着数据量的增加呈线性增长，因此适用于大规模数据。通过在真实数据集Movielens上的实验结果表明，本文提出的方法在RMSE评价指标上优于现有代表性的算法，验证了本文所提出的推荐算法的有效性。

摘要:微博作为一个重要的信息平台，每天都有大量用户访问，重要的舆论事件在微博上会形成热门话题。本文提出了一种新的微博话题发现方法：基于词共现网络的话题发现方法(Topic detection in freqent word network，TDFWN) ，来挖掘微博语料中蕴含的热点话题。该方法首 先对微博文本中的k频繁词集(k≥3)进行挖掘，利用频繁词集的共现关系构建词共现网络。对该 网络进行社区划分，同一社区内的词通常描述同一微博话题，即话题以社区的形式出现。实验结果表明TDFWN算法能够快速、全面地发现微博中的热门话题，并且可以实现微博文本的自动聚类。