久久久久久久久久久久久久久久久久久久,天堂va蜜桃一区二区三区漫画版,久久综合电影

特征頻率

子空間模式識別方法

提出了一種改進的LSM-ALSM子空間模式識別方法，將LSM的旋轉策略引入ALSM，使子空間之間互不關聯的情況得到改善，提高了ALSM對相似樣本的區分能力。討論中以性能函數代替經驗函數來確定拒識規則的參數，實現了識別率、誤識率與拒識率之間的最佳平衡；通過對有限字符集的實驗結果表明，LSM-ALSM算法有效地改善了分類器的識別率和可靠性。關鍵詞學習子空間; 性能函數; 散布矩陣; 最小描述長度在子空間模式識別方法中，一個線性子空間代表一個模式類別，該子空間由反映類別本質的一組特征矢量張成，分類器根據輸入樣本在各子空間上的投影長度將其歸為相應的類別。典型的子空間算法有以下三種[1, 2]：CLAFIC(Class-feature Information Compression)算法以相關矩陣的部分特征向量來構造子空間，實現了特征信息的壓縮，但對樣本的利用為一次性，不能根據分類結果進行調整和學習，對樣本信息的利用不充分；學習子空間方法(Leaning Subspace Method, LSM)通過旋轉子空間來拉大樣本所屬類別與最近鄰類別的距離，以此提高分類能力，但對樣本的訓練順序敏感，同一樣本訓練的順序不同對子空間構造的影響就不同；平均學習子空間算法(Averaged Learning Subspace Method, ALSM)是在迭代訓練過程中，用錯誤分類的樣本去調整散布矩陣，訓練結果與樣本輸入順序無關，所有樣本平均參與訓練，其不足之處是各模式的子空間之間相互獨立。針對以上問題，本文提出一種改進的子空間模式識別方法。子空間模式識別的基本原理1.1 子空間的分類規則子空間模式識別方法的每一類別由一個子空間表示，子空間分類器的基本分類規則是按矢量在各子空間上的投影長度大小，將樣本歸類到最大長度所對應的類別，在類x()iω的子空間上投影長度的平方為()211,2,,()argmax()jMTkkjpg===Σx􀀢 (1)式中函數稱為分類函數；為子空間基矢量。兩類的分類情況如圖1所示。

標簽： 子空間模式識別方法

上傳時間： 2013-12-25

上傳用戶：熊少鋒
基于FPGA實現固定倍率的圖像縮放

基于FPGA硬件實現固定倍率的圖像縮放，將2維卷積運算分解成2次1維卷積運算，對輸入原始圖像像素先進行行方向的卷積，再進行列方向的卷積，從而得到輸出圖像像素。把圖像縮放過程設計為一個單元體的循環過程，在單元體內部，事先計算出卷積系數。

標簽： FPGA 倍率圖像

上傳時間： 2013-12-03

上傳用戶：fudong911
采用高速串行收發器Rocket I/O實現數據率為2.5 G

摘要: 串行傳輸技術具有更高的傳輸速率和更低的設計成本, 已成為業界首選, 被廣泛應用于高速通信領域。提出了一種新的高速串行傳輸接口的設計方案, 改進了Aurora 協議數據幀格式定義的弊端, 并采用高速串行收發器Rocket I/O, 實現數據率為2.5 Gbps的高速串行傳輸。關鍵詞: 高速串行傳輸; Rocket I/O; Aurora 協議為促使FPGA 芯片與串行傳輸技術更好地結合以滿足市場需求, Xilinx 公司適時推出了內嵌高速串行收發器RocketI/O 的Virtex II Pro 系列FPGA 和可升級的小型鏈路層協議———Aurora 協議。Rocket I/O支持從622 Mbps 至3.125 Gbps的全雙工傳輸速率, 還具有8 B/10 B 編解碼、時鐘生成及恢復等功能, 可以理想地適用于芯片之間或背板的高速串行數據傳輸。Aurora 協議是為專有上層協議或行業標準的上層協議提供透明接口的第一款串行互連協議, 可用于高速線性通路之間的點到點串行數據傳輸, 同時其可擴展的帶寬, 為系統設計人員提供了所需要的靈活性[4]。但該協議幀格式的定義存在弊端,會導致系統資源的浪費。本文提出的設計方案可以改進Aurora 協議的固有缺陷,提高系統性能, 實現數據率為2.5 Gbps 的高速串行傳輸, 具有良好的可行性和廣闊的應用前景。

標簽： Rocket 2.5 高速串行收發器

上傳時間： 2013-11-06

上傳用戶：smallfish
基于BP神經網絡的小麥碰撞聲信號分類

小麥在儲藏階段由于各種災害導致損失巨大，并降低了面粉質量，及時檢測并分離小麥的受損顆粒迫在眉睫。文章以提取4類小麥碰撞聲信號為基礎，使用數字信號處理方法對小麥完好粒、蟲害粒、霉變粒及發芽粒的碰撞聲信號提取有效特征，最后利用BP神經網絡進行分類，對于3類小麥類型的識別取得了較好的識別率。應用結果表明BP神經網絡能夠較好地實現區分受損小麥顆粒與完好小麥顆粒。

標簽： BP神經網絡聲信號分類

上傳時間： 2014-12-29

上傳用戶：lxm
RBF神經網絡在特征選擇中的應用

提出了一個自適應量子粒子群優化算法，用于訓練RBF網絡的基函數中心和寬度，并結合最小二乘法計算網絡權值，對RBF網絡的泛化能力進行改進并用于特征選擇。實驗結果表明，采用自適應量子粒子群優化算法獲得的RBF網絡模型不但具有很強的泛化能力，而且具有良好的穩定性，能夠選擇出較優秀的特征子集。

標簽： RBF 神經網絡特征選擇中的應用

上傳時間： 2013-11-16

上傳用戶：erkuizhang
一種車牌識別軟件系統研究

針對現有車牌識別算法中的車牌定位、字符分割和字符識別三個核心模塊存在的不足，提出了一種基于邊緣兩側顏色檢測的車牌定位方法；通過采用動態閾值調整方法，很好的實現了字符分割；對神經網絡在字符識別技術中的應用進行了大量的研究和實驗，根據漢字和數字、字母特征提取的不同，在對字符信息初識別時將漢字和數字、字母采用不同結構參數設置的神經網絡進行識別，并對識別結果中包含的具有形體相近的字符提出了一種“不等權值”的方法。結果證明識別率有了明顯提高。

標簽： 車牌識別軟件系統研究

上傳時間： 2013-11-22

上傳用戶：herog3
LTE基站誤碼率測試方法和測試平臺設計

LTE基站誤碼率測試是基站射頻測試中最為關鍵的測試項目之一，提出一種快速、高效的測試方法和測試架構。該方案采用基站射頻板作為數據采集卡、完成上行鏈路的解調和模擬信號轉換成I/Q數據功能，利用ADS、MATLAB搭建上行信道的同步、解碼功能。測試表明該方案的測試精度達到 0.2dB，完全滿足研發和生產中測試上行相關射頻指標的功能需求，同時本設計還具有開發周期短、投資成本低，操作簡便、很強的跨系統移植能力。

標簽： LTE 基站誤碼率測試方法

上傳時間： 2013-11-17

上傳用戶：xhwst
最佳接收機誤碼率的兩種估算觀點

很多教材都是從統計的觀點討論分析了最佳接收機的誤碼率問題，統計的觀點認為信道的噪聲是非帶限的高斯白噪聲，分析的過程也假設接收機非帶限。但是從實際和濾波的觀點來看，任何形式的接收機都是頻帶受限的，進入到接收機檢測器的噪聲頻帶也會受限。文中基于統計和濾波的觀點，討論了最佳接收機的誤碼率問題，得出的結論相同，但是分析的過程體現了兩者的不同之處，有助于更好的了解數字信號的最佳接收。

標簽： 接收機誤碼率

上傳時間： 2013-11-04

上傳用戶：爺的氣質
甚低頻大地等效電阻率分析

文中利用散射迭加方法，推導了多層土壤視在電阻率的計算公式。在此基礎上結合場地測試數據，利用復鏡像法和電位函數計算法對天線場區的土壤模型進行反演，獲得土壤分層結構。然后從電磁理論出發，根據所得到的土壤分層模型參數，推導出甚低頻大地等效電阻率的3種等效法則，并對每一種等效法則下的等效電阻率進行了推導分析。

標簽： 低頻等效電阻率分

上傳時間： 2013-11-10

上傳用戶：guanliya
基于傳感器網絡的多目標跟蹤和特征管理方法

針對傳感器網絡下多目標跟蹤時目標數量不斷變化這一復雜情況，文中對多目標的跟蹤和特征管理方法進行了研究。該方法由數據關聯、多目標跟蹤、特征管理，和信息融合所組成。其中未知數量多目標的跟蹤和數據關聯通過馬爾科夫蒙特卡羅數據關聯實現。通過信息融合來整合本地信息，獲取所有相鄰傳感器的本地一致性，最終實現特征管理。試驗證明，本方法能夠在分布式的傳感器網絡環境下對多目標進行準確有效地跟蹤和特征管理。

標簽： 傳感器網絡多目標跟蹤特征管理方法

上傳時間： 2013-11-18

上傳用戶：wangdean1101