摘 要 盲图像恢复的主要困难是信息不足，而为了恢复图像和确定点扩散函数需要适当的先验知识。解决这个问题的法、 法以及正则化方法等。但是这些方法的计算量都太大，针对上述方法的不足，文章提出了一种恢复图方法有图像的新算法，它通过恢复残差的最小化和后验概率的最大化来估计参数和恢复图像。其中，巧妙地利用了最陡梯度法和 共轭梯度法的迭代求解。对由于运动造成的模糊图像，可以明显地改善图像的质量，实验结果证明，在对模糊操作没有严格限制的情况下，仍可得到较好的恢复图像。
标签： 图像恢复
上传时间： 2017-03-26
上传用户：123啊
对随机数的检测，统计0和1的频数。有利于减少计算量
上传时间： 2013-12-16
上传用户：youmo81
小波域去噪模型，试验证明其去噪效果非常好且计算量小容易实现
上传时间： 2014-01-08
上传用户：zhuyibin
(n, k, N)卷积码的状态数为2k (N−1) ，对每一时刻要 做2k (N−1) 次“加－比－存”操作，每一操作包括2k 次加法和2k −1 次比较，同时要保留2k (N−1) 条幸存路径。由此可见，Viterbi 算法的复杂度与信道质量无关，其计算量和存储量都随约束 长度N 和信息元分组k 呈指数增长。因此，在约束长度和信息元分组较大时并不适用。 为了充分利用信道信息，提高卷积码译码的可靠性，可以采用软判决Viterbi 译码算法。 此时解调器不进行判决而是直接输出模拟量，或是将解调器输出波形进行多电平量化，而不 是简单的 0、1 两电平量化，然后送往译码器。即编码信道的输出是没有经过判决的“软信 息”。
上传时间： 2016-08-08
上传用户：June
快速傅里叶变换，fft应用实例。供学习，供参考。 原理：快速傅里叶变换 (fast Fourier transform), 即利用计算机计算离散傅里叶变换（DFT)的高效、快速计算方法的统称，简称FFT。快速傅里叶变换是1965年由J.W.库利和T.W.图基提出的。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数N越多，FFT算法计算量的节省就越显著。
上传时间： 2021-07-14
上传用户：hhh4321
所谓材料设计，是指通过理论上地计算来设计新型材料，并预测新材料的成 分、组织结构与性能，也可以认为是一种通过理论上的计算来设计具有特定性能 材料的方法。由于涉及的计算量非常大，通常需要在计算机环境下进行，因此也 可称为计算机材料设计。
标签： 计算机材料
上传时间： 2021-12-21
上传用户：zhanglei193
神经网络在智能机器人导航系统中的应用研究1神经网络在环境感知中的应 用 对环境 的感 知 ，环境模型 妁表示 是非常重要 的。未 知 环境中的障碍物的几何形状是不确定的，常用的表示方浩是 槽格法。如果用册格法表示范围较大的工作环境，在满足 精度要求 的情况下，必定要占用大量的内存，并且采用栅 格法进行路径规划，其计算量是相当大的。Kohon~n自组织 神经瞬络为机器人对未知环境的蒜知提供了一条途径。 Kohone~冲经网络是一十自组织神经网络，其学习的结 果能体现出输入样本的分布情况，从而对输入样本实现数 据压缩 。基于 网络 的这些特 性，可采 用K0h0n曲 神经元 的 权向量来表示 自由空间，其方法是在 自由空间中随机地选 取坐标点xltl【可由传感器获得】作为网络输入，神经嘲络通 过对大量的输八样本的学习，其神经元就会体现出一定的 分布形 式 学习过程如下：开 始时网络的权值随机地赋值 ， 其后接下式进行学 习： ， 、 Jm(，)+叫f)f，)一珥ff)) ∈N，(f) (，) VfeN．(f1 其 中M(f1：神经元 1在t时刻对 应的权值 ；a(∽ 谓整系 数 ； (『l网络的输八矢量；Ⅳ()：学习的 I域。每个神经元能最 大限度 地表示一 定 的自由空间 。神经 元权 向量的最 小生成 树可以表示出自由空问的基本框架。网络学习的邻域 (，) 可 以动 态地 定义 成矩形 、多边 形 。神经 元数量 的选取取 决 于环境 的复杂度 ，如果神 经元 的数量 太少 ．它们就 不能 覆 盖整十空间，结果会导致节点穿过障碍物区域 如果节点 妁数量太大 ．节点就会表示更多的区域，也就得不到距障 碍物的最大距离。在这种情况下，节点是对整个 自由空间 的学 习，而不是 学习最 小框架空 间 。节 点的数 量可 以动态 地定义，在每个学习阶段的结柬．机器人会检查所有的路 径．如检铡刊路径上有障碍物 ，就意味着没有足够的节点 来 覆盖整 十 自由窑 间，需要增加 网络节点来 重新学 习 所 138一 以为了收敛于最小框架表示 ，应该采用较少的网络 节点升 始学习，逐步增加其数量。这种方法比较适台对拥挤的'E{= 境的学习，自由空间教小，就可用线段表示；若自由空问 较大，就需要由二维结构表示 。 采用Kohonen~冲经阿络表示环境是一个新的方法。由 于网络的并行结构，可在较短的时间内进行大量的计算。并 且不需要了解障碍物的过细信息．如形状、位置等 通过 学习可用树结构表示自由空问的基本框架，起、终点问路 径 可利用树的遍 历技术报容易地被找到 在机器人对环境的感知的过程中，可采用人】：神经嘲 络技术对 多传 感器的信息进 行融台 。由于单个传感器仅能 提 供部分不 完全 的环境信息 ，因此只有秉 甩 多种传感器 才 能提高机器凡的感知能力。 2 神经 网络在局部路径规射中的应 用 局部路径 规删足称动吝避碰 规划 ，足以全局规荆为指 导 利用在线得到的局部环境信息，在尽可能短的时问内
上传时间： 2022-02-12
上传用户：qingfengchizhu
基于人工神经网络实现智能机器人的避障轨迹控制摘 要：利用人工神经网络中的二级 BP网。模拟智能机器人的两控制参数(左 、右轮速)间的函数关系。实现避 障轨迹为圆弧或椭圆弧的轨迹控制 。并且通过调整椭圆长、短轴大小。能实现多个及多层障碍物的避障控制．该方法 的突出特点是方法简单、算法容易实现 。使机器人完成多个及多层避障动作时。不滞后于动态环境里其它机器人(障 碍物)位置的变化．在仿真实验中。取得了理想的效果． 关键词；BP神经网络I多个及多层避障控制I椭圆轨迹1 弓I言(Introduction) 在机器人中，避障轨迹的生成是一个重要的问 题．对于不确定的动态环境下的实时避障轨迹生成， 是较为困难的．有关这方面的研究，目前已有许多方 法．一些神经网络模型被设计出来，产生实时的轨迹 生成．文献113[23提供的神经网络模型产生的轨迹 生成仅能处理在静态环境下及假设空间中没有障碍 物的情况．[3]提供的神经网络模型，能为智能机器 人产生导航的避障轨迹，然而模型在计算上相当复 杂．文献[43提供了Hopfield神经网络模型，能在动 态环境下产生时实的避障轨迹生成，并在文献[5] 中，严格证明了因该方法生成的轨迹没有遭受局部 极小点逃离问题．并且文献[63用两个神经网络层叠 加起来，每层构造相似于[43中的网络结构．它是利 用第二层网络来发现下一个机器人位置的无监督模 型，然而它却加倍了计算量，尽管文献[4，6]提供的 方法能在动态环境下，产生时实避障轨迹，但都具有 较慢的运动速度，在快速变化的环境下不能恰当地 完成动作执行，因为机器人要比较好地完成避障动 作，必须不能滞后于障碍物动作变化
上传时间： 2022-02-12
上传用户：得之我幸78
朱志宇著，科学出版社。本书系统介绍粒子滤波算法的基本原理和关键技术，针对标准粒子滤波算法存在的粒子退化、计算量大的缺点介绍了多种改进的粒子滤波算法，包括基于重要性密度函数选择的粒子滤波算法、基于重采样技术的粒子滤波算法、基于智能优化思想的粒子滤波算法、自适应粒子滤波算法、流形粒子滤波算法等，并将粒子滤波算法应用于机动目标跟踪、语音增强、传感器故障诊断、人脸跟踪等领域，最后探讨了粒子滤波算法的硬件实现问题，给出了基于DSP和FPCA的粒子滤波算法实现方法。
标签： 粒子滤波
上传时间： 2022-05-28
上传用户：
高度数据的准确获取是飞控系统研制过程中极其重要的一环，是保证无人飞行器按照一定高程工作、平稳着陆的先决条件。但对于低成本惯性导航解算，位置漂移严重[]，虽可通过加速度计姿态校正来抑制部分漂移，但解算出的速度与位置仍然不准确。因此需利用除惯导外的其它传感器测量值作为位置观测量参与滤波，在抑制位置漂移的情况下，修正速度与加速度，提高高程数据的精度。目前文献中大多是将惯性导航作为一个整体，对惯导的三维位置及速度进行滤波。如SINS/GPS组合导航，通过组合导航对SINS速度及位置漂移进行抑制[2][3]。但是当只需要高度方向上的数据时，此种做法往往计算量大，步骤繁琐，且整体滤波兼顾经度、纬度、高程等多个因素，反而影响了高度方向的滤波效果，且当SINS/GPS组合导航中的GPS信号较差时，得到的高度观测量误差也大。可见，当单一的高度传感器观测数据出现异常时，滤波后的高度也会出现异常。针对单传感器无法适应复杂工作环境的缺点，本文结合GPS、气压计及惯导系统的优点，来抑制惯导高度方向上的发散。通过构建GPS与气压计数据的权重模型获得高度方向观测量，使用互补滤波算法融合惯导数据与求得的观测量得到更为精确的高度观测值。算法简易，鲁棒性好，可在嵌入式飞控板中实时运行。
上传时间： 2022-07-16
上传用户：
