导读:本文包含了参数字典论文开题报告文献综述及选题提纲参考文献，主要关键词:遥感,超分辨,字典学习,Beta过程
参数字典论文文献综述
朱福珍,邹丹妮,王志芳,巫红[1]（2019）在《双参数Beta过程联合字典遥感图像超分辨》一文中研究指出为了改善遥感图像超分辨重建(super-resolution reconstruction,SRR)效果,针对以往仅适用于单特征空间的稀疏字典超分辨算法,提出同时适用于两个特征空间的双参数Beta过程联合字典(Beta process joint dictionary,BPJD)遥感图像SRR方法。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率图像进行分块和Gibbs采样,生成字典训练样本。然后,依据BPJD,建立连接高、低分辨率遥感图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:所提方法可自适应地缩小字典尺寸,能以更小尺寸的稀疏字典重建更高质量的超分辨遥感图像,重建结果图像的纹理细节信息更丰富,峰值信噪比和结构相似性度均有提高。(本文来源于《系统工程与电子技术》期刊2019年09期）
姜凯,李小波,周青松[2]（2019）在《加权多窗口字典的非线性调频信号参数估计方法》一文中研究指出非线性调频(NLFM)信号经脉冲压缩后具有较低的旁瓣电平,广泛应用于脉冲压缩雷达中,实现对NLFM信号的精确参数估计,对雷达对抗侦察具有重要意义。针对非线性调频信号的准确参数估计问题,文中通过构建加权多窗口字典并结合稀疏重构算法提出了一种凸优化基追踪信号重构方法,实现了对NLFM信号的精确重构。通过筛选的Gabor原子获得了信号的瞬时频率,利用反正切无模糊相位重构算法获得了信号的相位信息。经过仿真验证:该方法可以实现NLFM信号的精确重构。(本文来源于《现代雷达》期刊2019年04期）
董道广,芮国胜,田文飚,康健,刘歌[3]（2019）在《基于结构相似性的非参数贝叶斯字典学习算法》一文中研究指出相较于传统综合字典学习方法,非参数贝叶斯方法具有显着优势,但其对图像结构全局相似性和变异性的表示能力仍有较大提升空间。针对这个问题,提出了一种基于结构相似性的非参数贝叶斯字典学习算法,该算法基于图像结构的全局相似性对图像进行聚类处理,并在图像的字典稀疏表示中引入块结构特性,提升了字典的结构表示能力。实验表明,所提算法在图像去噪和压缩感知方面的性能均优于目前主流的几种无监督字典学习算法。(本文来源于《通信学报》期刊2019年01期）
李丽,隋立春,康军梅,王雪[4]（2018）在《非参数贝叶斯字典学习的遥感影像超分辨率重建》一文中研究指出为充分利用样本及参数的先验信息,对Yang提出的基于稀疏表示的超分辨率重建算法进行了改进,提出了一种基于非参数贝叶斯字典学习的单幅遥感影像超分辨率重建方法。该方法利用Beta-Bernoulli过程进行字典学习,建立字典元素和各参数的概率分布模型,并通过Gibbs进行迭代抽样构成马尔科夫链,用其平稳分布来近似字典元素及各参数的后验分布,最后由低分辨率影像及高分辨率字典的后验分布重建出高分辨率遥感影像。对比双线性、双叁次插值及Yang的方法,该算法在平均峰值信噪比方面分别提高了3.29、1.79、0.17 d B,在平均ERGAS方面分别降低了0.78、0.37、0.02 d B。该算法因加入了更多的先验信息,可以使重建影像提供更多高频细节信息,具有一定的普适性。(本文来源于《测绘通报》期刊2018年07期）
余欢欢,陈松灿[5]（2019）在《参数字典稀疏表示的完全无监督域适应》一文中研究指出无监督域适应(unsupervised domain adaptation,UDA)针对的是源域有标记而目标域无标记的学习问题,其目的是利用从标记大样本源域中所学"知识"来促进无标记小样本目标域的学习性能。但现实中也往往存在样本无标记的源域,形成了所谓的完全无监督域适应。该问题给域适应学习带来了严峻的挑战。受先前提出的软大间隔聚类学习(soft large margin clustering,SLMC)启发,提出了一种参数迁移方法——参数字典稀疏表示的完全无监督的域适应方法(whole UDA,WUDA)。SLMC采用分类学习思想在输出(标记)空间中实现给定数据的聚类,在这种实现原理的启发下,从参数(决策函数的权重矩阵)公共字典的角度,在源域和目标域的权重间进行互适应参数字典学习实现知识迁移,同时引入l_(2,1)范数来约束字典系数矩阵,使得各域权重可从公共字典中自适应地选择,从而实现域适应学习。最后,在相关数据集上的实验显示了WUDA在聚类性能上的显着有效性。(本文来源于《计算机科学与探索》期刊2019年05期）
黄志群[6]（2017）在《基于非参数贝叶斯字典学习的丢失数据插值方法研究》一文中研究指出无线传感器网络(Wireless Sensors Networks,WSNs)作为一种崭新的信息感知技术,在智能家居、工业3.0、军事国防、远程监测等多领域获得广泛应用,并在物联网中扮演着信息获取的重要角色。然而,传感器节点易受恶劣环境气候等非人为因素影响而损坏,或者为了保证网络寿命而将压缩感知(Compressed Sensing,CS)技术融入到无线传感器网络中都不可避免地导致原始数据丢失。为了保证无线传感器网络感知数据的准确性和完整性,本文针对信号本身携带的丰富先验信息,提出了两种高效的丢失数据插值方法。主要工作如下:1.研究非参数贝叶斯方法及其常用模型——狄利克雷过程,针对传统固定尺寸的正交基或冗余字典在面对稀疏性动态变化的信号缺乏自适应性,本文提出了一种基于非参数贝叶斯字典学习的丢失数据插值方法。在统计学习的基础上,引入参数个数和尺寸不受限制的非参数贝叶斯先验,将宽分布与样本信息相结合,再通过吉布斯抽样方法推断得到最优参数,进而插值恢复丢失数据。本文采用真实的环境温度数据进行实验仿真,实验结果表明本文提出的插值算法能有效恢复丢失数据。2.针对传感器网络数据的多样化,其结构特征复杂,传统的单一结构字典已难以最优表示这类信号。本文提出基于结构信息的的字典学习插值方法,并在该算法基础上改进了字典训练方式,提出了基于结构信息的非参数贝叶斯字典学习插值方法。通过引入小波变换和TV变换来充分挖掘信号本身携带的结构先验信息,并采用非参数贝叶斯字典学习方法来获得最优的多结构字典和稀疏系数,实现插值丢失数据。仿真结果表明,本文所改进算法能够进一步提高插值准确率并缩短运行时间。(本文来源于《华东交通大学》期刊2017-06-30）
倪浩,阮若林,刘芳华[7]（2016）在《基于双正则化参数的在线字典学习超分辨率重建》一文中研究指出基于学习的单图超分辨率重建算法能获得较好的超分效果,但存在重建图像伪影较为明显的问题。为解决这一问题,提出了一种基于双正则化参数的在线字典学习超分辨率重建算法。在字典学习过程中运用在线字典学习方法(online dictionary learning,ODL),并在稀疏字典生成阶段和图像重建阶段分别设置了两个不同的正则化参数。实验中生成的目标高分辨率图像PSNR比经典的稀疏编码超分方法(sparse coding super-resolution,SCSR)平均提高了0.39 d B,在较好地恢复图像边缘锐度和纹理细节的同时有效地抑制了伪影。ODL和双正则化参数的引入,提高了字典训练的精度,使字典训练和图像重建阶段的稀疏系数独立可调,实验中能够有效地消除伪影,提升了超分辨率重建的效果。(本文来源于《计算机应用研究》期刊2016年03期）
陈亮,陈亮,张翼鹏,庞亮[8]（2014）在《基于冗余字典的线谱对参数压缩感知量化算法》一文中研究指出线谱对(LSP)参数是低速语音编码模型的一组非常重要的参数。为了提高编码效率,在压缩感知的框架下提出了基于冗余字典训练的LSP参数压缩感知量化方案。在研究LSP参数在离散傅里叶变换(DFT)域、离散余弦变换(DCT)域稀疏性的基础上,通过K奇异值分解(K-SVD)算法训练得到线谱对参数的冗余字典和稀疏系数。在编码端对从提取好的LSP参数观测得到低维的测量值,并对其量化,在解码端用正交匹配追踪算法对量化后的观测值进行重构得到重构线谱对参数。实验采用重构信噪比衡量了不同稀疏基下重构的效果,采用谱畸变对量化性能进行测试,仿真结果表明,文章采用的基于冗余字典训练算法在线谱对参数的稀疏表示、重构效果和量化效果上都具有更好的性能。(本文来源于《军事通信技术》期刊2014年03期）
刘传山[9]（2014）在《基于参数设计字典的稀疏表示方法》一文中研究指出稀疏化是压缩感知理论的关键,对信号恰当的稀疏表示能提高恢复的精度.本文提出一种基于参数字典的稀疏表示方法,把参数字典设计作为一个优化问题来分析,通过交替迭代的方式求得参数方程的可行解,进而生成参数字典.本文的参数字典设计方法较其他方法而言能获得较优的近似解,且该方法产生的优化字典更符合紧框架特性.(本文来源于《西南大学学报(自然科学版)》期刊2014年07期）
闵刚,张雄伟,杨吉斌,陈砚圃[10]（2014）在《基于字典学习的LSP参数稀疏表示及性能分析》一文中研究指出为了研究LSP的稀疏表示方法,高效量化LSP参数,基于字典学习对LSP参数进行稀疏表示,并采用MOD和K-SVD算法训练参数字典,以平均谱失真和均方根误差为准则,通过仿真实验分析了算法的有效性,得出了字典学习时的稀疏度、原子个数等关键参数选取的原则。对比训练和测试LSP参数均方根误差性能曲线发现:随着稀疏度的增加,LSP参数字典外推能力增强,对训练集外参数稀疏表示性能恶化逐步减弱。(本文来源于《解放军理工大学学报(自然科学版)》期刊2014年02期）
参数字典论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
非线性调频(NLFM)信号经脉冲压缩后具有较低的旁瓣电平,广泛应用于脉冲压缩雷达中,实现对NLFM信号的精确参数估计,对雷达对抗侦察具有重要意义。针对非线性调频信号的准确参数估计问题,文中通过构建加权多窗口字典并结合稀疏重构算法提出了一种凸优化基追踪信号重构方法,实现了对NLFM信号的精确重构。通过筛选的Gabor原子获得了信号的瞬时频率,利用反正切无模糊相位重构算法获得了信号的相位信息。经过仿真验证:该方法可以实现NLFM信号的精确重构。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
参数字典论文参考文献
[1].朱福珍,邹丹妮,王志芳,巫红.双参数Beta过程联合字典遥感图像超分辨[J].系统工程与电子技术.2019
[2].姜凯,李小波,周青松.加权多窗口字典的非线性调频信号参数估计方法[J].现代雷达.2019
[3].董道广,芮国胜,田文飚,康健,刘歌.基于结构相似性的非参数贝叶斯字典学习算法[J].通信学报.2019
[4].李丽,隋立春,康军梅,王雪.非参数贝叶斯字典学习的遥感影像超分辨率重建[J].测绘通报.2018
[5].余欢欢,陈松灿.参数字典稀疏表示的完全无监督域适应[J].计算机科学与探索.2019
[6].黄志群.基于非参数贝叶斯字典学习的丢失数据插值方法研究[D].华东交通大学.2017
[7].倪浩,阮若林,刘芳华.基于双正则化参数的在线字典学习超分辨率重建[J].计算机应用研究.2016
[8].陈亮,陈亮,张翼鹏,庞亮.基于冗余字典的线谱对参数压缩感知量化算法[J].军事通信技术.2014
[9].刘传山.基于参数设计字典的稀疏表示方法[J].西南大学学报(自然科学版).2014
[10].闵刚,张雄伟,杨吉斌,陈砚圃.基于字典学习的LSP参数稀疏表示及性能分析[J].解放军理工大学学报(自然科学版).2014