简介：在视频编码中,DCT系数分布模型是率失真理论模型的基础,视频量化一般可分别为硬判决量化（HDQ）以及软判决量化（SDQ）,SDQ算法能实现最优编码性能,但其中维特比算法会导致严重的系数间串行处理依赖.比较而言,基于死区（deadzone）的HDQ算法率失真性能略有损失,但是不考虑系数间的相关性.提出了一种基于分段逼近TCM模型（TransparentCompositeModel）的自适应硬判决量化算法,采用更精确的DCT分布估计模型,估算不同频率分量DCT系数的分布参数.根据模型参数及DCT系数分布参数,优化构造自适应的死区偏移量模型.实验表明,相对于固定偏移量HDQ算法,其编码性能非常接近于SDQ算法.

简介：蒙特卡洛法（MCM）测量不确定度评定中模型复杂、计算量大,现有软件往往只在某一模型中适用,不同模型间相互独立,且评定结果缺少自适应过程.基于LabVIEW软件生成输入量X的伪随机数,对X概率密度函数（PDF）离散抽样,得到输出量Y的离散抽样值,进而设计了自适应MCM测量不确定度软件.本软件实现了常用模型数学公式的自定义,增强了软件的适用性,同时重点介绍了自适应增加样本量M的算法.通过JJF1059.2-2012规范中实例的计算,验证了软件在常用模型评定中的有效性.

简介：LLC谐振变换器由于其高效率、高功率密度和软开关特性，在众多领域得到了广泛的应用．然而目前普遍采用的是电压控制模式，在该种控制模式下动态响应较慢，不能很好适应LLC谐振变换器的宽负载变化要求．针对这一问题，我们设计出一种模糊自适应控制方式，使LLC谐振变换器在不同的负载和输入电压的情况下都能快速稳定地响应．并且详细分析了其工作原理并给出了关键设计，最后还通过仿真验证了这种控制方法具有更快的动态响应速度．

简介：在视频编码器中，软判决量化可获得最优编码性能，但其中维特比算法会导致严重的系数间串行处理依赖．比较而言，基于死区的硬判决量化算法率失真性能有所损失，但不存在系数间依赖，且非常适合硬件并行流水处理．今采用离线统计的方法，分析余弦变换系数的分布情况，量化余数对量化的具体影响，构建了基于余弦变换系数分布参数，量化余数的自适应偏移模型．基于该模型提出一种内容自适应的硬判决量化算法．仿真结果表明，该算法在保证并行化处理的条件下，其编码性能相比于传统的硬判决量化有一定的提升，可接近软判决量化算法性能．

简介：提出了一种参数自适应的图像超分辨率重建方法.在基于稀疏表示的图像超分辨率重建的经典算法模型框架下,正则化参数可以根据每个图像补丁本身情况自适应地确定,从而克服了人为选择参数且所有补丁参数需一致的缺点,因此使图像重建效果得到提升.实验结果表明,我们所提方法在不同尺寸扩大因子和噪声环境下都优于人工确定参数的情形,三种评价指标均表明所提方法是有效的.

简介：针对传统算法大多忽略人眼特性,获得的视差图与人眼真实感受之间存在一定差异的问题,提出了一种符合人眼视觉特性的自适应权重匹配算法.该算法首先引入视觉显著性特征,然后对像素权值分配进行改进并提出新的匹配代价度量准则,最后采取左右视差图融合的方法获得最终视差图.相关图像实验表明,改进算法很好地解决了遮挡问题,可精确描述边缘和细节视差;相对于原算法有较大程度的性能提升.

简介：域自适应算法是一种能有效解决训练集（源域）和测试集（目标域）样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习机（DDM-ELM）用于解决域自适应问题.DDM-ELM旨在基于超限学习机的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标：1）最小化源域样本的分类误差;2）通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3）利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习机优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.