在源信号和传输信道未知情况下，只利用接收天线的观测数据抽取源信号，称为盲信号分离.盲信号分离不仅是信号处理界、而且也是神经网络界的研究热点课题，在无线数据通信、雷达、图像、语音、医学以及地震信号处理等领域都具有广阔的应用前景.
2021-11-28 15:02:37
76KB
1
Canny边缘检测：
计算机如何识别边缘：即颜色变化强度大的地方，即像素变化大的地方。
1.高斯滤波：高斯滤波的就是先找到高斯滤波核然后再进行卷积
1.1高斯噪声
首先我们先说一下，什么是高斯噪声？高斯噪声就是它的概率密度函数服从高斯分布（即正态分布）的一类噪声。其在图像当中常表现为能引起较强视觉效果的孤立像素点或像素块。噪声的出现会给图像带来干扰，让图像变得不清楚。
高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。消除图像在数字化过程中产生或者混入的噪声。
1.2高斯滤波核计算
二维高斯分布：
假定中心点的坐标是（0
2021-11-25 18:43:26
537KB
1
FR共轭梯度法，输入目标函数、初始点、精度，能够得到整个求解过程，每一步迭代的结果都能打印出来，方便初学者学习，跟教材完全对应。
2021-11-25 13:39:49
2KB
1
Rosenbrock函数的定义如下：
其函数图像如下：
我分别使用梯度下降法和牛顿法做了寻找Rosenbrock函数的实验。
梯度下降
梯度下降的更新公式：
图中蓝色的点为起点，橙色的曲线（实际上是折线）是寻找最小值点的轨迹，终点（最小值点）为 (1,1)(1,1)。
梯度下降用了约5000次才找到最小值点。
我选择的迭代步长 α=0.002α=0.002，αα 没有办法取的太大，当为0.003时就会发生振荡：
牛顿法
牛顿法的更新公式：
Hessian矩阵中的每一个二阶偏导我是用手算算出来的。
牛顿法只迭代了约5次就找到了函数的最小值点。
下面贴出两个实验的代码。
梯度下降：
2021-11-23 17:10:22
167KB
1