基于WiFi的非接触感知系统利用环境中广泛存在的Wii信号在自然情况下对用户活动进行感知，具有十分广阔的应用前景。从细粒度活动到粗粒度活动，现有工作进行了大量的探索，但尚未理解和解决感知系统稳定性不足的问题。当感知对象、收发设备位置、测试环境等发生变化时，系统性能会受到严重影响。实际上，人体活动对应的接收信号模式因位置和朝向的变化而带来的不一致性导致了系统不能稳定工作。为了理解这种现象的木质，利用团队提出的基于无线感知的菲涅尔区衍射和反射模型，精确定量刻画了目标物体相对于收发设备的位置、运动轨迹和无线信号波形模式之间的关系。通过两个应用实例，即细粒度的手指动作识别和粗粒度的健身活动识别，在模型的指导下，分别解释了系统不能稳定工作的原因，说明了如何得到致的感知波形，以及如何构造可区分的感知波形，并给出了提升感知系统性能的方法。

通过局部传播进行图像滤波的边缘感知梯度域优化框架

压缩感知matlab源码 Detouring-Matching-Pursuit-Algorithm-in-Compressed-Sensing 压缩感知中迂回式匹配追踪算法 压缩感知 匹配追踪 迂回 迂回式 迂回式匹配追踪 matlab源代码 计算机研究与发展 2014年9期

本文介绍了一种基于图像生成对抗网络的算法，用于感知遮挡人脸的还原。该算法通过对抗网络的生成器和判别器进行训练，实现了对遮挡人脸的还原。实验结果表明，该算法在还原遮挡人脸方面具有较好的效果。本文的研究对于提高人脸识别的准确性和安全性具有重要意义。

现有的自适应多尺度分块压缩感知算法忽略了高频信息在重建中的作用, 导致图像的边缘轮廓得不到充分重建; 并且在压缩分块过程中采用固定分块大小, 没有充分利用图像自身的稀疏性。针对上述不足, 提出一种多尺度分块的自适应采样率压缩感知算法。该算法充分利用小波变换后的高频信号和低频信号, 同时针对图像的固定尺寸分块进行改进。首先, 对低频部分利用自适应邻域特征的空域滤波算法消除块效应; 其次, 对高频部分依据纹理特征自适应选取图像块的大小, 实现样本块尺寸的自动划分和采样率的自适应; 最后, 分别对纹理信息各异的图像进行压缩重建仿真。结果表明, 本方法重建效果明显优于已有的自适应采样率算法。

人工神经网络中最简单的模型，感知机（perceptron）是二分类的线性分类模型，属于监督学习算法,输入为实例的特征向量，输出为实例的类别（取+1和-1）。

结合人类听觉系统，提出了一种基于倒谱变换的自适应音频水印算法，充分利用复倒谱变换的性质，将原始音频信号分成若干帧，每帧实施复倒谱变换后，在对应位置按照一定的方法嵌入水印信号。水印的提取不需要原始音频信号，是一种盲水印算法。实验结果表明，嵌入后的水印不仅具有很好的不可感知性，而且对添加噪声、重新采样、低通滤波和重新量化等攻击也具有很好的鲁棒性。

关于TVAL3的用户参考书,可用于了解TVAL3程序，压缩感知程序

非正交多址接入（NOMA）可以通过对资源的非交使用来提高频谱利用率，增加用户连接数，有望成为5G的关键技术之一。考虑基站端配备多根天线，针对上行免调度SIMO-NOMA系统中活跃用户数量未知的情况，提出了一种基于压缩感知的稀疏度自适应匹配追踪硬融合算法(SAMP-HFA)。所提算法主要包括三部分：首先利用传统的SAMP算法估计基站端每根天线上的用户活动情况，接着融合这些检测到的用户活动信息获得一个公共的活跃用户集合，最后利用该集合估计活跃用户的传输数据。仿真结果表明，随着天线数目的增加，所提算法的误码率性能显著提高。

态势感知系统对数据信息的快速自主分析能力使其越来越多地应用于作战 指挥控制、智能安防及网络安全等领域。随着信息技术的发展和信息量的爆炸性 增长，构建能够自主挖掘数据信息并对环境态势拥有一定感知能力的态势感知系 统成为一项重要研究课题。态势感知系统的构建要对当前环境中存在的物体目标 进行类别及位置等属性的感知，然后综合各类传感器信息，分析各态势要素的状 态，并对其发展态势做出一定程度的预测估计。在整个态势感知系统中，对态势 要素即物体目标的发现及类别、位置等的分析是实现系统整体功能的基础和关键， 在众多传感器信息中，图像数据中的物体目标形象直观、时效性强、准确度高， 可以作为态势要素感知的主要信息源。但对于图像数据中物体目标的判别分析技 术研究一直以来都未达到实际应用水平，图像数据的复杂性和物体目标的不确定 性是造成技术研究瓶颈的主要原因。在图像目标数据智能识别研究领域，近几年， 深度学习技术的应用取得了突破性进展，引发了计算机视觉领域的革命性变革， 引起了学术界及工业界的广泛关注及研究。本文基于可见光图像数据和雷达图像 数据研究深度学习技术在态势感知系统中的应用，采用的深度神经网络模型为卷 积神经网络（Convolutional Neural Network, CNN），通过实现卷积神经网络模型 和以卷积神经网络为基础的扩展模型，力图解决态势感知系统中针对图像物体目 标识别的精度不足及效率低下问题，为态势感知系统中态势要素感知任务的实现 提供新的思路和解决方法，并为后续深度学习技术在该领域的应用提供参考