摘要：虽然基于主成分分析的噪声水平评估算法的预测准确性比较高,但是以迭代方式从原生图块集合中筛选同质图块子集的过程导致其执行效率比较低.为提高现有算法的执行效率,提出一种基于两阶段支持向量机回归的快速噪声水平估计改进算法.首先依据原生图块协方差矩阵的前若干个特征值与噪声水平值的强相关性,利用支持向量机回归技术训练粗精度的预测模型,大致估计出图像中的噪声水平范围;然后根据初步估计的结果,使用专门针对低、中、高噪声水平训练的精细预测模型获得最终的噪声水平估计值.大量实验结果表明,该算法可以在不降低太多预测准确性的前提下,大幅度地提高执行效率,用它作为各类图像处理算法的前置预处理模块,较其他同类算法具有显著的综合优势.

摘要：现有的噪声水平估计(noise level estimation, NLE)算法通常采取先将图像内容信号与噪声信号分离,然后基于分离出的噪声信号估计出图像噪声水平值的实现策略.由于仅有噪声图像本身的信息可以利用,这些算法为保证噪声分离的准确性设计了各种复杂的处理过程,导致其执行效率偏低.为此,提出一种新的基于卷积神经网络噪声分离模型的NLE算法.首先,对大量原始无失真图像施加不同噪声水平的高斯噪声获得噪声图像集合,然后利用卷积神经网络构建一个专门从噪声图像中分离噪声信号获得噪声映射图(noise mapping)的预测模型.考虑到噪声映射图的系数值具有类高斯分布特性,利用广义高斯分布(generalized Gaussian distribution, GGD)模型对噪声映射图建模并以模型参数值作为反映图像噪声水平高低的特征值.最后,利用改进的BP神经网络将该特征值映射为最终的噪声水平预测值.大量实验数据表明:所提出的NLE算法在预测准确度和执行效率2个方面的综合性能优于现有的NLE算法,更具实用价值.

摘要：现有的高斯脉冲混合噪声降噪算法多基于正则化技术采用迭代求解最优目标函数值的方式实现,执行效率普遍比较低,严重限制了其实际应用范围.为此,以卷积神经网络(convolutional neural network,CNN)为核心技术提出了一种基于图像质量感知的快速盲降噪算法(image quality-aware fast blind denoising algorithm,IQA-FBDA).在训练阶段,首先基于浅层CNN卷积神经网络设计图像质量评估模型来预测待降噪图像的图像质量值;然后,依据在大量噪声图像训练集合上获得的图像质量值统计分布规律构建混合噪声模式分类字典;最后,基于该分类字典将噪声图像集合划分为16个子集并训练与各个子集相匹配的深层CNN卷积神经网络专用降噪模型.在降噪阶段,首先利用图像质量评估模型估计给定待降噪图像的质量值,然后依据所预测的图像质量值查找噪声模式分类字典并调用与之相匹配预先训练好的深层CNN降噪模型即可快速地完成盲降噪任务.实验数据表明:IQA-FBDA算法在降噪效果方面的性能达到了与主流高斯脉冲混合噪声降噪算法相当的水平,而在执行效率方面则有极大提高,更具实用价值.

摘要：相对于经典的采用逐点检测与复原方式实现的开关型随机脉冲噪声(Random-Valued Impulse Noise,RVIN)降噪算法,基于深度卷积神经网络构建的非开关型RVIN降噪模型在降噪效果和执行效率上均有显著优势,但也存在着固有的数据依赖缺陷,不能在降噪效果和易用性两个方面同时获得最佳性能.为此,以DnCNN(Denoising Convolutional Neural Network)深度降噪网络模型架构为设计基础,提出了一种新的用于去除RVIN噪声的两阶段盲卷积降噪(Two-stage Blind Convolutional Denoising,TBCD)模型.在第一阶段,针对给定的受0~90%范围内某个比例RVIN噪声干扰的噪声图像,利用DnCNN-B(DnCNN for Blind Denoising Task)盲降噪模型完成初步降噪.同时,利用噪声检测模型预测出噪声图像相应的噪声标签,然后将噪声图像与噪声标签矩阵按位相乘生成稀疏采样图像(Sparse Sampling Image,SSI).在第二阶段,为了进一步提高DnCNN-B盲降噪模型所复原的初步降噪图像的质量,将其与SSI图像连接(concatenate)后再次输入到预先训练好的双通道图像质量提升模型中获得残差图像,之后将初步降噪图像减去残差图像得到最终的降噪图像.与现有的开关型RVIN降噪算法相比,所提出的非开关型TBCD模型在各种噪声比例条件下获得的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)指标平均值能高出5~8 dB,展现出深度降噪网络模型的显著优势.而与盲降噪版的DnCNN-B和非盲降噪版的DnCNN-S(DnCNN with Known Specific Noise Ratio)两个深度降噪模型相比,TBCD模型复原图像的PSNR平均值比DnCNN-B高0.5 dB,仅比理想实现条件下(需给定准确的噪声比例值并调用专门训练的降噪模型)的DnCNN-S模型低0.3dB.这表明采用两阶段策略实现的TBCD盲卷积降噪模型在降噪效果和易用性两个方面都获得了最佳性能,很好地解决了深度RVIN降噪模型所存在的数据依赖问题.

摘要：针对单相并网逆变器的输出存在双频纹波,提出一种LC谐振电路来滤除纹波。现有方法未考虑LC谐振电路与主电容器发生共振导致稳定性下降,设计一种虚拟电阻(VR)的主动阻尼方法来抑制LC谐振峰。系统中非线性和外界扰动引起控制量参数变化给当前设计带来挑战,基于此,提出一种自适应可扩展状态观测器(ESO)控制器,通过ESO来估测总扰动(非线性,负载阶跃变化,外界扰动等),以前馈的方式进行补偿。通过和常规ESO控制器进行性能比较,结果表明所提出的方法不管是稳态下还是负载阶跃响应下的瞬态响应和鲁棒性都优于所比较的方法。

摘要：现有的深度卷积神经网络(DCNN)图像降噪模型受其技术路线内在固有特性的制约,降噪性能仍然有待进一步改进。为了推动现有DCNN图像降噪模型技术的发展,需要正视并及时解决制约其进一步完善的瓶颈问题。本文简要概述了传统的基于自然图像非局部自相似性、稀疏性和低秩性这3种先验知识设计的图像降噪算法的技术路线特点和优缺点,从传统图像降噪算法存在的问题中引出基于DCNN构建图像降噪模型的技术优势,并梳理并总结了DCNN降噪模型未来的发展瓶颈,就相应的解决方案(研究方向)进行详细讨论。通过深入分析发现,可以从扩大卷积核的感受野、降低网络参数与训练集之间的依赖关系以及充分利用DCNN网络的建模能力这3个角度入手,突破现有基于数据驱动的DCNN降噪模型的瓶颈制约,把图像降噪算法的研究水平推向新的高度。

摘要：针对感应电机矢量控制系统转速控制易受到参数不确定性及负载扰动的影响,提出了一种二阶快速终端滑模控制策略。首先,通过理论分析了普通终端滑模的缺陷,其次构建兼具终端滑模项和线性滑模项的快速终端滑模面;最后根据等效控制原理分别设计速度环的等效控制和切换控制,并设计二阶滑模动态以削弱抖振。仿真结果表明了相较于PI控制和普通终端滑模控制,文中所设计的控制算法响应速度更快,对负载扰动鲁棒性更强。

摘要：在某些条件下,电力系统将会产生混沌振荡,从而影响互联电网的稳定性,造成严重的安全事故。文中通过对简单互联电力系统的时序图、相图及最大李雅普诺夫指数图进行分析,肯定了其存在的混沌现象。同时设计了一种鲁棒反演滑模法对系统的混沌振荡进行抑制,使其能够迅速地收敛于目标。仿真结果进一步证明该方法能够有效性,对保障电力系统运行的稳定性具有良好价值。

摘要：由于缺乏有效的迭代终止条件(iterative stopping criterion,ISC),目前大多数去模糊算法简单采用固定的迭代次数实现,存在着执行效率低、去模糊效果不够理想等问题。为此,提出一种基于残差图像(迭代过程中所获得的中间估计图像和模糊核卷积后与模糊图像之间的差值)的去模糊效果度量(deblurring measure,DM),并在该DM度量的基础上设计了一种自适应的迭代终止条件(adaptive ISC,AISC)。将所提出的AISC迭代终止条件应用于经典的NCSR(nonlocally centralized sparse representation)迭代型去模糊算法中。在均匀模糊、高斯模糊和运动模糊三种典型模糊失真类型下大量的实验数据表明,与采用固定迭代次数的原NCSR算法相比,采用自适应迭代条件后NCSR算法执行效率得到显著提升,且所复原图像在PSNR、SSIM和FSIM图像指标值上与原算法差别不大。

摘要：根据光伏阵列在实际生产中的局部阴影情况建立了光伏阵列的实际生产模型,并针对局部阴影情况导致的多峰值问题设计了一种基于模拟退火-混合蛙跳法(SA-SFLA)的多峰值功率最高值跟踪技术(MPPT),即在保留混合蛙跳算法跳出局部功率最优点能力的同时,引进模拟退火算法来提升跟踪全局功率最大点的速度和精度。最后通过Simulink仿真,证实了该算法进行MPPT多峰跟踪的性能较混合蛙跳法有了显著提高,有益于光伏阵列效能的提升。