受限于材料和制造工艺, 红外图像中普遍存在着条纹非均匀性, 其严重影响了图像的成像效果, 进而对后续的目标识别、检测等工作造成干扰。典型的最小均方误差(LMS)算法在一定程度上可以抑制条纹非均匀性, 但其场景适应性差, 存在拖尾和“鬼影”现象。提出一种改进型的最小均方误差(LMS)自适应滤波算法对图像进行处理, 利用双边滤波和最速下降法快速获取准确的校正参数, 将前一帧算出的校正结果作为后一帧的初始输入值, 提升算法的准确性, 同时算法还增加了边缘检测模块以保留图像细节。采用不同场景下非制冷型探测器的真实红外图像, 从主观和客观两个方面对比了本算法和经典LMS算法, 结果表明, 提出的算法可以很好地保护图像细节, 也具有良好的场景适应性。

多光谱图像比常见的三通道图像能够携带更多的数据信息来表示颜色, 因此大大提高了存储与传输此类信息所需要的难度。 为了解决以上问题, 研究人员提出一种将多光谱数据在存储与传输前进行压缩, 并在使用时通过过渡连接空间(ICS)对压缩数据进行重建, 而过渡连接空间决定了转换的效果。 Derhak等［JIST, 50: 53-63, 2006］提出了一种名为LabPQR的6个维度的ICS。 这个空间的前三个维度是给定光谱r在指定光观察环境(用加权表矩阵H表示)下的三刺激值向量t, 后三个维度是同色异谱黑rb在由主成分分析获得的同色异谱黑空间前三个基向量(记为矩阵B)下的组合系数tPQR。 同色异谱黑rb由基于三刺激值t的光谱分解式rb=r-Mt给出, 这里的映射矩阵M为熟知的“R-矩阵”, 同色异谱黑空间是由光谱图像数据或独立反射率训练集对应的所有同色异谱黑构成。 重建的反射率rp=Mt+BtPQR。 该研究提出一个改进的LabPQR过渡连接空间, 记为MLabPQR。 两者之间的差别就在于光谱分解式中的映射矩阵M的选取。 该方法选取M为“Wiener估计矩阵”。 Wiener估计矩阵不仅依赖于光环境H, 而且还依赖于训练光谱数据, 因此期望通过Wiener估计矩阵更能反映出光谱图像的光谱特性, 从而提高反射率重建精度。 使用NCS光谱反射率数据和一幅光谱图像作为测试样本, 分别用Munsell反射率数据集和测试样本集作为训练样本。 采用均方根误差(RMSE)和拟合优度系数(GFC)为重建光谱精度指标, 以CIELAB色差为色度精度指标对本方法进行综合评估, 并与现有的LabPQR、 LabRGB、 XYZLMS和LabW2P ICSs进行比较。 比较结果表明, 该研究的新ICS不论从光谱精度还是色度精度都优于其他ICSs。 因此新方法对光谱反射率压缩及跨媒体多光谱图像再现等相关领域有着重要的应用价值。

等离子体发射光谱是研究托卡马克等离子体物理过程的重要诊断手段之一。边界等离子体中存在着复杂的原子分子物理过程, 部分较弱的粒子光谱信号混杂着大量噪声, 能否有效去除噪声、提高信号质量对后续利用其分析理解实验中相关物理过程具有重要意义。以仿真信号和真实托卡马克实验中钨原子光谱数据作为研究对象, 采用信噪比(SNR) 和均方根误差(RMSE) 作为滤波效果的评价依据, 对小波阈值去噪处理方法的去噪效果进行了研究。仿真实验对比分析表明: 选取 sym8 小波基、4 层小波分解、启发式阈值计算以及渐进半软阈值函数进行小波去噪时, 可获得最大信噪比 19.2166，最小均方根误差 0.0290。进而将这些最佳匹配参数应用于实测偏滤器钨原子光谱信号处理中, 也取得较好的去噪效果。结果表明: 小波阈值去噪能够有效地消除偏滤器钨原子光谱信号中的噪声, 同时较好地保留有用信号, 避免信号失真, 显著提高了信号质量。

从动态光散射信号中反演纳米颗粒粒度分布，结果准确性和重复性受测量的自相关函数数据点影响，数据点长度不同会导致不同的反演结果。为了解决该问题，提出了一种根据拟合自相关函数的均方根误差来截断自相函数的方法，该方法通过设置拟合误差阈值来自适应地选择最佳自相关函数数据点数。实验结果表明，使用均方根误差阈值方法获得的颗粒粒度分布比其他方法获得的结果具有更高的准确性和更好的重复性。

为了实现多输入多输出(MIMO)正交频分复用(OFDM)系统中同步损伤和信道的联合估计，提出了一种基于网格搜索的联合估计算法。首先通过构建起一个以反映同步损伤和信道响应影响的系统模型，然后将各损伤参数估计的多维优化问题简化为二维网格和一维网格搜索，从而实现对载波频率偏移、采样频率偏移和符号定时误差的联合估计；数值仿真结果表明，本文提出的联合估计算法相比于非联合估计算法具有更好的估计性能。

近年来机器学习的出现给人体康复运动领域的建模带来希望,基于深度学习的分类识别已经实现了很高的识别率。深度模型特性会使得传感器在对抗噪声的攻击下,识别率受到影响。因此基于生成式对抗网络(Wasserstein Generative Adversarial Networks,WGAN),提出了生成人体康复运动GAN(Generative Physical Rehabilitation Exercise GAN,GPREGAN)框架,它可以将攻击性数据伪装成正常的数据。这些对抗数据与原始数据高度相似,检测算法无法区分。实验中将生成的对抗数据输入到基于卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆(Long Short-Term Memory,LSTM)网络的深度模型中,检测率从99%降至0,成功攻击了网络。为了评估生成的对抗样本的有效性,使用样本均方差进行评估。实验证明,GPRGAN框架具有生成类似于人体康复运动领域时序数据的能力,可以增加该领域中样本的多样性。

在无线传感器网络定位领域,DV-Hop算法因其实现简单得以广泛使用。针对DV-Hop算法定位误差较大的问题,提出一种基于DV-Hop多通信半径的加权定位算法。该算法利用多通信半径并通过引入修正因子细化和优化跳数,利用最小均方误差准则和加权方式修正平均跳距,并利用加权最小二乘法估算未知节点坐标。通过仿真得出所提算法在相同实验条件下的定位精度较DV-Hop算法提升约60.5%,相较于双通信半径优化算法和3-DV-Hop算法分别提升约36.4%和13.8%。

基于接收信号强度指示 (RSSI)的移动目标定位和跟踪常采用三边或角度测量定位技术。尽管该技术简单，易实施，但由于 RSSI值与距离间的非线性关系，它们容易导致较大的定位误差。通用回归神经网络 (GRNN) 能够快速训练稀疏数据集。提出基于 GRNN的移动目标跟踪 (GMTT)算法，该算法依据 GRNN处理 RSSI与目标位置间的非线性关系，利用卡尔曼滤波 (KF)修正目标位置。仿真实验结果表明，相比于 RSSI+KF，GMTT算法可以有 效地降低目标定位的根均方误差。

针对传统光空间调制传输速率和激光器利用率较低,且要求激光器数目必须是2的整数次幂的问题,通过同时激活多个激光器并结合脉冲位置调制构建了一种适用于无线光通信的广义光空间调制(GOSM)方案。针对最大似然译码(ML)算法复杂度较高的问题,引入排序块最小均方误差(OB-MMSE)信号检测方法,利用平衡因子在综合考虑误码性能和复杂度的情况下,对OB-MMSE算法进行改进,并依据GOSM信号的特点对其权值进行修正;此外还推导了对数正态湍流信道中阈值的选取公式。最后,采用蒙特卡罗仿真验证了算法的性能,并将所提算法与经典ML、MMSE算法的误码性能和计算复杂度进行了对比。结果表明:与ML算法相比,所提算法在牺牲较小误码性能的情况下,能有效降低算法的复杂度;与MMSE算法相比,虽然所提算法的复杂度略有增大,但它可有效地降低误码率,而且还适用于接收机数目少于发射机数目的系统。