(一）摘要
均衡技术最早应用于无线电通信领域，主要用于消除由于信道响应引起的码
间干扰（ISI ）。二十世纪六十年代后期，基于最小均方误差（LMS ）算法的自适应均衡就已经得到了描述。最小均方算法即LMS 算法由于实现简单且对信道统计特性变化具有稳健性，LMS 算法获得了极为广泛的应用。LMS 算法是基于最小均方误差准则（MMSE ）的维纳滤波器和最陡下降法提出的。本次实训主要研究的是酋变换基于离散余弦变换[（DCT ）的频域自适应算法－离散余弦变换最小均方算法（DCT-LMS ），在不增加算法计算的复杂度情况下，来改善自适应均衡滤波器的性能。
关键字：自适应均衡、LMS 、DCT-LMS
(二)DCT-LMS 算法原理
图1给出了变换域自适应滤波器的结构。当采用DCT 变换酋矩阵对输入信号矢量进行酋变换[9][23]，得到
)()(n n Sx u = 其中S 是一M M ?的DCT 变换酋矩阵，即
I
SS
H
β=
式中，β 是一个大于0的标量，上标H 表示矩阵的共轭转置。变换后的输入数据变为)(n u 。对应地，酋变换后的权向量w 变为
Sw w β
1=
它就是我们需要更新估计的离散余弦变换域自适应滤波器的权向量。因此原
预测误差)()()(?)()(n n d n y
n d n e H x w -=-=可以改用变换后的输入数据向量)(n u 和滤波器权向量w
写为
)()()(n n d n e H u w
-=
将变换前后的输入数据向量)(n x 和)(n u 比较知，原信号向量的元素是
)1(+-i n x 的移位形式，它们的相关性强，而T
M n u n u n u n )]
(,),(),([)(21 =u 的元
素则相当于M 信道的信号，可以期望，它们具有比原信号)(n x 更弱的相关性。
换言之，通过DCT酋变换，在变换域实现了某种程度的解相关。
)1
+
图1 变换域FIR横式滤波器
从滤波器的角度讲，原来的单信道M阶FIR横向滤波器被变换成了一等价M信道滤波器，而原来的输入信号)
(n
x则相当于通过一含有M个滤波器的滤波器组。
总结以上分析，很容易得到离散余弦变换最小均方算法(DCT-LMS)的流程如下：
⑴初始化：T
M
]0
0[
?
=
w
⑵给定DCT变换酋矩阵S，更新：
,2,1
=
n
)
(
)
(n
n Sx
u=
)
(
)
(
)
(
)
(n
n
n
d
n
e H u
w
-
=
)
(
)
(
2
)
(?
)1
(?n
n
e
n
n u
w
wμ
+
=
+
研究DCT－LMS算法性能的自适应均衡系统仿真模型如图2所示。
图2 研究DCT－LMS算法性能的自适应均衡系统仿真框图
（三）系统SIMULINK仿真
（四）不同参数对系统的影响曲线
1.横向自适应滤波器的抽头数M对系统的收敛性和稳态性的影响
结论：抽头数M值越大，系统误码率越高。
2.不同u值对系统的收敛性和稳态性的影响
结论：由于系统误码率与收敛性有关系，迭代算法跳步u值对系统误码率的影响需要折中考虑。
3.信道失真参数W对系统的收敛性和稳态性的影响。
结论：信道参数越大，系统误码率越高。
4、特性曲线比较
《MATLAB自适应滤波去噪》 课程设计报告 1.课程设计目的 此次课程设计目的是为了让我们学会使用MATLAB进行计算机仿真，使用自适应滤波法设计一个语音去噪声电路。培养我们的电路设计思路及其算法，明白理论与实践相结合的重要性，培养了我们的实际操作能力以及锻炼我们对实际问题的分析与解决的能力。 2.课程设计内容 2.1 LMS自适应算法原理 自适应过程一般采用典型LMS自适应算法，但当滤波器的输入信号为有色随机过程时，特别是当输入信号为高度相关时，这种算法收敛速度要下降许多，这主要是因为输入信号的自相关矩阵特征值的分散程度加剧将导致算法收敛性能的恶化和稳态误差的增大。此时若采用变换域算法可以增加算法收敛速度。变换域算法的基本思想是：先对输入信号进行一次正交变换以去除或衰减其相关性，然后将变换后的信号加到自适应滤波器以实现滤波处理，从而改善相关矩阵的条件数。因为离散傅立叶变换DFT 本身具有近似正交性，加之有FFT快速算法，故频域分块LMS FBLMS 算法被广泛应用。 FBLMS算法本质上是以频域来实现时域分块LMS算法的，即将时域数据分组构成N个点的数据块，且在每块上滤波权系数保持不变。其原理框图如图2所示。FBLMS 算法在频域内可以用数字信号处理中的重叠保留法来实现，其计算量比时域法大为减少，也可以用重叠相加法来计算，但这种算法比重叠保留法需要较大的计算量。块数据的任何重叠比例都是可行的，但以50％的重叠计算效率为最高。对FBLMS算法和典
型LMS算法的运算量做了比较，并从理论上讨论了两个算法中乘法部分的运算量。本文从实际工程出发，详细分析了两个算法中乘法和加法的总运算量，其结果为： 复杂度之比＝FBLMS实数乘加次数／LMS实数乘加次数＝（25Nlog2N＋2N－4）／[2N(2N－1)] 采用ADSP的C语言来实现FBLMS算法的程序如下： for(i＝0;i＜＝30;i＋＋) {for(j＝0;j＜＝n－1;j＋＋) {in[j]＝input[i×N＋j;] rfft(in,tin,nf,wfft,wst,n); rfft(w,tw,wf,wfft,wst,n); cvecvmlt(inf,wf,inw,n); ifft(inw,t,O,wfft,wst,n); for(j＝0,j＜＝N－1;j＋＋) {y[i×N＋j]＝O[N＋j]．re; e[i×N＋j]＝re fere[i×N＋j]－y[i×N＋j]; temp[N＋j]＝e[i×N＋j;}
基于遗传算法的OFDM自适应资源分配算法MATLAB源码 OFDM自适应资源分配问题（载波、功率等），是一个既含有离散决策变量，又含有连续决策变量的非线性优化模型，且含有较为复杂的非线性约束，因此适合采用智能优化算法进行求解。 function [BESTX1,BESTX2,BESTY,ALLX1,ALLX2,ALL Y]=GA2(K,N,Pm,H,BBB,P,N0) %% 本源码实现遗传算法，用于RA准则下的多用户OFDM自适应资源分配 %% 输入参数列表 % K 迭代次数 % N 种群规模，要求是偶数 % Pm 变异概率 % H 信道增益矩阵，K*N的矩阵，表示用户k在子信道n上的信道增益，无单位，取值范围0~1 % BBB 总带宽（Hz） % P 总功率（W） % N0 加性高斯白噪声功率谱密度（W/Hz） %% 输出参数列表 % BESTX1 K×1细胞结构，每一个元素是M×1向量，记录每一代的最优个体的第一分量 % BESTX2 K×1细胞结构，每一个元素是M×1向量，记录每一代的最优个体的第二分量 % BESTY K×1矩阵，记录每一代的最优个体的评价函数值 % ALLX1 K×1细胞结构，每一个元素是M×N矩阵，记录全部个体的第一分量 % ALLX2 K×1细胞结构，每一个元素是M×N矩阵，记录全部个体的第二分量 % ALL Y K×N矩阵，记录全部个体的评价函数值 %% 第一步 [KK,NN]=size(H); M=NN;%决策变量个数，子载波个数 farm1=zeros(M,N);%每一列是一个样本 for i=1:N farm1(:,i)=unidrnd(KK,M,1); end farm2=zeros(M,N);%每一列是一个样本 for i=1:N farm2(:,i)=RandSeq(M); end %输出变量初始化 ALLX1=cell(K,1); ALLX2=cell(K,1); ALL Y=zeros(K,N); BESTX1=cell(K,1);
基于直方图均衡的图像质量改善 班级：测控1004学号：2013270162姓名：杨明 摘要：为了解决灰度图像的灰度值分布集中在较窄的范围内，图像的细节不够清晰，对比度较低的问题。通过直方图均衡化使图像的灰度范围拉开或使灰度均匀分布，从而增大反差，使图像的细节清晰，以达到增强目的，直方图均衡化可得到任意的均匀直方图灰度图像。直方图均衡化是一种行之有效的图像增强方法，直方图均衡化是将原灰度图像的直方图通过变换函数变为均匀的直方图，然后按均匀直方图修改原图像，从而获得一幅灰度分布均匀的新图像。基于Matlab编程和工具箱的使用，实现图像直方图均衡化的图像仿真。 关键词：直方图均衡化；图像增强；Matlab Abstract: In order to solve the gray image gray value distribution concentrated in a narrow range of image detail is not clear enough, the problem of low contrast. Gray histogram equalization range so that the gradation image or pulled evenly distributed, thereby increasing the contrast, so that a clear image detail, in order to achieve the purpose of enhancing, histogram equalization histogram obtained arbitrary uniform gray image . Histogram equalization is an effective method for image enhancement, histogram equalization is the histogram of the original gray-scale image by histogram transformation function becomes uniform, a uniform histogram modification then the original image, thereby obtaining a a gray uniform distribution of the new image. Matlab toolbox based programming and the use of image histogram equalization image simulation. Keywords: histogram equalization; image enhancement; Matlab
遗传算法解决简单问题 %主程序：用遗传算法求解y=200*exp(-0.05*x).*sin(x)在区间[-2,2]上的最大值clc; clear all; close all; global BitLength global boundsbegin global boundsend bounds=[-2,2]; precision=0.0001; boundsbegin=bounds(:,1); boundsend=bounds(:,2); %计算如果满足求解精度至少需要多长的染色体 BitLength=ceil(log2((boundsend-boundsbegin)'./precision)); popsize=50; %初始种群大小 Generationmax=12; %最大代数 pcrossover=0.90; %交配概率 pmutation=0.09; %变异概率 %产生初始种群 population=round(rand(popsize,BitLength)); %计算适应度，返回适应度Fitvalue和累计概率cumsump [Fitvalue,cumsump]=fitnessfun(population); Generation=1; while Generation MATLAB 仿真实现LMS 和RLS 算法的二阶AR 模型 及仿真结果分析 一、题目概述：二阶AR 模型如图1a 所示，可以如下差分方程表示： )()()2()1()()(21n d n v n x a n x a n v n x +=----= （1） 图1a 其中，v(n)是均值为0、方差为0.965的高斯白噪声序列。 ， 为描述性参数， .95,0,195.021=-=a a 设x(-1)=x(-2)=0，权值 ， =0.04①推导最优 滤波权值（理论分析一下）。②按此参数设置，由计算机仿真模拟权值收敛曲线并画出，改变步长在此模拟权值变化规律。③对仿真结果进行说明。④应用RLS 算法再次模拟最优滤波权值。 解答思路： （1）高斯白噪声用normrnd 函数产生均值为0、方差为0.965的正态分布随机1*N 矩阵来实现。随后的产生的信号用题目中的二阶AR 模型根据公式（1）产生，激励源是之前产生的高斯白噪声。 （2）信号长度N 取为2000点，用以观察滤波器权值变化从而估计滤波器系数，得到其收敛值。 （3）仿真时分别仿真了单次LMS 算法和RLS 算法下的收敛性能以及100次取平均后的LMS 和RLS 算法的收敛性能，以便更好的比较观察二者的特性。 （4）在用不同的分别取3个不同的 值仿真LMS 算法时， 值分别取为 0.001,0.003,0.006；用3个不同的λ值仿真RLS 算法时λ值分别取为1,0.98,0.94，从而分析不同步长因子、不同遗忘因子对相应算法收敛效果的影响。 二、 算法简介 1．自适应算法的基本原理 自适应算法的基本信号关系如下图所示： 图 1b 自适应滤波器框图 输入信号x(n)通过参数可调的数字滤波器后产生输出信号y(n)，将其与参考信号d(n)进行比较，形成误差信号e(n)。e(n)通过某种自适应算法对滤波器参数进行调整，最终是e(n)的均方值最小。当误差信号e(n)的均方误差达到最小的时候，可以证明信号y(n)是信号d(n)的最佳估计。 2. LMS 算法简介 LMS 算法采用平方误差最小的原则代替最小均方误差最小的原则，信号基本关系如下： 1 ()()() ()()()(1)()2()()(0,1,2,....1) N i i i y n w n x n i e n d n y n w n w n e n x n i i N μ-=-=-+=+-=-∑ （2） 写成矩阵型式为： ()()()()()() (1)()2()() T y n W n X n e n d n y n W n W n e n X n μ==-+=+ （3） 式（3）中，W(n) 为n 时刻自适应滤波器的权值， 011()[(),(),....()]T N W n w n w n w n -=，N 为自适应滤波器的阶数，本设计中取为2000；X( n) 为n 时刻自适应滤波器的参考输入矢量，由最近N 个信号采样值构成，()[(),(1),....(1)]T X n x n x n x n N =--+；d ( n) 是期望的输出值；e ( n) 为自适应滤波器的输出误差调节信号(简称失调信号) ；μ是控制自适应速度与稳定性的增益常数，又叫收敛因子或步长因子。 实验六 遗传算法与优化设计 一、实验目的 1. 了解遗传算法的基本原理和基本操作（选择、交叉、变异）； 2. 学习使用Matlab 中的遗传算法工具箱(gatool)来解决优化设计问题； 二、实验原理及遗传算法工具箱介绍 1. 一个优化设计例子 图1所示是用于传输微波信号的微带线(电极)的横截面结构示意图，上下两根黑条分别代表上电极和下电极，一般下电极接地，上电极接输入信号，电极之间是介质(如空气，陶瓷等)。微带电极的结构参数如图所示，W 、t 分别是上电极的宽度和厚度，D 是上下电极间距。当微波信号在微带线中传输时，由于趋肤效应，微带线中的电流集中在电极的表面，会产生较大的欧姆损耗。根据微带传输线理论，高频工作状态下（假定信号频率1GHz ），电极的欧姆损耗可以写成（简单起见，不考虑电极厚度造成电极宽度的增加）： 图1 微带线横截面结构以及场分布示意图 {} 28.6821ln 5020.942ln 20.942S W R W D D D t D W D D W W t D W W D e D D παπππ=+++-+++?????? ? ??? ??????????? ??????? (1) 其中πρμ0=S R 为金属的表面电阻率， ρ为电阻率。可见电极的结构参数影响着电极损耗，通过合理设计这些参数可以使电极的欧姆损耗做到最小，这就是所谓的最优化问题或者称为规划设计问题。此处设计变量有3个：W 、D 、t ，它们组成决策向量[W, D ,t ] T ，待优化函数(,,)W D t α称为目标函数。 上述优化设计问题可以抽象为数学描述： ()()min .. 0,1,2,...,j f X s t g X j p ????≤=? (2) 数字图像处理实验报告 实验名称：直方图均衡化 ： 班级： 学号： 专业：电子信息工程（2+2） 指导教师：华华 实验日期：2012年5月24日 直方图均衡化 图像对比度增强的方法可以分成两类:一类是直接对比度增强方法;另一类是间接对比度增强方法。直方图均衡化是最常见的间接对比度增强方法。直方图均衡化则通过使用累积函数对灰度值进行“调整”以实现对比度的增强。 直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度围的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度围的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。 缺点： 1）变换后图像的灰度级减少，某些细节消失； 2）某些图像，如直方图有高峰，经处理后对比度不自然的过分增强。 直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。 这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。 直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了象素灰度值的动态围从而可达到增强图像整体对比度的效果。设原始图像在(x，y)处的灰度为f，而改变后的图像为g，则对图像增强的方法可表述为将在(x，y)处的灰度f映射为g。在灰度直方图均衡化处理中对图像的映射函数可定义为:g = EQ (f)，这个映射函数EQ(f)必须满足两个条件(其中L为图像的灰度级数): (1)EQ(f)在0≤f≤L-1围是一个单值单增函数。这是为了保证增强处理没有打乱原始图像的灰度排列次序，原图各灰度级在变换后仍保持从黑到白(或从白到黑)的排列。 (2)对于0≤f≤L-1有0≤g≤L-1，这个条件保证了变换前后灰度值动态围的一致性。 累积分布函数即可以满足上述两个条件，并且通过该函数可以完成将原图像f的分布转换成g的均匀分布。此时的直方图均衡化映射函数为: gk = EQ(fk) = (ni/n) = pf(fi) ， (k=0，1，2，……，L-1) 上述求和区间为0到k，根据该方程可以由源图像的各像素灰度值直接得到直方图均衡化后各像素的灰度值。在实际处理变换时，一般先对原始图像的灰度情况进行统计分析，并计算出原始直方图分布，然后根据计算出的累计直方图分布求出fk到gk的灰度映射关系。在重复上述步骤得到源图像所有灰度级到目标图像灰度级的映射关系后，按照这个映射关系对 function youhuafun D=code; N=50;%Tunable maxgen=50;%Tunable crossrate=0.5;%Tunable muterate=0.08;%Tunable generation=1; num=length(D); fatherrand=randint(num,N,3); score=zeros(maxgen,N); while generation<=maxgen ind=randperm(N-2)+2;%随机配对交叉 A=fatherrand(:,ind(1:(N-2)/2)); B=fatherrand(:,ind((N-2)/2+1:end)); %多点交叉 rnd=rand(num,(N-2)/2); ind=rnd tmp=A(ind); A(ind)=B(ind); B(ind)=tmp; %%两点交叉 %for kk=1:(N-2)/2 %rndtmp=randint(1,1,num)+1; %tmp=A(1:rndtmp,kk); %A(1:rndtmp,kk)=B(1:rndtmp,kk); %B(1:rndtmp,kk)=tmp; %end fatherrand=[fatherrand(:,1:2),A,B]; %变异 rnd=rand(num,N); ind=rnd[m,n]=size(ind); tmp=randint(m,n,2)+1; tmp(:,1:2)=0; fatherrand=tmp+fatherrand; fatherrand=mod(fatherrand,3); %fatherrand(ind)=tmp; %评价、选择 scoreN=scorefun(fatherrand,D);%求得N个个体的评价函数 score(generation,:)=scoreN; [scoreSort,scoreind]=sort(scoreN); sumscore=cumsum(scoreSort); sumscore=sumscore./sumscore(end); childind(1:2)=scoreind(end-1:end); for k=3:N tmprnd=rand; tmpind=tmprnd difind=[0,diff(t mpind)]; if~any(difind) difind(1)=1; end childind(k)=scoreind(logical(difind)); end fatherrand=fatherrand(:,childind); generation=generation+1; end %score maxV=max(score,[],2); minV=11*300-maxV; plot(minV,'*');title('各代的目标函数值'); F4=D(:,4); FF4=F4-fatherrand(:,1); FF4=max(FF4,1); D(:,5)=FF4; save DData D function D=code load youhua.mat %properties F2and F3 F1=A(:,1); F2=A(:,2); F3=A(:,3); if(max(F2)>1450)||(min(F2)<=900) error('DATA property F2exceed it''s range (900,1450]') end %get group property F1of data,according to F2value F4=zeros(size(F1)); for ite=11:-1:1 index=find(F2<=900+ite*50); F4(index)=ite; end D=[F1,F2,F3,F4]; function ScoreN=scorefun(fatherrand,D) F3=D(:,3); F4=D(:,4); N=size(fatherrand,2); FF4=F4*ones(1,N); FF4rnd=FF4-fatherrand; FF4rnd=max(FF4rnd,1); ScoreN=ones(1,N)*300*11; %这里有待优化 1.均匀线阵方向图 （1）matlab 程序 clc; clear all; close all; imag=sqrt(-1); element_num=32;%阵元数为8 d_lamda=1/2;%阵元间距d与波长lamda的关系 theta=linspace(-pi/2,pi/2,200); theta0=0;%来波方向 w=exp(imag*2*pi*d_lamda*sin(theta0)*[0:element_num-1]'); for j=1:length(theta) a=exp(imag*2*pi*d_lamda*sin(theta(j))*[0:element_num-1]'); p(j)=w'*a; end patternmag=abs(p); patternmagnorm=patternmag/max(max(patternmag)); patterndB=20*log10(patternmag); patterndBnorm=20*log10(patternmagnorm); figure(1) plot(theta*180/pi,patternmag); grid on; xlabel('theta/radian') ylabel('amplitude/dB') title([num2str(element_num) '阵元均匀线阵方向图','来波方向为' num2str(theta0*180/pi) '度']); hold on; figure(2) plot(theta,patterndBnorm,'r'); grid on; xlabel('theta/radian') ylabel('amplitude/dB') title([num2str(element_num) '阵元均匀线阵方向图','来波方向为' num2str(theta0*180/pi) '度']); axis([-1.5 1.5 -50 0]); 文章编号：1006-1576（2005）06-0115-02 Matlab遗传算法工具箱的应用 曾日波 （江西财经大学电子学院，江西南昌 330013） 摘要：Matlab遗传算法（GA）优化工具箱是基于基本操作及终止条件、二进制和十进制相互转换等操作的综合函数库。其实现步骤包括：通过输入及输出函数求出遗传算法主函数、初始种群的生成函数，采用选择、交叉、变异操作求得基本遗传操作函数。以函数仿真为例，对该函数优化和GA改进，只需改写函数m文件形式即可。 关键词：遗传算法；Matlab；遗传算法工具箱；仿真 中图分类号：TP391.9 文献标识码：A Application of Genetic Algorithm Toolbox Based on Matlab ZENG Ri-bo (College of Finance and Economics Electronics, Jiangxi University, Nanchang 330013, China) Abstract: The optimization toolbox of Matlab genetic algorithm (GA) is a excellent generalized function library is to bases on basic operation and terminate term, the inter-conversion between binary system and ten system the system etc. Its step includes: the main function of GA and the creation functions of initial population was calculated through inputting and outputting functions, and the basic functions of genetic operation was computed by choosing, interlacing, and aberrance functions to realize the system. Take the function simulation as an example, the optimization of function and improvement of GA were achieved by modification the file format of m function. Keywords: Genetic algorithm; Matlab; Optimization toolbox; Simulation 1 引言 遗传算法（GA：Genetic Algorithm）是对生物进化过程进行的数学方式仿真。将Matlab引入遗传算法，在Matlab平台上开发遗传算法的优化工具箱（GAOT：Genetic Algorithm for Optimization Toolbox），可更好地认识GA，改进GA。 2 基于Matlab的优化工具箱 遗传算法的优化工具箱（GAOT）是从遗传算法的基本结构出发，考虑到基本操作及终止条件、二进制和十进制的相互转换等操作的综合函数库。 2.1遗传算法主函数 function[x,endPop,bPop,traceInfo]= ga(bounds,evalFN,evalOps,startPop,opts,termFN,termOps, selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps) 输出参数：x－最优解，endPop－最终种群，bPop－最优种群的搜索轨迹。 输入参数：bounds－变量上下界的矩阵，evalFN－适应度函数，evalOps－传递给适应度函数的参数，startPop－初始种群，termFN－终止函数的名称，termOps－传递个终止函数的参数，selectFN －选择函数的名称，selectOps－传递个选择函数的参数，xOverFNs－交叉函数名称表，以空格分开，xOverOps－传递给交叉函数的参数表，mutFNs－变异函数表，mutOps－传递给交叉函数的参数表。 2.2 初始种群的生成函数 function[pop]=initializega (num,bounds,eevalFN,eevalOps,options) 输出参数：pop－生成的初始种群。 输入参数：num－种群中的个体数目，bounds －代表变量的上下界的矩阵，eevalFN－适应度函数，eevalOps－传递给适应度函数的参数，options －选择编码形式（浮点编码或是二进制编码）[precision F_or_B]，precision－变量进行二进制编码时指定的精度，F_or_B－为1时选择浮点编码，否则为二进制编码,由precision指定精度)。 2.3 基本遗传操作函数 (1) 选择 function[newPop] = Select(oldPop,options) 参数说明：newPop－由父代种群选出的新的种群，oldPop－当前的种群（即父代种群），options －选择概率。 (2) 交叉 function [c1,c2]=crossover(p1,p2,bounds,ops) 参数说明：p1－第一个父代个体，p2－第二个父代个体，bounds－可行域的边界矩阵，c1、c2－产生的两个新的子代。 (3) 变异 function [child] = Mutation(par,bounds,genInfo,Ops) 变异操作是由一个父代产生单个子代。 3 仿真实例与分析 收稿日期：2005-06-15；修回日期：2005-08-07 作者简介：曾日波（1964-），男，江西人，2000年获华中科技大学工程硕士学位，从事嵌入式系统的应用研究。 ·115· 《数字图像处理》实验 报告（二） 学号：____________ 姓名：__________ 专业：____ 课序号：__________ 计算机科学与技术学院 实验2直方图均衡化 一、实验学时：4学时（本部分占实验成绩的40%） 二、实验目的： 1、理解直方图均衡化的原理及步骤； 2、编程实现图像（灰度或彩色）的直方图均衡化。 三、必须学习和掌握的知识点： 直方图均衡化是一种快速有效且简便的图像空域增强方法，在图像处理中有着非常重要的意义，因此要求掌握。 四、实验题目： 编程实现灰度图像的直方图均衡化处理。要求给出原始图像的直方图、均衡化图像及其直方图和直方图均衡化时所用的灰度级变换曲线图。 五、思考题：（选做，有加分） 实现对灰度图像的直方图规定化处理。 六、实验报告： 请按照要求完成下面报告内容并提交源程序、可执行程序文件和实验结果图像。 1、请详细描述本实验的原理： 1.直方图均衡化概述 图像对比度增强的方法可以分成两类:一类是直接对比度增强方法;另一类是间接对比度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。直方图拉伸是通过对比度拉伸对直方图进行调整，从而“扩大”前景和背景灰度的差别，以达到增强对比度的目的，这种方法可以利用线性或非线性的方法来实现;直方图均衡化则通过使用累积函数对灰度值进行“调整”以实现对比度的增强。 直方图均衡化的英文名称是Histogram Equalization. 直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。 2基本思想 直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。 直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。设原始图像在(x，y)处的灰度为f，而改变后的图像为g，则对图像增强的方法可表述为将在(x，y)处的灰度f映射为g。在灰度直方图均衡化处理中对图像的映射函数可定义为:g = EQ (f)，这个映射函数EQ(f)必须满足两个条件(其中L为图像的灰度级数): (1)EQ(f)在0≤f≤L-1范围内是一个单值单增函数。这是为了保证增强处理没有打乱原始图像的灰度排列次序，原图各灰度级在变换后仍保持从黑到白(或从白到黑)的排列。 (2)对于0≤f≤L-1有0≤g≤L-1，这个条件保证了变换前后灰度值动态范围的一致性。 累积分布函数(cumulative distribution function，CDF)即可以满足上述两个条件，并且通过该函数可以完成将原图像f的分布转换成g的均匀分布。此时的直方图均衡化映射函数为: gk = EQ(fk) = (ni/n) = pf(fi) ， (k=0，1，2，……，L-1) 成都理工大学工程技术学院本科毕业论文 自适应载波同步及其Matlab仿真 作者姓名： 专业名称： 指导老师： 年月日 摘要 自适应滤波算法的研究是现在社会自适应信号处理中最为活跃的研究课题之一。找寻收敛速度快，计算简单，数值稳定性好的自适应滤波算法是研究人员不断努力追求的目标。本设计在论述自适应滤波基本原理的基础上，说明了几种当前几种典型的自适应滤波算法和应用。并对这几种典型自适应滤波算法的性能特点进行简单的比较，给出了算法性能的综合评价。 载波同步是无线通信接收机的主要功能之一，其对通信系统质量的提高至关重要。随着新算法涌现和芯片处理速度的提高，不同的解决方案不断的提出。自适应载波同步是一种依据自适应算法的同步方法，内容新颖。本课题在介绍自适应算法和载波同步问题的基础上，详细讨论了平方差分环路法和锁相环路法，具体包括代价函数、代价函数的导数、迭代公式和原理图等，并在论文的第三部分给出了这两种方法的Matlab仿真。仿真结果验证了这两种方法在跟踪载波相位方面是满足要求的，且收敛速度较快。 关键词：自适应滤波载波同步平方差分环路锁相环路法 Abstact The research of adaptive filtering algorithm is one of the most activity tasks, the goal that researchers want to pursue is to find an adaptive filtering algorithm that converge fast and compute simplely. Based on the basis adaptive filtering principle, this paper introduces several typical adaptive algorithms and applications, then compares those algorithm's characters and gives the orithm performance evaluation. Carrier synchronization is one of the main functions of Wireless communications receiver，it is essential for the improvement in the quality of the communication system. With the emergence of new algorithms and the speed improvement of chip processing, different solutions is proposed continuously. Adaptive carrier synchronization is a synchronization method based on adaptive algorithms, and its content is innovative. Based on the introducing of adaptive algorithm and carrier synchronization, this issue has a detailed discussion of the square difference method and the PLL loop method, including its cost function, cost function derivative, iterative formula and schematic, etc. And the third part of the paper gives two methods of Matlab simulation.Simulation results show the two methods with tracking the carrier phase is to meet the requirements, and convergence speedly. Keywords:adaptive filter, carrier synchronization, differential circle square , phase-locked loop method 多目标遗传算法优化 铣削正交试验结果 说明： 1.建立切削力和表面粗糙度模型 如： 3.190.08360.8250.5640.45410c e p z F v f a a -=（1） a R =此模型你们来拟合（上面有实验数据，剩下的两个方程已经是我帮你们拟合好的了）（2） R a =10?0.92146v c 0.14365f z 0.16065a e 0.047691a p 0.38457 10002/c z p e Q v f a a D π=-????（3） 变量约束范围：401000.020.080.25 1.0210c z e p v f a a ≤≤??≤≤??≤≤? ?≤≤? 公式（1）和（2）值越小越好，公式（3）值越大越好。π=3.14 D=8 2.请将多目标优化操作过程录像（同时考虑三个方程，优化出最优的自变量数值），方便我后续进行修改；将能保存的所有图片及源文件发给我；将最优解多组发给我，类似于下图（黄色部分为达到的要求） 遗传算法的结果: 程序如下: clear; clc; % 遗传算法直接求解多目标优化 D=8; % Function handle to the fitness function F=@(X)[10^(3.19)*(X(1).^(-0.0836)).*(X(2).^0.825).*(X(3).^0.564).*(X(4).^0. 454)]; Ra=@(X)[10^(-0.92146)*(X(1).^0.14365).*(X(2).^0.16065).*(X(3).^0.047691).*( X(4).^0.38457)]; Q=@(X)[-1000*2*X(1).*X(2).*X(3).*X(4)/(pi*D)]; 目录 1、引言 (2) 2、直方图基础 (3) 3、直方图均衡化 (3) 3.1 直方图均衡化的概念 (3) 3.2 直方图均衡化理论 (4) 3.3 Matlab 实现 (4) 4、结论 (7) 致谢 (7) 参考文献 (7) 图像增强处理 —直方图均衡化的Matlab 实现摘要：为了使图像的灰度范围拉开或使灰度均匀分布，从而增大反差，使图像细节清晰，以达到增强的目的，通常采用直方图均衡化及直方图规定化两种变换，此文中探讨了直方图的理论基础，直方图均衡化的概念及理论，以Matlab为平台，对某地区遥感TM单波段遥感影像进行直方图均衡化，并给出了具体程序、仿真结果图像、直方图及变换函数。实验结果表明，原来偏暗的且对比度较低的图像经过直方图均衡化后图像的对比度及平均亮度明显提高，直方图均衡化处理能有效改善灰度图像的对比度差和灰度动态范围。 关键词：图像增强直方图均衡化 Matlab 1、引言 图像增强是指对图像的某些特征，如边缘、轮廓或对比度等进行强调或尖锐化。当一幅图像曝光不足或过度，造成对比度过小或过大而不能显示具体细节，通过增加这些细节的动态范围改善图像的视觉效果。图像增强可以突出图像中所感兴趣的特征信息，改善图像的主观视觉质量，提高图像的可懂度。 增强的首要目标是处理图像，使其比原始图像更适合于特定应用。图像增强的方法分为两大类：空间域方法和频域方法。“空间域”一词是指图像平面本身，这类方法是以对图像的像素直接处理为基础的。“频域”处理技术是以修改图像的傅氏变换为基础的。 一般说来，原始遥感数据的灰度值范围都比较窄，这个范围通常比显示器的显示范围小的多。增强处理可将其灰度范围拉伸到0-255 的灰度级之间来显示，从而使图像对比度提高，质量改善。增强主要以图像的灰度直方图最为分析处理的基础。直方图均衡化能够增强整个图像的对比度，提高图像的辨析程度，算法简单，增强效果好。本文主要讨论了空间域的直方图均衡化增强，并用Matlab 进行实验验证。 2、直方图基础 1、灰度直方图是灰度级的函数，描述的是图像中具有该灰度级的像元的个数。确定图像像 %用matlab实现自适应图像阈值分割最大类方差法代码clear; warning off; SE = strel('diamond',4); BW1 = imread('cameraman.tif'); BW2 = imerode(BW1,SE); BW3 = imdilate(BW2,SE); BW4 = BW1-BW3; %rgb转灰度 if isrgb(BW4)==1 I_gray=rgb2gray(BW4); else I_gray=BW4; end figure,imshow(I_gray); I_double=double(I_gray);%转化为双精度 [wid,len]=size(I_gray); colorlevel=256; %灰度级 hist=zeros(colorlevel,1);%直方图 %threshold=128; %初始阈值 %计算直方图 for i=1:wid for j=1:len m=I_gray(i,j)+1; hist(m)=hist(m)+1; end end hist=hist/(wid*len);%直方图归一化 miuT=0; for m=1:colorlevel miuT=miuT+(m-1)*hist(m); end xigmaB2=0; for mindex=1:colorlevel threshold=mindex-1; omega1=0; omega2=0; for m=1:threshold-1 omega1=omega1+hist(m); end omega2=1-omega1; miu1=0; miu2=0; for m=1:colorlevel if m自适应滤波LMS与RLS地matlab实现
MATLAB实验遗传算法与优化设计
数字图像处理实验报告--直方图均衡化
基于遗传算法的matlab源代码
自适应波束形成与Matlab程序代码注解
Matlab遗传算法工具箱的应用
直方图均衡化及直方图规定化
自适应载波同步及其Matlab仿真
遗传算法多目标函数优化
基于matlab的直方图均衡化
用matlab实现自适应图像阈值分割最大类方差法代码
相关主题
文本预览