导读:本文包含了向量小波论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:向量,小波,正交,神经网络,函数,滤波器,图像。
向量小波论文文献综述
陈绍东,宋亮[1]（2016）在《向量小波和正交小波尺度函数的设计及证明》一文中研究指出文章通过多分辨分析理论和仿酋矢量滤波器组理论,讨论正交小波的存在,提出了组建一系列正交小波数据包的算法,得到了利用小波包组建L2(RC)μ(2￡μ?Z)空间的多种标准正交基的一些方法。(本文来源于《统计与决策》期刊2016年03期）
李登峰,李保滨,田新现[2]（2014）在《一类平衡对称向量小波滤波器组参数化公式》一文中研究指出向量小波因可以同时具有正交性、紧支性、对称性和较高的消失矩性质,使得对它的研究备受关注.本文在有限脉冲滤波器无损系统的格式结构基础上,研究一类具有对称性质的向量值滤波器组,给出其参数化公式,并由该参数化形式构造出一些具有一定平衡阶的向量小波.(本文来源于《中国科学:数学》期刊2014年04期）
童贝[3]（2012）在《基于离散向量小波和Contourlet的图像融合方法研究》一文中研究指出随着科技发展以及人们生活中对图像的要求越来越高,图像融合技术的使用也越加频繁,该技术常被用于国防、医疗、红外、目标检测、机器视觉等领域。目前,在图像融合领域中最常用的是小波变换,但是在应用中非常重要的数据本身特有的特征不能被传统的标量小波充分展示运用,也不是最佳的函数表示方式,而且只能抓捕水平、垂直、对角线方向这几个有限的方向信息,不能尽最大可能地利用图像自身的几何正则性。近几年基于对图像方向性方面的要求不断提高,研究者们提出了Ridgelet、Curvelet和Contourlet变换等的方法,这些变换具有灵活的方向选择性,且各向异性,这些独特的性能使它们能够良好的表现各种图像的方向性需求。在Contourlet变换方法的基础上学者们又由提出了基于小波变换的Contourlet变换图像融合方法,因为小波变换和DFB方法都没有冗余度,并且在捕捉图像的几何结构上效果明显,故目前比较流行。然而该方法采用的标量小波不能集正交性,短支撑性及对称性于一身,而向量小波则能同时满足上述要求,故本文提出了一种基于离散向量小波的Contourlet图像融合方法。经实验证明,该方法在体现图像边缘细节等方面效果较好。本文首先介绍图像融合的几类常用基本方法以及融合效果和评价指标,然后介绍了离散向量小波的基本概念,并采用离散向量小波进行图像融合的方法和融合比较结果,其次介绍了拉普拉斯金字塔图像融合方法,Contourlet图像融合方法以及基于小波的Contourlet图像融合方法,最后介绍了基于离散向量小波的Contourlet图像融合方法,步骤及算法流程图等,并做实验得出数据,从主观视觉上和客观数据上分析了该方法的优点。(本文来源于《湖北大学》期刊2012-05-10）
黄收友[4]（2012）在《向量滤波器与向量小波的构造》一文中研究指出令a=(a_1, a_2,···, am)∈Cm是一个m维向量,其等价于一个m×m的循环矩阵.通过应用矩阵小波分析理论(A.T. Walden和A. Serroukh,矩阵时间序列小波分析,伦敦英国皇家学会. A458(2002),157-179),我们讨论了向量多分辨分析.同时,也设计了几种不同的有限长向量滤波器.此外,给出了相应的尺度函数与小波函数.特别地,我们设计了对称矩阵函数空间的滤波器.(本文来源于《广州大学》期刊2012-05-01）
李锐,张志平[5]（2010）在《一类具有相同对称/反对称中心的正交平衡向量小波系统的不存在性》一文中研究指出本文得到两个结果:首先证明尺度因子m与重数r的乘积为奇数时,具有相同对称/反对称中心1/2(1+μ+μ/(m-1))(μ∈N)的正交向量小波系统的不存在性;其次证明尺度因子m=3,重数r为偶数时,具有相同对称/反对称中心1/2(1+μ+μ/(m-1))的正交平衡向量小波系统的不存在性,这里N是正整数集合.(本文来源于《计算数学》期刊2010年02期）
王振飞,宋胜利,杨明珊[6]（2007）在《基于向量小波与神经网络的图像融合算法》一文中研究指出提出了一种基于向量小波和神经网络的图像融合算法。首先对各源图像进行向量小波变换,根据变换后系数计算出各子块图像的清晰度,选取子块图像部分区域清晰度作为前溃神经网络的训练样本,调整神经网络权重;然后用训练好的神经网络组合融合图像的向量小波系数,对组合后的系数进行一致性校验;最后对该系数进行向量小波逆变换,得到融合图像。仿真实验表明,该算法能够较好地解决多传感器图像融合问题,生成的融合图像效果优于有代表性的图像融合方法。(本文来源于《工程图学学报》期刊2007年04期）
李锐[7]（2006）在《高维双正交向量小波包》一文中研究指出利用线性代数方法研究了矩阵伸缩的高维双正交向量小波包,并给出了L2(Rs)上非张量积双正交向量小波包基.(本文来源于《河南大学学报(自然科学版)》期刊2006年03期）
李跃新,蔡建宏,罗荣桂[8]（2006）在《向量小波消失矩条件的多项式乘积表示》一文中研究指出已经有学者研究了如何用低通滤波器刻划向量小波的消失矩条件,这即是着名的HSS具有消失矩的条件。首先给出了HSS条件的相关问题,对此问题进行了分析,将HSS条件用矩阵多项式及多项式的乘积来表示消失矩的条件,并证明这几种表示是等价的,这对于向量小波的构造是必要的,在图像压缩算法中有实用价值。(本文来源于《武汉理工大学学报》期刊2006年07期）
王振飞,范刚龙,王能超[9]（2006）在《基于神经网络与向量小波的图像融合算法》一文中研究指出本文提出了一种基于向量小波和神经网络的图像融合算法。首先对各源图像进行向量小波变换,根据变换后系数计算出各子块图像的清晰度,选取子块图像部分区域清晰度作为前溃神经网络的训练样本,调整神经网络权重;然后用训练好的神经网络组合融合图像的向量小波系数,对组合后的系数进行一致性校验;最后对该系数进行向量小渡逆变换,得到融合图像。实验结果表明,该算法能够较好地解决多传感器图像融合问题,生成的融合图像效果优于传统图像融合方法。(本文来源于《计算机技术与应用进展——全国第17届计算机科学与技术应用（CACIS）学术会议论文集（上册）》期刊2006-07-01）
樊宇,李红[10]（2005）在《基于离散向量小波变换的多光谱图像融合》一文中研究指出为了能够更好地把多光谱图像和高分辨率图像的图像信息综合起来,以提高对图像信息的分析和提取能力,在研究了离散向量小波图像分析法之后,本文提出了一种基于离散向量小波变换的像素级图像融合新方法。向量小波作为标量小波的一种扩展具有很多标量小波所没有的优点。向量小波分析能够为图像提供一种比标量小波多分辨分析更加精细的分析方法。利用向量小波将多光谱图像和高分辨率图像进行融合后得到的融合图像,能够很好地将原图像的细节融合在一起。给出了该方法的融合结果,通过与其它融合方法进行主观与客观的评价比较,证明该融合方法可以获得更好的融合效果。(本文来源于《信号处理》期刊2005年04期）
向量小波论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
向量小波因可以同时具有正交性、紧支性、对称性和较高的消失矩性质,使得对它的研究备受关注.本文在有限脉冲滤波器无损系统的格式结构基础上,研究一类具有对称性质的向量值滤波器组,给出其参数化公式,并由该参数化形式构造出一些具有一定平衡阶的向量小波.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
向量小波论文参考文献
[1].陈绍东,宋亮.向量小波和正交小波尺度函数的设计及证明[J].统计与决策.2016
[2].李登峰,李保滨,田新现.一类平衡对称向量小波滤波器组参数化公式[J].中国科学:数学.2014
[3].童贝.基于离散向量小波和Contourlet的图像融合方法研究[D].湖北大学.2012
[4].黄收友.向量滤波器与向量小波的构造[D].广州大学.2012
[5].李锐,张志平.一类具有相同对称/反对称中心的正交平衡向量小波系统的不存在性[J].计算数学.2010
[6].王振飞,宋胜利,杨明珊.基于向量小波与神经网络的图像融合算法[J].工程图学学报.2007
[7].李锐.高维双正交向量小波包[J].河南大学学报(自然科学版).2006
[8].李跃新,蔡建宏,罗荣桂.向量小波消失矩条件的多项式乘积表示[J].武汉理工大学学报.2006
[9].王振飞,范刚龙,王能超.基于神经网络与向量小波的图像融合算法[C].计算机技术与应用进展——全国第17届计算机科学与技术应用（CACIS）学术会议论文集（上册）.2006
[10].樊宇,李红.基于离散向量小波变换的多光谱图像融合[J].信号处理.2005
论文知识图
