CN109039980B - 一种时空脉冲阵列信号进行量化的方法 - Google Patents
一种时空脉冲阵列信号进行量化的方法 Download PDFInfo
- Publication number
- CN109039980B CN109039980B CN201810761800.3A CN201810761800A CN109039980B CN 109039980 B CN109039980 B CN 109039980B CN 201810761800 A CN201810761800 A CN 201810761800A CN 109039980 B CN109039980 B CN 109039980B
- Authority
- CN
- China
- Prior art keywords
- pulse
- quantization
- signal
- space
- domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2602—Signal structure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种时空脉冲阵列信号量化的方法,通过信号采样器从局部空间位置采集时域信号,生成时域上的脉冲序列;多个信号采样器阵列按空间位置相互关系排列成脉冲阵列信号;将脉冲阵列信号按一组规定的间隔在时域和空域进行离散化,用最接近的数值来表示该信号的采样值,作为对所述时空脉冲阵列信号的量化。该方法包括:均匀量化,将脉冲阵列信号按照等间隔进行量化;非均匀量化,依据先验信息和量化参数确定不同区间量化间隔,将脉冲阵列信号进行非均匀量化。本发明为同时兼顾时域信息和空域信息的有效的脉冲阵列信号量化方法,满足时域和空域尺度分析的综合需求。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种时空脉冲阵列信号进行量化的方法。
背景技术
近年来,时空脉冲阵列信号数据在计算神经科学(Computing Neuroscience)、计算机视觉(Computer Vision)、社交媒体(Social Media)、地球大气科学(Earth andClimate Science)、交通运输(Transportation)等领域无处不在,并以海量数据的形式涌现。
时空脉冲阵列信号是以时空点过程模型描述的稀疏时空点阵,具有抽象性,离散性和层次性。时空点过程的抽象性是不同时间尺度和空间尺度上抽象的点事件集合,例如,神经脉冲(Neural Spike)、点云(Point Cloud)、社交媒体用户点(Users of SocialMedia)、地震事件点(Earthquakes events)和交通事件点(Traffic events)等;脉冲阵列信号的离散性是在时域和空域分布不连续的稀疏点阵;时域层次性是脉冲序列的时刻与信号频率强度可挖掘时域事件信息,空域层次性是空间位置的相关性与信号频率强度可分析事件层次关系。脉冲阵列信号仍大量使用“直接接入”的数据处理的应用模式,难以满足脉冲阵列信号在时域和空域尺度分析的综合需求。如何对日益增长的脉冲阵列信号数据进行时空尺度量化处理,是分析脉冲阵列信号数据的时空特性和挖掘点过程层次模式任务的前提。
脉冲阵列信号的量化是按一组规定的间隔将其在时域和空域进行离散化,用最接近的数值来表示该信号的采样值,以输出不同尺度时空脉冲信号。脉冲阵列信号的均匀量化,将脉冲阵列按照以等间隔进行均匀量化。均匀量化器较易实现,适用于线性量化表示的时空点过程。然而,脉冲阵列在信号保真、编码、传输、存储和分析等应用中,需要依据脉冲信号的时空数据特性来进行非均匀量化,以满足时域和空域尺度分析的综合需求。
因此,开发一种同时兼顾时域信息和空域的有效的脉冲阵列信号量化方法是一个亟待解决的问题。
发明内容
本发明的目的是通过以下技术方案实现的。
一种时空脉冲阵列信号量化的方法,包括:
通过信号采样器从局部空间位置采集时域信号,生成时域上的脉冲序列;
多个信号采样器阵列采集的脉冲信号按空间位置相互关系排列成脉冲阵列信号;
将脉冲阵列信号按一组规定的间隔在时域和空域进行离散化,用最接近的数值来表示该信号的采样值,作为对时空脉冲阵列信号的量化。
优选地,时空脉冲阵列信号的量化包括:
均匀量化,将时空脉冲阵列信号按照等间隔进行量化;
非均匀量化,依据先验信息和量化参数确定不同区间量化间隔,将时空脉冲阵列信号进行非均匀量化。
优选地,时空脉冲阵列信号包括:
时域上的脉冲序列信号,采样器的各局部空间位置按照时间进行累积,对信号累积强度值进行变换输出脉冲信号,同一空间位置上产生的所有脉冲信号根据时间顺序构成脉冲序列;
空域上的脉冲阵列信号,所有空间位置的脉冲序列一起构成脉冲阵列。
优选地,均匀量化包括:
时域均匀量化,在时域间隔的最大变化范围内将脉冲序列信号划分为多个量化级,使脉冲阵列信号的时域信息按等间隔量化;
空域均匀量化,在空间位置距离的最大范围内将脉冲阵列信号划分为多个量化级,使相邻空间距离量化间隔相等。
优选地,空域均匀量化,包括:用量化器依据空域量化间隔参数,将脉冲阵列信号的空间坐标位置的范围等间隔划分,使脉冲阵列信号的空间坐标位置按照空间邻域距离等间隔量化。
优选地,非均匀量化包括:
时域非均匀量化,根据时域信号强度和量化参数来确定非均匀的时域量化区间,将脉冲序列信号的时域信息按非等间隔量化;
空域非均匀量化,根据空间脉冲序列的相关性、脉冲信号强度及量化参数建模确定空间位置的非均匀的量化间隔区间,将脉冲阵列信号的空间位置按非等间隔量化。
优选地,在时域均匀量化、时域非均匀量化步骤中,脉冲序列信号的时域信息在量化时,采用最邻近距离取整、向上取整、向下取整方式。
优选地,在空域均匀量化中,脉冲阵列信号等间隔量化时,采用最邻近距离、向左上邻域取整、向右上邻域取整、向左下邻域取整、向右下邻域取整方式。
优选地,时域非均匀量化包括:
脉冲序列在时域上呈现信号强度关系,统计脉冲信号在一定时域区间的强度函数,依据信号强度函数、非均匀量化间隔参数来确定脉冲序列时域的非等间隔的量化区间;
多个脉冲序列的时域不等间隔的量化构成了脉冲阵列信号的非均匀量化。
优选地,依据信号时域强度函数、非均匀量化参数确定非等间隔量化区间,包括:
采用脉冲序列时域强度的先验信息和非均匀量化参数建模,将脉冲序列发放频率较高时域区间以小间隔量化;
将脉冲序列发放频率较低的时域区间以大间隔量化。
优选地,脉冲序列时域强度和非均匀参数量化建模,包括:
依据脉冲信号发放机制,分析随时间发放的稀疏离散点的统计特性,采用脉冲序列的条件概率和非等间隔量化参数,建立脉冲信号时域强度自适应的非均匀量化。
优选地,空域非均匀量化包括:
分析脉冲序列在空间位置相关性,统计空间位置随时间的信号强度,依据空间位置的脉冲序列相关性,脉冲信号强度和空间位置非均匀量化间隔参数来确定空间位置的非均匀量化。
优选地,度量脉冲序列在空间位置的相关性,包括:
采用线性核函数、非线性核函数,将脉冲序列变换为多维空间的连续函数,利用函数之间的范数距离表征脉冲序列的相关性度量;采用学习度量的方法,利用监督学习或非监督学习来寻找不同脉冲序列之间的相关关系。
优选地,依据脉冲序列相关性、脉冲信号强度和量化参数确定非均匀量化,包括:
采用脉冲序列相关性、脉冲信号强度的先验信息和非均匀量化参数来建模,将脉冲信号发放频率强、序列相关性小的空间位置以小间隔量化;
将脉冲信号发放频率弱、序列相关性大的空间位置以大间隔量化。
优选地,脉冲序列相关性、脉冲信号强度的先验信息和非均匀量化参数来建模,包括:
统计空间位置的相邻脉冲序列数据的特性,度量脉冲序列之间的相关特性,统计空间位置脉冲发放的强度,利用相关性、脉冲信号强度和非均匀量化参数,建立脉冲阵列空域自适应的非均匀量化。
优选地,时空脉冲阵列信号的量化采用如下方式:
脉冲阵列信号先时域量化再空域量化;或
脉冲阵列信号先空域量化再时域量化;或
脉冲阵列信号时空域并行量化;
时域量化包括时域均匀量化步骤、时域非均匀量化步骤,空域量化包括空域均匀量化步骤、空域非均匀量化步骤。
优选地,当超过时域间隔的最大变化范围或空间位置距离的最大范围时,采用对应范围的最大值表示。
本发明的优点在于:本发明通过均匀或非均匀进行时域和空域量化的方法,进行空时脉冲阵列信号的均匀量化,根据时域信息按等间隔量化,使时域相邻量化间隔相等,同时将空间位置按等间隔量化,使空间量化距离间隔相等;进行空域时域脉冲阵列信号的非均匀量化,依据脉冲信号时域强度和量化参数确定时域非等间隔的量化,同时联合空间位置脉冲序列相关性、脉冲信号强度和量化参数确定空间位置的非等间隔的量化。时空脉冲阵列信号数据进行量化处理,提供时空多尺度的脉冲阵列来有效的进行信号保真、编码、传输、存储和分析等应用任务。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
附图1示出了根据本发明实施方式的时空脉冲阵列信息量化流程图;
附图2示出了根据本发明实施方式一的均匀量化的方法的处理流程图;
附图3示出了根据本发明实施方式一的动态视觉传感器的时空脉冲阵列信号图;
附图4示出了根据本发明实施方式一的脉冲阵列信号空间位置采用最近邻近距离和向右下取整结合的空域均匀量化的示意图;
附图5示出了根据本发明实施方式一的时空脉冲阵列信号进行非均匀量化的方法的处理流程图;
附图6示出了根据本发明实施方式二的时空脉冲阵列信号进行非均匀量化的方法的处理流程图;
附图7示出了根据本发明实施方式二的脉冲阵列信号时域序列采用最邻近距离的时域非均匀量化的示意图;
附图8示出了根据本发明实施方式二的脉冲阵列信号空间位置采用最邻近距离和向右下取整结合的空域非均匀量化的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
根据本发明的实施方式,提出一种时空脉冲阵列信号量化的方法,如图1所示。该方法包括如下步骤:
均匀量化步骤,将时空脉冲阵列信号按照等间隔进行量化;非均匀量化步骤,依据先验信息和量化参数确定不同区间量化间隔,将时空脉冲阵列信号进行非均匀量化。
通过信号采样器从局部空间位置采集时域信号,生成时域上的脉冲序列;多个信号采样器阵列采集的脉冲信号按空间位置相互关系排列成脉冲阵列信号;将所述脉冲阵列信号按一组规定的间隔在时域和空域进行离散化,用最接近的数值来表示该信号的采样值,作为对所述时空脉冲阵列信号的量化。
时空脉冲阵列信号包括:时域上的脉冲序列信号,采样器的各局部空间位置按照时间进行累积,对信号累积强度值进行变换输出脉冲信号,同一空间位置上产生的所有脉冲信号根据时间顺序构成脉冲序列;空域上的脉冲阵列信号,所有空间位置的脉冲序列一起构成脉冲阵列。
均匀量化包括:时域均匀量化,在时域间隔的最大变化范围内将所述脉冲序列信号划分为多个量化级,使所述脉冲阵列信号的时域信息按等间隔量化;空域均匀量化,在空间位置距离的最大范围内将所述脉冲阵列信号划分为多个量化级,使相邻空间距离量化间隔相等。空域均匀量化,包括:用量化器依据空域量化间隔参数,将脉冲阵列信号的空间坐标位置的范围等间隔划分,使所述脉冲阵列信号的空间坐标位置按照空间邻域距离等间隔量化。非均匀量化包括:时域非均匀量化,根据时域信号强度和量化参数来确定非均匀的时域量化区间,将脉冲序列信号的时域信息按非等间隔量化;空域非均匀量化,根据空间脉冲序列的相关性、脉冲信号强度及量化参数建模确定空间位置的非均匀的量化间隔区间,将脉冲阵列信号的空间位置按非等间隔量化。当超过所述时域间隔的最大变化范围或空间位置距离的最大范围时,采用对应范围的最大值表示。
在时域均匀量化、时域非均匀量化步骤中,脉冲序列信号的时域信息在量化时,采用最邻近距离取整、向上取整、向下取整方式。在空域均匀量化中,所述脉冲阵列信号等间隔量化时,采用最邻近距离、向左上邻域取整、向右上邻域取整、向左下邻域取整、向右下邻域取整方式。
时域非均匀量化包括:脉冲序列在时域上呈现信号强度关系,统计脉冲信号在一定时域区间的强度函数,依据信号强度函数、非均匀量化间隔参数来确定脉冲序列时域的非等间隔的量化区间;多个脉冲序列的时域不等间隔的量化构成了脉冲阵列信号的非均匀量化。依据信号时域强度函数、非均匀量化参数确定非等间隔量化区间,包括:采用脉冲序列时域强度的先验信息和非均匀量化参数建模,将脉冲序列发放频率较高时域区间以小间隔量化;将脉冲序列发放频率较低的时域区间以大间隔量化。脉冲序列时域强度和非均匀参数量化建模,包括:依据脉冲信号发放机制,分析随时间发放的稀疏离散点的统计特性,采用脉冲序列的条件概率和非等间隔量化参数,建立脉冲信号时域强度自适应的非均匀量化。
空域非均匀量化包括:分析脉冲序列在空间位置相关性,统计空间位置随时间的信号强度,依据空间位置的脉冲序列相关性,脉冲信号强度和空间位置非均匀量化间隔参数来确定空间位置的非均匀量化。度量脉冲序列在空间位置的相关性,包括:采用线性核函数、非线性核函数,将脉冲序列变换为多维空间的连续函数,利用函数之间的范数距离表征脉冲序列的相关性度量;采用学习度量的方法,利用监督学习或非监督学习来寻找不同脉冲序列之间的相关关系。依据脉冲序列相关性、脉冲信号强度和量化参数确定非均匀量化,包括:采用脉冲序列相关性、脉冲信号强度的先验信息和非均匀量化参数来建模,将脉冲信号发放频率强、序列相关性小的空间位置以小间隔量化;将脉冲信号发放频率弱、序列相关性大的空间位置以大间隔量化。脉冲序列相关性、脉冲信号强度的先验信息和非均匀量化参数来建模,包括:统计空间位置的相邻脉冲序列数据的特性,度量脉冲序列之间的相关特性,统计空间位置脉冲发放的强度,利用相关性、脉冲信号强度和非均匀量化参数,建立脉冲阵列空域自适应的非均匀量化。
时空脉冲阵列信号的量化采用如下方式:脉冲阵列信号先时域量化再空域量化;或脉冲阵列信号先空域量化再时域量化;或脉冲阵列信号联合空域信号、时域信号相关性进行自适应量化。时域量化包括时域均匀量化步骤、时域非均匀量化步骤,所述空域量化包括空域均匀量化步骤、空域非均匀量化步骤。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各实施例并不构成对本发明实施例的限定。
实施例一
人类在视觉传感器上取得了重大的进步,在实际复杂的任务上而远不及生物视觉系统。传统帧率视觉传感器可采集到高清晰的图像,但数据采集存在较大冗余、感光动态范围小、固定帧率的时域分辨率低、在高速运动模糊等缺点。生物视觉系统具有高清晰、低冗余、低功耗、鲁棒性强等优势,同时能高效地进行光学信号处理、感知复杂场景和物体三维信息,理解和识别场景。动态视觉传感器(Dynamic Vision Sensor,DVS)是模仿神经元脉冲发放和视网膜外周细胞对亮度变化敏感机理的视觉传感器,发放的神经脉冲信号是以时空稀疏脉冲阵列信号描述,相对传统固定帧率相机具有高时间分辨率、低数据冗余、高动态范围、低功耗等优势,在无人驾驶视觉传感器、无人机视觉传感器和机器人视觉导航定位等领域有着巨大市场应用潜力。动态视觉传感器的空时脉冲阵列信号大量使用“直接接入”的数据处理应用模式,难以满足时空多尺度量化的脉冲阵列的需求,无法保证有效的进行信号保真、编码、传输、存储和视觉分析等应用任务。
为了从根本上解决时空脉冲阵列信号数据进行量化处理问题,本发明从均匀量化和非均匀量化两个层面提出了解决的方案。
该实施例提供了一种对时空脉冲阵列信号进行均匀量化的处理流程如图2所示,包括如下处理步骤:
步骤1,通过信号采样器从局部空间位置采集时域信号,生成时域脉冲序列;多个信号采样器阵列按空间位置相互关系排列成空时脉冲阵列信号。动态视觉传感器受光强变化场景刺激发放脉冲并记录地址事件,将地址事件表示的脉冲数据转换为在时域和空域的三维空间稀疏离散点阵,如图3所示。
步骤2,脉冲阵列信号的时域均匀量化,依据时域均匀量化参数,将局部空间位置的脉冲序列按等间隔量化,即在脉冲信号发放时间坐标轴的最大变化范围内,将其划分为多个量化级,使相邻量化间隔相等。
当前脉冲信号的时间戳可采用最邻近距离取整、向上取整、向下取整等方式在所在量化区间内进行均匀量化,如图4所示,采用量化参数为1的最近邻近距离取整的时域均匀量化示意图。
步骤3,脉冲阵列信号的空域均匀量化,依据空域均匀量化参数,将空间位置按等间隔量化,即脉冲信号在空间平面的水平和垂直坐标范围的最大值内,将其划分为多个量化级,使相邻空间距离量化间隔相等。
当前脉冲信号的坐标位置可采用最邻近距离、向左上邻域取整、向右上邻域取整、向左下邻域取整、向右下邻域取整等方式在所在空间平面区间内进行均匀量化,如图5所示,采用最近邻近距离和向右下取整结合的空域均匀量化的示意图。
步骤4,脉冲阵列信号可先时域均匀量化再空域均匀量化;或者,先空域均匀量化再时域均匀量化;或者,时空域并行均匀量化。
步骤5,将均匀量化后时空脉冲阵列信号进行应用任务分析,依据性能需求再优化。
实施例二
脉冲阵列信号均匀量化器较易实现,适用于线性量化的时空点过程。然而,脉冲阵列在信号保真、编码、传输、存储和分析等应用中,需要依据脉冲信号的时空数据特性来非均匀量化,以满足时域和空域尺度分析的综合应用需求。
该实施例提供了一种对时空脉冲阵列信号进行非均匀量化的处理流程,如图6所示,包括如下处理步骤:
步骤1,将地址事件表示的脉冲数据转换为在时域和空域的三维空间稀疏离散点阵。
步骤2,脉冲序列的时域非均匀量化,空间位置的脉冲序列随时间发放强度函数关系服从非齐次泊松点过程,采用脉冲序列的条件概率和非等间隔量化参数进行建模,将脉冲信号发放频率较高的时域区间以较小间隔表示;将脉冲信号发放频率较小的时域区间以较大间隔表示。
当前脉冲信号的时间戳可采用最邻近距离取整、向上取整、向下取整等方式在所在量化区间内进行非均匀量化,如图7所示,采用量化参数为0.5的最邻近距离取整的时域非均匀量化示意图。
依次将空间各位置的脉冲序列进行时域非均匀量化来实现脉冲阵列的时域非均匀量化。
步骤3,脉冲阵列的空域非均匀量化,在空间位置固定时间段内统计脉冲信号的发放强度。
统计脉冲序列在空间位置的相关性,采用线性核函数、非线性核函数,将脉冲序列变换为多维空间的连续函数,利用函数之间的范数距离表征脉冲序列的相关性度量;采用学习度量的方法,利用监督学习或非监督学习来寻找脉冲序列之间的相关映射函数关系。
依据脉冲序列的空间位置的相关性和脉冲信号强度的先验信息,结合非均匀量化参数来建模,将脉冲信号发放频率较强、序列相关性较小的空间位置以较小间隔表示;将脉冲信号发放频率较弱、序列相关性较大的空间位置以较大间隔表示。
当前脉冲信号的坐标位置可采用最邻近距离、向左上邻域取整、向右上邻域取整、向左下邻域取整、向右下邻域取整等方式在所在空间平面区间内进行取整,从而对脉冲阵列的空域进行非均匀量化,如图8所示,采用最近邻近距离和向右下取整结合的空域非均匀量化的示意图。
步骤4,将脉冲阵列信号先时域非均匀量化再空域非均匀量化;或者,先空域非均匀量化再时域非均匀量化;或者,时空域并行非均匀量化。
步骤5,将非均匀量化后时空脉冲阵列信号进行应用任务分析,依据性能需求再优化。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (15)
1.一种时空脉冲阵列信号量化的方法,其特征在于,包括:
通过信号采样器从局部空间位置采集时域信号,生成时域上的脉冲序列;
多个信号采样器阵列采集的脉冲信号按空间位置相互关系排列成脉冲阵列信号;
将所述脉冲阵列信号按一组规定的间隔在时域和空域进行离散化,用最接近的数值来表示该信号的采样值,作为对所述时空脉冲阵列信号的量化;
其中,所述时空脉冲阵列信号的量化包括:
均匀量化,将时空脉冲阵列信号按照等间隔进行量化;
非均匀量化,依据先验信息和量化参数确定不同区间量化间隔,将时空脉冲阵列信号进行非均匀量化;
所述非均匀量化包括:
时域非均匀量化,根据时域信号强度和量化参数来确定非均匀的时域量化区间,将脉冲序列信号的时域信息按非等间隔量化;
空域非均匀量化,根据空间脉冲序列的相关性、脉冲信号强度及量化参数建模确定空间位置的非均匀的量化间隔区间,将脉冲阵列信号的空间位置按非等间隔量化。
2.如权利要求1所述的方法,其特征在于,所述时空脉冲阵列信号包括:
时域上的脉冲序列信号,采样器的各局部空间位置按照时间进行累积,对信号累积强度值进行变换输出脉冲信号,同一空间位置上产生的所有脉冲信号根据时间顺序构成脉冲序列;
空域上的脉冲阵列信号,所有空间位置的脉冲序列一起构成脉冲阵列。
3.如权利要求1所述的方法,其特征在于,所述均匀量化包括:
时域均匀量化,在时域间隔的最大变化范围内将所述脉冲序列信号划分为多个量化级,使所述脉冲阵列信号的时域信息按等间隔量化;
空域均匀量化,在空间位置距离的最大范围内将所述脉冲阵列信号划分为多个量化级,使相邻空间距离量化间隔相等。
4.如权利要求3所述的方法,其特征在于,所述空域均匀量化,包括:用量化器依据空域量化间隔参数,将脉冲阵列信号的空间坐标位置的范围等间隔划分,使所述脉冲阵列信号的空间坐标位置按照空间邻域距离等间隔量化。
5.如权利要求3所述的方法,其特征在于,在所述时域均匀量化、时域非均匀量化步骤中,所述脉冲序列信号的时域信息在量化时,采用最邻近距离取整、向上取整、向下取整方式。
6.如权利要求3所述的方法,其特征在于,在所述空域均匀量化中,所述脉冲阵列信号等间隔量化时,采用最邻近距离、向左上邻域取整、向右上邻域取整、向左下邻域取整、向右下邻域取整方式。
7.如权利要求1所述的方法,其特征在于,所述时域非均匀量化包括:
统计脉冲信号在一定时域区间的强度函数,依据信号强度函数、非均匀量化间隔参数来确定脉冲序列时域的非等间隔的量化区间;
多个脉冲序列的时域不等间隔的量化构成了脉冲阵列信号的非均匀量化。
8.如权利要求7所述的方法,其特征在于,所述依据信号时域强度函数、非均匀量化参数确定非等间隔量化区间,包括:
采用脉冲序列时域强度的先验信息和非均匀量化参数建模,将脉冲序列发放频率较高时域区间以小间隔量化;
将脉冲序列发放频率较低的时域区间以大间隔量化。
9.如权利要求8所述的方法,其特征在于,所述的脉冲序列时域强度和非均匀参数量化建模,包括:
依据脉冲信号发放机制,分析随时间发放的稀疏离散点的统计特性,采用脉冲序列的条件概率和非等间隔量化参数,建立脉冲信号时域强度自适应的非均匀量化。
10.如权利要求1所述的方法,其特征在于,所述空域非均匀量化包括:
分析脉冲序列在空间位置相关性,统计空间位置随时间的信号强度,依据空间位置的脉冲序列相关性,脉冲信号强度和空间位置非均匀量化间隔参数来确定空间位置的非均匀量化。
11.如权利要求10所述的方法,其特征在于,所述分析脉冲序列在空间位置相关性,包括:
采用线性核函数、非线性核函数,将脉冲序列变换为多维空间的连续函数,利用函数之间的范数距离表征脉冲序列的相关性度量;采用学习度量的方法,利用监督学习或非监督学习来寻找不同脉冲序列之间的相关关系。
12.如权利要求10所述的方法,其特征在于,所述的依据脉冲序列相关性、脉冲信号强度和量化参数确定非均匀量化,包括:
采用脉冲序列相关性、脉冲信号强度的先验信息和非均匀量化参数来建模,将脉冲信号发放频率强、序列相关性小的空间位置以小间隔量化;
将脉冲信号发放频率弱、序列相关性大的空间位置以大间隔量化。
13.如权利要求12所述的方法,其特征在于,所述脉冲序列相关性、脉冲信号强度的先验信息和非均匀量化参数来建模,包括:
统计空间位置的相邻脉冲序列数据的特性,度量脉冲序列之间的相关特性,统计空间位置脉冲发放的强度,利用相关性、脉冲信号强度和非均匀量化参数,建立脉冲阵列空域自适应的非均匀量化。
14.如权利要求1所述的方法,其特征在于,所述时空脉冲阵列信号的量化采用如下方式:
脉冲阵列信号先时域量化再空域量化;或
脉冲阵列信号先空域量化再时域量化;或
脉冲阵列信号时空域并行量化;
所述时域量化包括时域均匀量化步骤、时域非均匀量化步骤,所述空域量化包括空域均匀量化步骤、空域非均匀量化步骤。
15.如权利要求3所述的方法,其特征在于,
当超过所述时域间隔的最大变化范围或空间位置距离的最大范围时,采用对应范围的最大值表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810761800.3A CN109039980B (zh) | 2018-07-12 | 2018-07-12 | 一种时空脉冲阵列信号进行量化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810761800.3A CN109039980B (zh) | 2018-07-12 | 2018-07-12 | 一种时空脉冲阵列信号进行量化的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109039980A CN109039980A (zh) | 2018-12-18 |
CN109039980B true CN109039980B (zh) | 2020-09-25 |
Family
ID=64641341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810761800.3A Active CN109039980B (zh) | 2018-07-12 | 2018-07-12 | 一种时空脉冲阵列信号进行量化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109039980B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109803096B (zh) * | 2019-01-11 | 2020-08-25 | 北京大学 | 一种基于脉冲信号的显示方法和系统 |
US11228758B2 (en) | 2016-01-22 | 2022-01-18 | Peking University | Imaging method and device |
CN109884588B (zh) * | 2019-01-16 | 2020-11-17 | 北京大学 | 一种脉冲序列的距离度量方法及系统 |
CN110426560B (zh) * | 2019-06-28 | 2020-08-25 | 北京大学 | 一种脉冲阵列信号时空上采样器生成方法 |
CN112687222B (zh) | 2020-12-28 | 2021-12-17 | 北京大学 | 基于脉冲信号的显示方法、装置、电子设备及介质 |
CN112769728B (zh) * | 2020-12-31 | 2022-06-21 | 杭州电子科技大学 | 基于滤波器组的多载波调制光通信系统的kde非均匀量化方法 |
CN115687911B (zh) * | 2022-06-13 | 2023-06-02 | 北京融合未来技术有限公司 | 基于脉冲信号的信号灯检测方法、装置和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105681787A (zh) * | 2016-01-22 | 2016-06-15 | 北京大学 | 对时空信号进行编码的方法和装置 |
EP3195193A1 (en) * | 2014-09-16 | 2017-07-26 | Qualcomm Incorporated | Event-based down sampling |
CN107018357A (zh) * | 2016-01-27 | 2017-08-04 | 三星电子株式会社 | 关于图像形成的动态视觉传感器的事件采样的方法和设备 |
CN107092005A (zh) * | 2017-06-16 | 2017-08-25 | 中国电子科技集团公司第二十九研究所 | 一种时空联合的阵列处理方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102054774B1 (ko) * | 2013-09-10 | 2019-12-11 | 삼성전자주식회사 | 동적 비전 센서, 조도 센서, 및 근접 센서 기능을 구비한 이미지 장치 |
US10055434B2 (en) * | 2013-10-16 | 2018-08-21 | University Of Tennessee Research Foundation | Method and apparatus for providing random selection and long-term potentiation and depression in an artificial network |
US20160042271A1 (en) * | 2014-08-08 | 2016-02-11 | Qualcomm Incorporated | Artificial neurons and spiking neurons with asynchronous pulse modulation |
-
2018
- 2018-07-12 CN CN201810761800.3A patent/CN109039980B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3195193A1 (en) * | 2014-09-16 | 2017-07-26 | Qualcomm Incorporated | Event-based down sampling |
CN105681787A (zh) * | 2016-01-22 | 2016-06-15 | 北京大学 | 对时空信号进行编码的方法和装置 |
CN107018357A (zh) * | 2016-01-27 | 2017-08-04 | 三星电子株式会社 | 关于图像形成的动态视觉传感器的事件采样的方法和设备 |
CN107092005A (zh) * | 2017-06-16 | 2017-08-25 | 中国电子科技集团公司第二十九研究所 | 一种时空联合的阵列处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
视频压缩感知量化算法研究;刘璇;《中国优秀硕士学位论文全文数据库》;20170228;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109039980A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109039980B (zh) | 一种时空脉冲阵列信号进行量化的方法 | |
Viale et al. | Carsnn: An efficient spiking neural network for event-based autonomous cars on the loihi neuromorphic research processor | |
Essick et al. | iDQ: Statistical inference of non-gaussian noise with auxiliary degrees of freedom in gravitational-wave detectors | |
CN108599863B (zh) | 基于浅层cnn分类模型的架空输电线风舞监测预警系统及方法 | |
JP7241234B2 (ja) | 深層教師なしバイナリコード化ネットワークを実装するコンピュータシステムの状態の監視 | |
CN113128105A (zh) | 突发性流域水污染事故监测方法及装置 | |
CN114943365A (zh) | 融合多源数据的降水估测模型建立方法及降水估测方法 | |
CN110426560B (zh) | 一种脉冲阵列信号时空上采样器生成方法 | |
Shrestha et al. | Deep generative model learning for blind spectrum cartography with NMF-based radio map disaggregation | |
CN114758140A (zh) | 目标检测方法、装置、设备及介质 | |
Nie et al. | An effective recognition of moving target seismic anomaly for security region based on deep bidirectional LSTM combined CNN | |
CN113177264A (zh) | 基于生成对抗网络的海域目标物多维数据仿真方法及系统 | |
Rincon-Yanez et al. | Towards a semantic model for IoT-based seismic event detection and classification | |
CN115687911B (zh) | 基于脉冲信号的信号灯检测方法、装置和系统 | |
CN117312935A (zh) | 动作类别识别方法、装置、计算机设备和存储介质 | |
CN116432115A (zh) | 一种基于多源多模态数据和多维卷积模型的实时行为识别系统、方法、设备及存储介质 | |
Zhang et al. | LiDAR Missing Measurement Detection for Autonomous Driving in Rain | |
Yuan et al. | Better Together: Ensemble Learning for Earthquake Detection and Phase Picking | |
US11880756B2 (en) | Systems and methods for identifying anomalous nuclear radioactive sources | |
CN113240057B (zh) | 一种基于电力数据采集的高精度误差检测方法及系统 | |
Long et al. | Research on Navigation and Positioning of Electric Inspection Robot Based on Improved CNN Algorithm | |
Stracuzzi | Uncertainty Quantification for Machine Learning and Statistical Models. | |
Cao et al. | Temporal Embeddings: Scalable Self-Supervised Temporal Representation Learning from Spatiotemporal Data for Multimodal Computer Vision | |
WO2006041689A2 (en) | Information fusion | |
Yang et al. | An integrated strategy of AEF attribute evaluation for reliable thunderstorm detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220130 Address after: 100084 b501b-2, 5th floor, building 8, yard 1, Zhongguancun East Road, Haidian District, Beijing Patentee after: Pulse vision (Beijing) Technology Co.,Ltd. Address before: 100871 No. 5, the Summer Palace Road, Beijing, Haidian District Patentee before: Peking University |
|
TR01 | Transfer of patent right |