简介：结合多小波变换与离散余弦变换技术和分形技术，利用图像的视觉特征向量，提出并实现了一种新的鲁棒的图像水印算法。首先，对图像进行多小渡变换；然后，结合水印序列，对中低频系数进行分形编解码；接着，对解码后生成低频系数进行DCT变换；最后。提取其视觉特征向量，与水印共同生成水印提取密钥，完成水印的嵌入。实验结果说明本文提出的算法在JPEC压缩、滤波、噪声、旋转，缩放，弯曲等方面比同类算法有更好的鲁棒性。

简介：本文介绍小波变换的基本理论及基于小波变换的图像分解与重构过程,探讨小波变换在图像压缩中的应用和小波基的选取。基于MATLAB完成仿真实验,实验结果表明：小波变换用于图像压缩能够实现很高的压缩比,具有很高的实用价值。

简介：数字水印技术是数字媒体版权保护的重要手段，本文分析了基于模运算水印嵌入技术，并提出了一种基于模运算的小波域图像水印算法。原始图像经过三级小波分解后，在LH2和HL2子带通过模运算的方法嵌入二值水印序列，检测时计算提取出的水印和原始水印的相关值，判断图像是否含有水印。测试结果表明该算法具有较好的健壮性。

简介：把水印信息嵌入低频系数中,在选出的系数矩阵中嵌入水印信息,设水印信息为32×32的二值图像

简介：小波变换及JPEG2000概述,对图像进行4级小波分解后,7]是小波变换的核心算法

简介：利用小波技术对实际流量进行分析,在小尺度上表现出多重分形,大量研究结果表明实际网络流量具有明显的尺度特性

简介：摘要小波变换是在傅里叶变换无法分析突变信号和非平稳信号的基础上产生的、具有多分辨率分析的时-频分析方法。它具有良好的时域和频域局部特性，因而在数据通信领域得到了广泛的领域。本文描述了小波变换技术在图像压缩编码中的简单应用，并在MATLAB平台上进行仿真，实现了一级、二级两种扫描的图像压缩，突出了图像处理中采用小波变换技术的可行性和优越性。

简介：图7优化小波神经网络函数逼近情况,图9BP算法训练的小波神经网络函数逼近情况,优化小波神经网络的函数逼近情况

简介：图7优化小波神经网络函数逼近情况,图9BP算法训练的小波神经网络函数逼近情况,图6BP算法训练的小波神经网络函数逼近情况

简介：捕获屏幕的关键技术是屏幕截取和图像压缩算法。一般捕获屏幕的方法有三种，分别是定时扫描、系统钩子和镜像显示驱动程序。

简介：本文利用改进的齐次平衡法,首先得到了带强迫项的变系数KdV方程的多孤立波解,然后借助此解得到了强迫KdV方程的多孤立波解.最后作为应用例子,利用图形分析方法分析了Rossby孤立波的相互作用,指出了影响Rossby孤立波相对幅度、相位、传播方向及平衡位置的主要原因.

简介：本文提出了一种新的基于三维小波变换的视频压缩方案。该方案采用的是含运动补偿的三维小波编码方法,运动补偿时域分析技术可以有效地去除视频序列帧间的时间冗余,本文对其中的核心部分运动估计方法进行了深入研究,并提出了一种改进的六边形搜索法。最后根据小波系数的特点,采用SPIHT算法对三维时/空子带进行编码,经实验结果证明,本文的方案可以获得较好的性能。

简介：Leland模型是在考虑交易费用的情况下，对Black—Scholes模型进行修改得到的非线性期权定价模型．本文针对Leland模型，提出了一种求解非线性动力学模型的自适应多尺度小波同伦摄动法．该方法首先利用插值小波理论构造了用于逼近连续函数的多尺度小波插值算子，利用该算子可以将非线性期权定价模型方程自适应离散为非线性常微分方程组；然后将用于求解非线性常微分方程组的同伦摄动技术和小波变换的动态过程相结合，构造了求解Leland模型的自适应数值求解方法．数值模拟结果验证了该方法在数值精度和计算效率方面的优越性．

简介：嵌入水印的视频,它为视频水印提出了很多不同于图像水印的方法,我们就可以通过水印图像来产生2n块不同的水印信号来覆盖所有的视景

简介：在外弹道数据处理中，奇异点处理、特征点求取与随机误差削弱都是精度估计的关键环节．本文首先利用小波变换在处理奇异点、特征点、噪声消除方面的优势，对观测数据进行基于小波变换的分解、融合、重构处理，剔除奇异点，查找特征点，削弱随机误差．其次利用节点自由分布B样条描述导弹运动轨迹，使该弹道确定方法转化为关于求解导弹轨道样条表示参数和测量系统误差的多模融合的非线性优化问题，采用非线性最优化方法，进而得到待估参数的最优估计，完成弹道的最佳逼近．仿真结果表明，该技术应用在奇异点处理、特征点提取与随机误差削弱方面效果较好，多模融合算法能减少计算量，且能切实提高参数估计精度．

简介：早上电话狂叫，搅了我的好梦，不管是谁，先骂他一顿再说，拿起电话，还没来得及开火，对方已经迫不及待了：“阿奎，快来救命啊，我公司电脑全坏了，我从上班弄到现在，还是搞不定，全公司人都在眼巴巴的盯着我！现在也只有你能帮我了，快点过来啊！”

简介：

简介：

简介：

简介：