针对实际非平稳海洋声数据存在非寻和非圆特性,在状态-空间模型下,对复信号作增广表示,建立复域状态-空间模型.从观察者的角度,推导了复高斯条件下的最佳瞬变观察者的线性表达式,即复域卡尔曼滤波器.当状态-空间模型为非线性非高斯时,最佳瞬态观察者须通过线性化或数值近似的方法近似得到.给出一种数值近似的方法——复域质点滤波,通过计算机仿真和波导实验证明了在信号非寻的情况下,复域卡尔曼滤波和复域质点滤波比常规的卡尔曼滤波和质点滤波具有更好的估计性能.

针对率失真性能和算法复杂度约束,提出基于偏移量自适应模式预选的高效帧间模式选择算法.计算所有可能模式率失真优化关闭判据下的编码代价,对代价进行自适应偏移量调整.基于调整后的代价进行模式预选,选择几种性能可能较优的候选模式,对这些模式进行率失真优化模式选择.由于该算法采用统计分析建模方法,自适应地确定偏移量参数,显著提高了模式预选准确率,较好地平衡了复杂度和算法性能.针对典型视频测试序列进行算法验证.实验表明,与完全率失真优化模式选择算法相比,该算法的复杂度大大降低,视频质量仅存在轻微退化.

针对自组织映射（SOM）神经网络算法实现复杂的问题,提出SOM算法的简化方案及并行硬件电路架构.经典SOM算法中,权值更新函数须使用浮点数乘法、开方以及指数等运算,硬件并行实现十分困难.传统的SOM简化方法的聚类准确率不高,面对手写数字识别这类复杂应用,传统方法的识别率十分有限.提出的SOM简化算法可以在保证系统聚类准确率的同时,除去权值更新函数中的复杂运算,易于硬件的全并行实现.基于提出的SOM简化算法及并行电路架构,实现的手写数字识别系统的工作频率为50 MHz,单次输入的学习时间仅需200 ns,实时处理性能可达400 MCUPS.识别系统针对MNIST样本库的识别准确率超过81%,与经典SOM算法的准确率持平,明显优于其他SOM简化方法.