基于块稀疏度与自适应迭代的压缩感知方法

针对分块压缩感知算法在平滑块效应时损失了大量的细节纹理信息,从而影响图像的重构效果问题,提出了一种基于块稀疏信号的压缩感知重构算法。该算法先采用块稀疏度估计对信号的稀疏性做初步估计,通过对块稀疏度进行估算初始化阶段长,运用块矩阵与残差信号最匹配原则来选取支撑块,再运用自适应迭代计算实现对块稀疏信号的重构,较好地解决了浪费存储资源和计算量大的问题。实验结果表明,相比常用压缩感知方法,所提算法能明显减少运算时间,且能有效提高图像重构效果。     

压缩感知中测量矩阵与重建算法的协同构造

本文提出基于感知字典的迭代硬阈值(SDIHT)算法,以此协同构造压缩感知中测量矩阵与重建算法.将成对测量矩阵与感知字典分别用于压缩投影和构造重建算法,重建迭代至残差为零,从而精确恢复原始稀疏信号.本文证明了SDIHT算法精确恢复原始稀疏信号的充分条件.SDIHT算法的优点是重建精度高和计算复杂度低.仿真实验表明,当信号稀疏度或测量次数相同时,相比IHT、OMP和BIHT算法,SDIHT算法重建0-1稀疏信号和二维图像效果更好、算法效率更高.     

结合SBL的双脉冲频控阵雷达离网目标定位方法

目标定位是雷达信号处理中一个具有重要理论意义与实际意义问题。为解决频控阵雷达传统的目标定位算法存在计算量大、目标真实位置偏离空间离散采样网格等问题。本文将频控阵雷达特性与离网稀疏贝叶斯模型结合提出了基于稀疏贝叶斯学习的双脉冲频控阵雷达离网目标定位算法。频控阵雷达发送两个脉冲,其频率偏移量分别为零和非零,然后基于离网稀疏贝叶斯模型估计目标的方位角与斜距。这种方法可以理解为当频控阵雷达以零频偏发射脉冲时,在角度域中检测目标,然后通过适当选择非零频率偏移量在距离域中对目标定位。仿真结果表明,即使在较粗糙的采样网格下,该算法也能保持较高的估计精度,显示了其优于传统算法的优势,证明了该方法的有效性与可靠性。      

基于分块压缩感知的图像全局重构模型

已有的基于分块压缩感知（Block Compressed Sensing,Block CS）的图像重构模型采用相同的测量矩阵以块×块的方式获取数据,解决了传统CS方法中测量矩阵所需存储量较大的问题,但由于采用分块重构,没有考虑到图像的全局稀疏度,出现了大量的块效应。本文分析了图像分块重构产生块效应的三个主要原因:块稀疏度不均匀、频谱泄漏和块尺寸受限,提出了一种基于Block CS的图像全局重构模型。该模型在编码端采用高斯随机矩阵逐块作非相关测量;在解码端,引入排序算子,重新构造测量矩阵,该测量矩阵既适合于进行全局重构,又适合于分块测量的CS观测值,并仍与图像的稀疏矩阵高度不相关,所以其可充分利用图像的全局稀疏度进行CS重构。仿真实验表明,所提出的全局重构模型有效地消除了块效应现象,并且对块尺寸的变化有较强的鲁棒性。      

联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测

针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息,导致检测精度低的问题,提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号,并与图像自身的稀疏性相结合,对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进,该算法以待测像元为中心构建一定大小的空间窗,计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值,通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵;最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵,将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度,设置阈值,得到检测结果。为验证所提算法的检测性能,采用了真实的高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法能够得到更高的检测精度。     

基于稀疏贝叶斯学习的多跳频信号DOA估计方法

针对多跳频信号空域参数估计问题,该文在稀疏贝叶斯学习(SBL)的基础上,利用跳频信号的空域稀疏性实现了波达方向(DOA)的估计。首先构造空域离散网格,将实际DOA与网格点之间的偏移量建模进离散网格中,建立多跳频信号均匀线阵接收数据模型;然后通过SBL理论得到行稀疏信号矩阵的后验概率分布,用超参数控制偏移量和信号矩阵的行稀疏程度;最后利用期望最大化(EM)算法对超参数进行迭代,得到信号矩阵的最大后验估计以完成DOA的估计。理论分析与仿真实验表明该方法具有良好的估计性能并能适应较少快拍数的情况。     

块稀疏广义正交匹配追踪算法

基于广义正交匹配追踪,提出了一种在压缩感知框架下,适用于任意块稀疏信号重构的算法。该算法以贪婪迭代为核心,在迭代过程中利用一种新的方法寻找非零块,达到了非零块估计方法优化的目的,提升了算法重构概率。理论分析表明在恰当的受限等距特性常数约束下,该算法能够保证重构原始信号。仿真实验从稀疏度、算法估计步长、测量值数目、迭代次数等方面证明了该算法的有效性与优越性。     

采用正交多项匹配的块稀疏信号重构算法

压缩感知,通过测量矩阵将原始信号从高维空间投影到低维空间,然后求解优化问题,从少量投影中重构出原始信号,是一种有效的信号采集技术。块稀疏信号是具有特殊结构的稀疏信号,其非零值是成块出现的。针对该信号的特点,提出一种采用正交多项匹配的块稀疏信号重构算法。该算法每次迭代选择多个最大相关子块,然后更新块索引集,以及迭代余量,最后求广义逆运算重构出原始信号。仿真结果表明,相比于大多数的现有算法,本文算法重构概率较高,运行时间较短,复杂度较低。      

改进的非负矩阵分解语音增强算法

本文提出了一种改进的非负矩阵分解语音增强算法,该算法可分为训练和增强两部分。首先,为了降低训练复杂度,采用卷积非负矩阵分解只提取噪声字典。增强时,考虑语音信号稀疏性比噪声信号稀疏性强,通过稀疏非负矩阵分解重构出语音幅度谱,采用交替方向乘子法进行优化迭代,克服了经典乘性迭代易陷入局部最优、分母只能收敛到零极限等问题。最后,基于算法融合的思想,将重构的语音幅度谱与谱减法、最小均方误差幅度谱估计得到的幅度谱进行加权融合。仿真实验中,在10种不同噪声环境中,通过多种评价标准证明所提算法能取得较好的增强效果。      

面向压缩感知的块稀疏度自适应迭代算法

块稀疏信号是一种典型的稀疏信号,目前在块稀疏信号的压缩感知问题中,大多数信号重构算法要求信号的块稀疏度已知且算法复杂度高.针对实际应用中信号块稀疏度未知的情况,提出了一种块稀疏度自适应迭代算法,用于信号重构.首先,该算法初始化一个块稀疏度,其值按设定步长进行增加.对每一个块稀疏度的迭代,算法都会找到信号支撑块的一个子集,并修正更新上一次找到的信号支撵块,最后找到信号的整个支撑块,从而重构出源信号.该算法不需要信号的块稀疏度作为先验知识,而且算法复杂度低.仿真实验表明,该算法的重构概率较已有大多数块稀疏信号重构算法的重构概率高,在块稀疏信号的压缩感知问题中具有实际意义.