基于加权l1范数稀疏信号表示的DOA估计

为了在小样本、低信噪比以及高信源相关性的条件下都能对波达方向(direction of arrival,DOA)进行精确估计,基于压缩感知理论,利用目标信号空间分布的稀疏性,提出了基于加权l_1范数稀疏信号表示的DOA估计算法.该算法对l_1-奇异值分解(singular value decomposition,SVD)算法进行改进,对接收矩阵进行预处理,根据子空间的正交性确定加权矩阵,以加权l_1范数作为最小化的目标函数进行优化得到稀疏信号,进而得到信号的DOA.仿真结果表明,通过加权处理的l_1范数下稀疏信号重构方法能有效抑制偏差,在低信噪比下能够准确稳定地估计出DOA,并且能够提高估计精度.     

一种新的稀疏重构的DOA估计算法

为提高低信噪比和较少快拍数条件下远场窄带信号波达方向的估计精度,提出一种新的基于加权l₁范数的稀疏重构波达方向的估计算法．该算法首先采用前后向空间平滑技术获得阵列输出数据协方差矩阵;其次构造出改进Capon算法空间谱函数中的倒谱系数矢量,设计得到符合加权l₁范数的权值矩阵;最后通过奇异值分解对接收数据进行降维处理,获得基于稀疏重构的加权l₁ 范数约束问题模型．仿真结果表明,在低信噪比或快拍数较少的情况下,该算法能够有效地抑制空间谱伪峰和保证较强的稳健性,且信源不需要进行相关处理,仍能获得很高的估计精度．     

基于在线字典学习的自适应医学图像融合算法

针对医学图像复杂多样的特点,提出一种基于在线字典学习的自适应医学图像融合算法。该算法首先利用在线字典学习理论训练源图像的过完备字典;然后利用正交匹配追踪算法对源图像进行稀疏分解得到稀疏编码,根据源图像之间稀疏编码的能量差异程度和梯度差异程度自适应调整融合准则,若能量差异程度大于梯度差异程度,则根据能量取大准则融合稀疏编码,反之,根据梯度取大准则融合稀疏编码;最后将融合后的稀疏编码与过完备字典进行重构得到融合图像。实验结果表明:与多尺度几何分析、K奇异值分解等图像融合算法比较,该算法融合的图像客观评价指标信息熵、边缘评价因子均有所提高,主观上纹理清晰、对比度高,能够很好地保留源图像的边缘信息。     

冲击噪声下任意稀疏结构的MMV重构算法

针对现有多测量向量(multiple measurement vectors,MMV)模型稀疏重构算法在冲击噪声背景下存在的鲁棒性不强、适用性不广等问题,本文提出了一种冲击噪声下任意稀疏结构的MMV模型(ASS-MMV)稀疏重构算法。该算法利用Lorentzian范数和矩阵平滑零范数正则化构造稀疏优化目标函数,建立冲击噪声背景下ASS-MMV重构模型;结合固定步长公式和具有充分下降性质的共轭梯度算法,在统一参数框架下并行重构,以提高算法收敛速度和运行效率。仿真结果表明:本文算法能够在冲击噪声背景下高质量的重构任意稀疏结构的MMV信号,对噪声具有一定的鲁棒性,并且收敛速度较快、计算开销更小。     

两种基于SVD的稀疏重构解相干改进算法

针对稀疏重构中正交匹配追踪(OMP)算法解相干问题,利用接收数据构造目标矩阵奇异值分解(SVD)后的大特征值对应的特征矢量,提出了两种改进解相干算法(NSO算法和MNSO算法).首先根据稀疏重构的框架下的阵列DOA估计模型,理论上分析了经典OMP算法、NSO算法和MNSO算法的运算量和重构精度,然后给出了算法性能的仿真结果.仿真结果表明,相对于经典OMP算法,两种改进算法的运算速度更快,稀疏重构效果更优.理论分析和仿真结果验证了两种改进算法的良好性能.     

基于频谱估计的频域稀疏压缩采样信号重构

压缩采样理论突破了采样定理对稀疏信号采样频率的限制,在保证信号重构精度的条件下能够显著降低采样频率,能够在采样过程中对数据进行压缩。在频域稀疏信号的压缩采样中,由于所处理数据长度的有限性,存在频谱泄漏现象,即稀疏表示基失配,从而导致信号重构性能降低。为克服这种表示基失配引起的重构误差,提出一种基于频谱估计的频域稀疏压缩采样信号重构算法。该算法采用root-MUSIC算法对被测信号的表示基进行自适应地构造:用root-MUSIC算法对频率进行估计,用自适应的基向量构造稀疏表示基矩阵。通过实验对该重构算法的可行性进行验证。与传统信号重构算法相比,该重构算法具有更高的信号重构精度。     

基于RBF网络的欠定盲分离源信号恢复

基于优化近似(l0)范数的算法应用于欠定盲分离源信号恢复时,存在算法复杂度较高,恢复精度受步长影响较大的问题,为此,提出了基于径向基函数(RBF)网络的欠定盲分离源信号恢复算法.该算法借助RBF网络进行交替优化,同时引入修正牛顿法对最小化近似l0范数进行求解,避免了传统的近似(l0)范数重构算法因步长选择不当造成恢复精度较低的缺点.仿真结果表明,与现有的基于平滑(l0)范数的算法相比,所提方法在保证较高恢复精度的同时复杂度明显降低.     

一种lp正则化改进的车辆轨迹学习算法

车辆轨迹学习可用于视频监控系统,以识别正常和异常车辆运动模式,用于交通运营、公共服务和执法管理.本文的目的是研究一种新的基于视频监控系统的车辆轨迹学习自适应稀疏重构方法.由于l_1和l_2最小化的解的稀疏性会受到范数中项的值的损害,在实践中不能保证得到足够稀疏的解,本文提出了一种改进的基于l_p(0p1)最小化的车辆轨迹学习方法,应用l_p范数的下限理论获得更稀疏的重构系数向量,以获得比l_1或l_2最小化更稀疏的解.通过实验分析,所提出的方法可以解决过拟合问题,获得更稀疏的解.     

近邻样本协作表示的人脸识别算法

在Gabor特征空间,根据相关系数寻找测试图像的近邻样本,并用这些近邻样本构造完备的冗余字典,从而提出一种基于Gabor特征的近邻样本协作表示的人脸识别算法.在l2范数约束下,利用可变厚度的紧致字典对测试图像进行稀疏表示,根据稀疏系数逐类计算重构图像和测试图像之间的误差,并判断测试图像所属类别.该算法在FERET、ORL和AR数据上进行了无遮挡测试,在AR库上进行了有遮挡测试.实验结果表明,无论有无遮挡,识别速度和识别率都得到了明显改善.     

一种基于L1范数的目标源测向算法

在高维信号处理中,为了有效地估计信号的角度,提出了基于L1范数的二阶锥规划算法(L1-SVD).该算法将稀疏重构用于目标源测向技术,在窄带信号的模型基础上,引进稀疏域模型,将一个高维信号的角度估计问题抽象成欠定方程组求解问题.经Matlab仿真验证,与其他最小范数法以及经典多重信号分类算法相比,该算法在较大的信噪比范围内都能取得较低的重构误差和较高的成功概率,对相关性较大的信号也能进行识别.这证明了该算法能够有效地实现目标源测向.     

基于压缩感知的语音信号编码算法

针对语音信号在离散余弦变换基上的稀疏性,提出了一种基于压缩感知的语音压缩编码算法。算法在编码端采用随机高斯矩阵直接对语音波形进行观测,并采样均匀量化技术对随机观测进行量化。解码端利用未饱和的观测值通过Lasso算法实现语音信号的重构。仿真结果表明,该算法具有良好的重构性能。     

基于加权1范数稀疏信号重建的DoA估计

针对l₁范数下奇异值分解的l₁-SVD稀疏信号重建的波达方向估计方法存在求解量的稀疏性较差且空间谱中存在较多的伪峰,不能准确估计波达方向的问题,对接收信号矩阵进行预处理,并使用信号子空间设计权值矢量得到更好的稀疏性和更好地逼近l₀范数,利用得到的权值矢量对l₁-SVD算法中解矢量的各个元素进行加权,以得到的加权l₁范数作为最小化的目标函数进行优化.仿真结果表明,提出的算法在快拍数、正则化参数和信噪比等条件改变的情况下能有效抑制伪峰,并准确稳定地估计出波达方向.     

基于压缩感知的三相电能质量扰动信号压缩及分类新方法

首先,选取傅立叶基作为压缩感知中的过完备字典、高斯随机矩阵作为观测矩阵、正交匹配追踪(OMP)算法作为重构算法,对电能质量扰动信号进行压缩采样。然后,采用灰度共生矩阵纹理特征中的能量特征值、灰度值出现概率两种方法对压缩感知重构信号进行分类检测。试验结果表明:本文方法可以同时实现对三相电能质量信号的压缩重构,也可以实现对信号的准确分类,并减少了信号压缩采样过程中的数据量。     

基于信号稀疏表示的信源数目和DOA联合估计算法

波达方向估计是阵列信号处理的一个重要问题.基于阵列信号的联合稀疏表示模型,首先根据阵列结构建立过完备原子库,然后将阵列接收数据分解到最佳原子上,实现了空域信号DOA的高分辨估计;通过将阵列接收数据进行奇异值分解和采用粗略搜索与精细估计相结合两种方法提高了运算速度.相对于传统算法,本文算法不需要已知信源数目的先验信息,同...     

基于加权星图稀疏正则化的图像压缩感知重构

为了更有效地表达图像的高阶稀疏结构,提出基于图稀疏正则化的压缩感知重构算法,通过图论方法描述图像稀疏系数间的相关性。首先,采用图结构化稀疏度量表征图像的非局部相似性,并化简稀疏系数的完全图结构为仅与均值节点连接的星图结构,以实现更高效的稀疏表达;然后,通过加权范数的形式体现稀疏系数的不同重要性,达到自适应恢复的目的。进一步,提出求解星图稀疏模型的近似消息传递算法,通过引入辅助变量,使得权值参数和稀疏系数的优化问题更易求解。实验结果表明,所提出的算法在客观质量和主观质量上优于其他基于非局部稀疏模型的重构算法,验证了星图稀疏模型的有效性。     

最小L1范数实现周期非均匀采样与重构研究

根据周期非均匀采样需要多个采样通道的特点,利用联合子空间理论将采样与重构转换为矩阵向量运算。结合最小L1范数算法,提出了一种针对稀疏信号的周期非均匀采样与重构方法,分析了最小L1范数算法在周期非均匀采样系统中的完整重构条件。最后,以多带正弦信号为例,分别从可完整重构概率和系统整体验证两个方面证明了该方法能够实现稀疏信号的采样与重构。     

基于稀疏表示的人脸图像压缩方法

基于稀疏表示的人脸图像压缩算法首先对人脸图像进行分块,其次利用K-SVD字典学习算法,训练一个图像的冗余字典,最后用OMP算法对其进行稀疏编码,得到压缩的图像.由于OMP算法复杂度较高,为了降低复杂度,提高算法效率,提出了一种基于稀疏表示理论的新的人脸压缩算法.该算法在稀疏编码阶段,用基于块坐标松弛(Block Coordinate Relation)字典学习算法对人脸图像进行稀疏编码,最后用重构算法对压缩数据进行重构.通过实验仿真,与JPEG压缩方法及OMP算法比较,所提方法在同等压缩比下,重构的图像质量有所提高.     

一种稀疏孔径逆合成孔径雷达成像算法

针对逆合成孔径雷达成像在稀疏孔径条件下存在方位向分辨率低、易受噪声干扰等问题,利用目标二维分布的稀疏性将成像问题转换为多测量向量模型下稀疏信号的重构问题,采用零范数最小均方法并行处理以提高运行效率,使用最优步长公式代替固定步长以避免步长设置不当对收敛速度和性能的影响,并利用平滑零范数法逼近零范数以提高重构精度和抗噪性能。相较于已有算法,新算法能够获得更高质量的目标图像,对噪声鲁棒性强,并且计算量更低。仿真和实测数据的处理结果,验证了该算法的有效性。     

基于Gabor特征的全局加权稀疏表示

针对Gabor特征的稀疏表示分类方法中最小范数l1稀疏求解精度的问题,提出了一种基于Gabor特征的全局稀疏表示的人脸识别算法.首先利用Gabor小波变换处理人脸图像得到Gabor特征,建立超完备字典,然后在全局特征中引入向量总变差模型,并融合Gabor特征和全局特征,最后利用稀疏表示模型对融合后的特征进行优化.通过实验可以得出,这种新型人脸识别算法无论是对于图像的光照还是姿态和表情等多种变化因素都具备较强的鲁棒性.     

基于字典重构的高光谱图像亚像元目标检测

稀疏表示的引入为高光谱遥感图像的目标检测提供了新途径,但在其检测过程中,由于过完备字典的构造是直接从高光谱图像中进行获取的,存在不确定性因素且无法实现对亚像元的准确检测。针对上述问题,本文提出了一种基于字典重构的高光谱图像亚像元目标检测算法。该算法利用无监督方法进行过完备字典的构造,确保过完备字典中包含部分目标像元的光谱信息,同时引入二元对立假设模型实现对高光谱图像中亚像元目标的检测。对模拟及真实高光谱遥感图像数据进行实验仿真,通过对实验结果三维图、ROC曲线以及AUC值的对比分析,得出本文所提出的算法,该算法不仅提高了检测精度而且更好地抑制了背景噪声。