像素域基于广义高斯分布的WZ帧重构方案设计

为提高分布式视频编码系统解码WZ帧的图像质量,提出了像素域基于广义高斯分布的WZ帧重构方案. 该方案充分考虑了边信息与原始WZ帧间的相关性,以广义高斯分布作为虚拟相关信道模型,提高率失真性能;用广义高斯分布做相关噪声模型,对给定量化区间,计算边信息已知情况下WZ的条件期望作为WZ重构值;为了不过多地增加重构方案的复杂度,将广义高斯分布的形状参数固定为0.5,推导出重构WZ帧的闭式表示. 实验结果表明,基于广义高斯分布的WZ帧重构方案能有效提高率失真性能和改善重构WZ帧的图像质量.     

广义高斯分布在数据可视化中的应用

广义高斯分布是一类以高斯分布为特例的对称分布,在科学和工程上都有广泛的应用.利用广义高斯分布对Gabor相位进行建模,所得参数通过PCA降维到2维或3维空间,数据集的信息结构得到直观的展示,实现了数据的可视化.在COIL—100中目标可视化的实验进一步证实了广义高斯分布这一概率模型对没有直接欧几里德表示的数据集建模的可行性.     

Laplace积分变换反演的自适应方法

为了进一步提高Laplace积分变换数值反演结果的准确性和在实际计算中误差的易控性,一种更加准确的自适应数值积分方法被应用于Laplace的积分反演.首先,通过复变函数中的Euler恒等式把复数域中沿虚轴的Laplace复变量反演积分化简为实空间无限域中的广义积分.然后,引入一个合适的截断误差,将得到的广义积分化为一个有限区间的正常实积分.最后,指定一个相应的计算误差,再采用自适应梯形积分公式计算Laplace反演积分.反演实例表明:这种自适应方法除了个别特殊点外,如原函数的无穷大点、跳跃点等,在其他连续点处的计算结果都非常准确.这种方法的计算原理更加简单,且反演结果的总体误差容易控制.     

一种广义高斯分布的参数快速估计法

广义高斯分布(GGD)在信号处理和图像处理等领域都有广泛的应用。本文从广义高斯概率密度函数及其统计性质出发,首先推导出广义高斯分布参数比函数,然后通过曲线拟合的方式,给出了一种GGD的形状参数和尺度参数的估计方法,最后利用模拟实验对之加以验证。     

载频不同分布方式下RSF波形稀疏重构性能分析

鉴于当前基于压缩感知理论的稀疏重构方法大多针对的是载频服从离散均匀分布的随机步进频率信号,而对于载频服从其他分布的随机步进频率波形稀疏重构性能研究较少的实际,对载频不同分布方式下的随机步进频率波形稀疏重构性能进行了分析比较.首先,构建了随机步进频率波形统一的稀疏重构模型;然后,基于感知矩阵互相关系数的统计特性对不同载频分布下的重构性能进行了分析,得出载频分布方式决定了波形重构性能的结论.最后,为验证上述结论,提出了一种基于遗传算法的随机步进频率波形载频优化设计方法,提升了随机步进频率波形的稀疏重构性能.仿真结果对上述分析以及波形优化方法进行了验证.     

基于分布式压缩感知的微震数据压缩与重构

针对分布式微震监测环境下微震数据量大的问题,引入分布式压缩感知理论对微震数据进行压缩以减小数据传输量.首先分析微震信号的稀疏性,其次模拟分布式场景,分析了分布式微震传感器节点的空间相关性及其编码与压缩处理过程.基于广义正交匹配追踪算法及稀疏度自适应匹配追踪算法,提出了一种改进的分布式稀疏度自适应正交匹配追踪重构算法,并分析了改进算法的性能.基于MATLAB仿真平台,用改进的算法重构稀疏测量后的分布式微震信号,仿真结果表明:改进后的算法在数据量减少了将近7/10时,依然可以快速精确的重构出原始微震信号.     

小波域中的广义非局部平均去噪算法

图像小波系数的统计分布具有非高斯特性,可以用广义高斯模型进行描述．使用广义高斯分布对图像子带小波系数进行建模并估计广义高斯分布模型的参数,根据参数确定了非局部平均权值的广义表达式,在此基础上提出了一种基于广义高斯分布的小波域广义非局部平均去噪算法．仿真结果表明,相比小波域阈值去噪和小波域非局部平均去噪算法,该方法的峰值信噪比平均提高1.5～3.3dB,在边缘特征方面保持了良好的视觉效果．     

信号稀疏表示下的空域-极化域参数估计

为提高二维波达方向(DOA)和极化参数的估计精度,利用入射电磁波信号在空域分布的稀疏性,提出了一种基于信号稀疏表示的空域-极化域参数估计新方法。首先,利用基于中心共点的偶极子和磁环对阵列接收到的电场分量和磁场分量,构建了不包含极化参数的新的协方差矩阵。然后,将该协方差矩阵矢量化,得到其矢量形式的稀疏表示模型,并通过稀疏重构算法获得了波达方向估计结果。最后,结合电场数据分量与磁场数据分量的互协方差矩阵,构建包含极化参数的矢量化观测数据模型,并采用全局最小二乘法计算得到入射信号的极化参数估计结果。计算机仿真结果表明,本文算法可以有效地估计入射信号的波达方向和极化参数,具有较高的估计精度和较强的角度分辨能力。     

广义高斯核模型在心电信号稀疏分解中的应用

稀疏分解得到的心电信号表示结果对心电信号的压缩、特征提取等非常有利。根据心电信号的波形特点,提出了新的基于广义高斯函数的核模型。新的核模型通过正交最小二乘算法进行逐步回归建模,每一个核函数的中心,尺度及形状参数由重复加权提升搜索算法优化得到。为了避免过拟合,运用交叉验证的方法进行迭代终止时的阈值选择。实验数据来自MIT-BIH心电数据库,结果表明,对于心电信号,新的核模型具有稀疏性好,泛化能力高等优点。     

基于复值稀疏贝叶斯的Hilbert变换计算方法

Hilbert变换是信号分析及信号处理中的重要工具, 由于Cauchy核在原点的奇性增加了Hilbert变换计算的难度。最近, 研究者们首次提出了利用复解析的方法来计算Hilbert变换的自适应傅里叶分解(Adaptive Fourier Decomposition, AFD)方法。AFD方法通过参数化的Szegö核的线性组合来自适应逼近解析信号从而求得原始实值信号的Hilbert变换。与传统计算Hilbert变换的方法相比, AFD方法可以给出逼近的解析表达式且适用范围更广。然而AFD方法在根据最大选择原理选择参数时需要穷尽单位开圆盘的所有点, 这是非常耗时的。稀疏贝叶斯学习是近年来机器学习研究的热点, 基于Szegö核的复值稀疏贝叶斯学习算法能提供稀疏的有理逼近。本文将提出基于Szegö核的复值稀疏贝叶斯学习算法来近似计算Hilbert变换, 该方法具有AFD方法的优点且可以不需要参数控制进行迭代优化, 运算速度快。实验结果表明, 所提方法是有效的。     

广义高斯分布随机变量的仿真

具有指定分布的随了列的计算机仿真算法主要有3种,文中概述了3种仿真算法的基础上,使用最近提出的第三种方法,即SDE法,讨论了产生具有指定概率分布的生成,理论和伪真结果表明该算法产生广义高斯随机序列十分简单和有效。     

一种抗加性高斯白噪声的盲图像源分离方法

针对基于聚类稀疏成分分析的盲图像源分离方法噪声敏感的问题,提出了一种抗加性高斯白噪声的盲图像源分离算法.通过分析混合图像与噪声图像间的相关性,估计混合图像中的噪声并去除,对去噪后的混合图像进行稀疏成分分析,即分离出源图像.实验结果表明,该算法能直接、有效地去除同分布的加性噪声,使叠加噪声的混合图像得到精确的分离.     

矢量量化的几何方法

矢量量化是一种非常重要的数据压缩技术.其应用最多的聚类算法复杂度随着码率和维数的乘积指数增长.为了减小复杂度,本文给出几种适用于特定信源的几何矢量量化方法如适用于高斯信源的椭球矢量量化(EVQ),适用于拉普拉斯信源的棱锥矢量量化(PVQ).最后,针对几何分布不规则的一般信源,给出一般的几何矢量量化方法--标量矢量量化(SVQ).     

基于奇异值分解的测量矩阵优化

针对压缩感知理论中通用的测量矩阵(如随机高斯、伯努利等)不具有最优性能保证的问题,本文通过引入奇异值分解,提出基于奇异值分解的测量矩阵优化方法,对压缩感知中一般线性测量模型中的测量矩阵与测量向量进行优化,再利用优化后的测量矩阵与测量向量重建原稀疏信号。经典的随机高斯测量矩阵和伯努利测量矩阵的数值实验结果表明本文提出的方法可以显著地提高重建成功恢复概率以及对高斯噪声的鲁棒性。该方法适用于一般线性测量系统,成功地实现了测量矩阵和重建矩阵的分离,可在不改变前端测量模型的前提下使重建矩阵接近最优配置。     

基于双树复小波和广义高斯密度的纹理图像检索

提出了一种基于双树复小波变换结合广义高斯密度和Kullback-Leibler距离的纹理图像检索新方法。该方法运用双树复小波变换对检索图像和目标图像进行分解,在每层生成6个方向子带的小波系数,并对小波系数的边缘分布函数进行高斯建模,生成纹理特征,再通过计算相应子带间纹理特征的Kullback-Leibler距离度量图像的相似性。实验表明,该方法比基于能量特征和欧氏距离的检索方法以及在3层分解层数下比基于小波变换、Contourlet变换等结合广义高斯模型的检索方法有更高的检索率。     

Hypothesis testing analysis and unknown parameter estimation of GPS signal detection

Hypothesis testing analysis and unknown parameter estimation of both the intermediate frequency (IF) and baseband GPS signal detection are given by using the generalized likelihood ratio test (GLRT) approach, applying the model of GPS signal in white Gaussian noise. It is proved that the test statistic follows central or noncentral F distribution. It is also pointed out that the test statistic is nearly identical to central or noncentral chi-squared distribution because the processing samples are large enough to be considered as infinite in GPS acquisition problem. It is also proved that the probability of false alarm, the probability of detection and the threshold are affected largely when the hypothesis testing refers to the full pseudorandom noise (PRN) code phase and Doppler frequency search space cells instead of each individual cell. The performance of the test statistic is also given with combining the noncoherent integration.     

Signal reconstruction algorithm based on the probabilistic structured sparse model

In order to describe structured sparsity of the signal accurately, a probabilistic structured sparse model is constructed for signal reconstruction in compressive sensing(CS). Based on the structured sparse model, Boltzmann distribution is introduced to describe structured sparsity of the signal support rather than to describe the signal directly. Based on Bayesian CS, the maximum a posterior estimate of signal support is computed with the prior distribution and the Gaussian likelihood model of measurement, and then the signal is reconstructed using signal support. Experimental results show that, for the signal with the support known, the proposed algorithm is obviously superior to BP and OMP and that for the signal with the support unknown, its performance outperforms that of BP and OMP in the condition of a high measurement noise level and low reconstruction error tolerance.