MISO-FIR系统的梯度追踪辨识算法

针对含有未知时滞的多输入单输出有限脉冲响应系统,根据系统参数化后具有的稀疏特性,基于压缩感知原理,将匹配追踪方法和梯度搜索原理相结合,在有限采样数据下,提出了可以同时估计系统参数和时滞的梯度追踪算法．该算法同正交匹配追踪算法相比,梯度追踪算法具有较小的计算量．最后通过仿真验证了算法的有效性．     

基于Householder变换的贪婪正交最小二乘辨识算法

针对含有未知时滞的多输入受控自回归系统模型的时滞与参数辨识问题,基于Householder变换探讨一种贪婪正交最小二乘辨识算法.首先,由于各输入通道的时滞未知,通过设置输入数据回归长度对系统模型进行过参数化,得到一个含有稀疏参数向量的高维辨识模型;其次,为了避免最小二乘算法中对高维协方差矩阵的求逆运算,利用Householder变换对信息矩阵进行正交分解,推导基于Householder变换的正交最小二乘算法;然后,为了提高辨识效率,降低辨识成本,推导基于Householder变换的贪婪准则,进而得到基于Householder变换的贪婪正交最小二乘辨识算法,该算法能够在少量采样数据的条件下获得稀疏参数向量的估计值;最后,根据估计的稀疏参数向量的结构得到系统时滞估计.仿真结果表明了所提出算法的有效性.     

基于辅助变量的压缩采样匹配追踪闭环系统辨识方法

针对被控对象和反馈通道均具有未知时滞的闭环系统,提出一种基于辅助变量的压缩采样匹配追踪辨识方法.该方法利用辅助变量方法对压缩采样匹配追踪算法进行改进,获得过参数化辨识模型稀疏参数向量的估计,根据稀疏向量的结构得到前向通道的参数估计和时滞估计,进而根据模型等价原理获得反馈通道的参数估计.仿真结果表明,所提出方法仅需少量的迭代即可获得这类闭环系统参数与时滞的有效估计.     

MISO 系统基于正交匹配追踪算法的参数与时滞联合估计

在有限采样情况下, 研究具有时滞的多输入单输出受控自回归系统的参数辨识和时滞估计问题. 当采样次数少于未知变量数时, 描述系统的方程组是欠定的, 对其目标函数求解是NP-hard 问题, 传统方法无法有效辨识出系统参数. 受压缩感知理论的启发, 基于参数向量所具有的稀疏特性, 提出一种新的阈值正交匹配追踪算法辨识系统的参数和时滞. 仿真实验表明, 所提出的算法能在少量采样时有效地辨识系统参数、估计未知时滞, 同时验证了算法的有效性.

     

正交匹配追踪算法的优化及FPGA实现

正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法是压缩感知系统中应用最广泛的重构算法之一.OMP算法中的最小二乘(Least Squares,LS)问题涉及到矩阵求逆运算,是计算复杂度最高的部分.本文提出了一种近似OMP算法,通过优化最小二乘问题提高重构速度,更利于硬件实现.设计了一种...     

分段迭代匹配追踪图像重构算法

目的 压缩采样匹配追踪（CoSaMP）算法虽然引入回溯的思想,但其原子选择需要大量的观测值且在稀疏度估计不准确时,会降低信号重构精度,增加重构时间,降低重构效率。为提高CoSaMP算法的重构精度,改善算法的重构性能,提出了一种基于广义逆的分段迭代匹配追踪（StIMP）算法。方法 为保证迭代时挑选原子的精确性和快速性,对观测矩阵广义逆化,降低原子库中原子的相干性;原子更新结合正交匹配追踪（OMP）算法筛选原子的准确性与CoSaMP算法的回溯性,将迭代过程分为两个阶段：第1阶段利用OMP算法迭代K/2次;第2阶段以第1阶段OMP算法迭代所得的残差和原子为输入,并采用CoSaMP算法继续迭代,同时改变原子选择标准,从而精确快速地重构出稀疏信号。结果 对于1维的高斯随机信号,无论在不同的稀疏度还是观测值下,相比于OMP、CoSaMP、正则化正交匹配追踪（ROMP）算法和傅里叶类圆环压缩采样匹配追踪（FR-CoSaMP）算法,StIMP算法更加稳健,且具有更高重构成功率;对于2维图像信号,在各个采样率下,StIMP算法的峰值信噪比（PSNR）均高于其他重构算法,在采样率为0.7时,StIMP算法的平均PSNR值比OMP、CoSaMP、ROMP和FR-CoSaMP算法分别高2.14 dB、1.20 dB、3.67 dB和0.90 dB,平均重构时间也较OMP、CoSaMP和FR-CoSaMP算法短。结论 提出了一种改进的重构算法,对1维高斯随机信号和2维图像信号均有更好的重构效率和重构效果,与原算法和现有的主流图像重构方法相比,StIMP算法更具高效性和实用性。     

实际应用中系统参数辨识的模型选择

系统的参数辨识在自动化实际系统的分析、设计与综合中占据重要的地位。本文对人们在实际中常和的各种不同的模型从功能上指出了各自的不同点,并与控制界常用的MATLAB环境下系统辨识工具箱中所采用的模型相比较,指出各自的特点,为实际应用提供方便。     

基于正交最小二乘估计的非线性系统模糊辨识

提出了一种基于正交最小二乘的模糊模型结构和参数辨识方法．首先,基于正交最小二乘方法分析模糊模型的模糊关系矩阵．通过分析正交向量在模型中贡献的大小,确定模糊模型的结构,即确定模糊模型的规则数、规则．另外,再次通过正交最小二乘方法确定模糊模型的结论参数,实现模糊模型结构和参数的优化．为了证明该方法的有效性,采用该文方法对Box-Jenkins煤气炉数据系统进行建模研究,仿真结果表明该文方法能够对非线性系统进行辨识．     

改进的基于树型搜索的正交匹配追踪算法

正交匹配追踪算法(OMP)是一种利用一个超完备的字典进行信号分解的非线性自适应算法.文献[2]提出了基于树型搜索的正交匹配追踪算法(TB-OMP),尽管TB-OMP算法能够改进向量的逼近性能,但使计算的复杂度成指数倍的增加,严重限制了该算法在许多领域里的应用.在本文中将介绍一种灵活的基于树型搜索的正交匹配追踪算法(FTB-OMP)[5],算法通过设置参数,能够在算法逼近性能和计算复杂度之间找到一个灵活的折衷方案.     

基于规范形随机VDE新息表示和新息修正算法的多变量动态系统辨识方法

本文指出,为避免秩检验步骤,多变量系统辨识必须考虑规范形表示,否则存在可辨识性问题,并提出了基于规范形随机VDE新息表示和新息修正算法的多变量系统辨识方法.一个三输入、三输出系统的仿真例子表明了提出方法的有效性.     

Iterative identification of block-oriented nonlinear systems based on biconvex optimization

We investigate the identification of a class of block-oriented nonlinear systems which is represented by a common model in this paper. Then identifying the common model is formulated as a biconvex optimization problem. Based on this, a normalized alterative convex search (NACS) algorithm is proposed under a given arbitrary nonzero initial condition. It is shown that we only need to find the unique partial optimum point of a biconvex cost function in order to obtain its global minimum point. Thus, the convergence property of the proposed algorithm is established under arbitrary nonzero initial conditions. By applying the results to Hammerstein–Wiener systems with an invertible nonlinear function, the long-standing problem on the convergence of iteratively identifying such systems under arbitrary nonzero initial conditions is also now solved.     

基于贝叶斯匹配追踪的SAR图像重构

结合稀疏贝叶斯学习和压缩感知(CS)理论,提出了一种基于贝叶斯匹配追踪的SAR图像重构的新方法。该方法将SAR图像的重构过程看做是一个线性回归问题,而待重建的图像是该回归模型中的未知权值参数。利用高斯混合参数对未知权值参数赋予确定的先验条件概率分布,用于限制权值参数的稀疏性。该方法能够得到重建图像所需要的一组具有较高后验概率密度的模型,从而实现图像在最小均方误差(MMSE)意义下的重构;对于高斯混合模型中参数未知的情况,可以采用基于EM的最大似然估计方法估计。实验结果表明,基于贝叶斯匹配追踪的SAR图像重构方法能够获得精确的重建图像,并且能够有效地保持图像的细节特征。     

Automated identification of thoracolumbar vertebrae using orthogonal matching pursuit

A computer-assisted system that can automatically provide rapid localization and accurate labeling of vertebral disks and bodies is a highly desirable tool due to the large demand for the diagnostic imaging and surgical planning of the vertebral column structures. However, a reliable detection and definitive labeling of vertebrae can be difficult due to factors such as the limited imaging coverage and various vertebral anomalies particularly in the thoracolumbar and lumbosacral junctions. In this paper, we investigate the problem of identifying the last thoracic and first lumbar vertebrae in CT images. The main purpose of this study is to improve the accuracy of labeling vertebrae of an automatic spine labeling system especially when the field of view is limited in the lower spine region. We present a dictionary-based classification method using a cascade of simultaneous orthogonal matching pursuit classifiers on 2D vertebral regions extracted from the maximum intensity projection images. The performance of the proposed method in terms of accuracy and speed has been validated by experimental results on hundreds of CT images collected from various clinical sites.     

Iterative identification of Hammerstein systems

Convergences of iterative algorithms have been established for identification of Hammerstein systems in the case that the unknown nonlinearities are odd. Then, the results are further extended to nonsmooth nonlinearities.     

原子簇快速匹配追踪算法

针对稀疏表示中匹配追踪算法计算复杂度过大的问题,提出了基于冗余字典原子相关性的匹配追踪算法.该算法利用相邻迭代过程中匹配原子的相关性对冗余字典进行簇化,得到M个多原子集合(原子簇);每次迭代过程中利用LVQ神经网络的快速学习能力从原子簇中选取目标簇;最后在目标簇中选取匹配信号结构的若干原子进行信号的稀疏逼近.实验采用一维稀疏信号进行仿真,结果表明与匹配追踪算法相比,其逼近性能相近,同时稀疏分解速度大大提高.     

Sparsity estimation based adaptive matching pursuit algorithm

Compared with convex optimization algorithms and combination algorithms, greedy pursuit algorithms can balance operational efficiency and reconstruction precision, so they are widely used in the signal reconstruction step of compressed sensing. However, most existing greedy pursuit algorithms only work well if the signal sparsity is known, and their reconstruction performance is influenced by signal sparsity. To more accurately match the sparsity and obtain better reconstruction performance, we propose a greedy pursuit algorithm, the sparsity estimation based adaptive matching pursuit algorithm, which achieves image reconstruction using a signal sparsity estimation based on the Restricted Isometry Property (RIP) criterion and a flexible step size. Experimental results demonstrate that this algorithm provides better reconstruction performance and lower computation time, using different measurement matrices, when the sparsity is estimated in advance.     

基于MP算法的语音信号稀疏分解

语音信号稀疏分解是一种新的语音信号分解方法,可以将语音信号分解为很简洁的近似表达形式。在语音信号稀疏分解的基础上,可应用于语音处理的多个方面,如语音压缩、语音去噪和语音识别等。研究利用Matching Pursuit（MP）算法实现语音信号的稀疏分解,实验结果表明基于MP算法的语音信号稀疏分解具有较好的重建精度和较高的稀疏度。     

基于AdaBoost和匹配追踪的选择性集成算法

为了平衡集成学习中差异性和准确性的关系并提高学习系统的泛化性能, 提出一种基于AdaBoost 和匹配追踪的选择性集成算法. 其基本思想是将匹配追踪理论融合于AdaBoost 的训练过程中, 利用匹配追踪贪婪迭代的思想来最小化目标函数与基分类器线性组合之间的冗余误差, 并根据冗余误差更新AdaBoost 已训练基分类器的权重, 进而根据权重大小选择集成分类器成员. 在公共数据集上的实验结果表明, 该算法能够获得较高的分类精度.