基于加权一致优化的宽带分布式协作压缩频谱感知算法

宽带分布式协作压缩频谱感知不仅降低过高的采样速率,而且改善在低信噪比环境下的频谱感知性能。为进一步提高频谱感知性能,提出一种基于加权一致优化的宽带分布式协作压缩频谱感知算法。该算法根据当前迭代重构出的频谱信号设定下一次迭代重构的权值,促使频谱信号上存在授权用户的子频段产生信号值,降低重构出错的可能性。仿真结果表明,该算法不仅能够增大频谱重构的准确性,而且能够降低感知过程的时间和通信开销,改善频谱感知性能。     

基于改进SAMP算法的UWB多径信道估计

稀疏度自适应匹配追踪（SAMP）算法重构过程中存在其迭代终止条件设置不够合理的情况,需要对SAMP算法进行改进.在信道稀疏度未知时,改进SAMP算法依据残差之差的相对能量小于设定的停止门限来终止迭代过程,通过自适应调整可变步长逐步逼近信道的稀疏度,从而实现了重构UWB信道.仿真结果表明,改进SAMP算法低信噪比时重构精度高于SAMP算法,具有更好的重构性能和广泛的实用性.     

1-Bit压缩感知盲重构算法

1-Bit压缩感知(CS)是压缩感知理论的一个重要分支。该领域中二进制迭代硬阈值(BIHT)算法重构精度高且一致性好,是一种有效的重构算法。该文针对BIHT算法重构过程需要信号稀疏度为先验信息的问题,提出一种稀疏度自适应二进制迭代硬阈值算法,简称为SABIHT算法。该算法修正了BIHT算法,首先通过自适应过程自动调节硬阈值参数,然后利用测试条件估计信号的稀疏度,最终实现不需要确切信号稀疏度的1-Bit压缩感知盲重构。理论分析和仿真结果表明,该算法较好地实现了未知信号稀疏度的精确重建,并且与BIHT算法相比重构精度及算法复杂度均相当。     

迭代预测正交匹配追踪算法

正交匹配追踪系列算法中,每次迭代在原子库中选择和残差匹配的多个原子是主流的改进方向,但对多原子的选择标准却鲜有深入研究,一般是选择原子库中与残差相关系数中最大的K个原子,或者选择所有大于某一阈值的原子。本文以正交匹配追踪算法为原型,运用统计学方法,研究了相邻两次迭代中与残差相关系数最大的原子之间的关系,得出了其相关系数具有区间性的结论,这对一次迭代选择多个原子具有指导意义。该结论可以支撑对下一步迭代中的原子进行高概率预测。基于此,本文提出了迭代预测正交匹配追踪算法,实验结果表明,相对于其他匹配追踪算法,其在保证重构精度未降低的情况下,耗时有较大幅度降低。      

基于压缩感知超宽带信号盲稀疏度信道估计

鉴于超宽带(UWB)信道估计要求预先给出信道才能精确重构的不足,研究了基于压缩感知的盲稀疏度匹配追踪类算法用于信道重建.这种盲稀疏度方法根据迭代终止条件和字典中最优原子选择方式的不同,设置迭代终止阈值和阶段转换阈值,通过可变步长的增大逐步逼近稀疏度,实现精确重建.仿真结果表明,相同条件下,基于此思想经过改进算法可有效用于解决实际UWB信道估计,较改进前算法估计性能相当,是一种具有应用价值的盲稀疏度重构方法.     

基于CS和OMP的宽带LFM信号源个数估计算法

多分量LFM信号源个数估计是进行后续信号处理的基础。考虑到压缩测量值较好地保留了原信号的特征信息,基于压缩感知部分重构的思想,提出了一种基于压缩感知和OMP分解的信源个数估计算法,算法在基于OMP的信号重构算法上改进而来,以归一化残差为迭代终止的条件,引入一种自适应阈值选择策略,根据迭代分解次数进行信号源个数估计。仿真结果表明,在信噪比为-3db左右、压缩比大于0.25的情况下,该算法进行信源个数估计的成功率高于90%。     

基于压缩感知的双向阈值匹配追踪算法

最近提出的前向后向算法(Forward-backward Pursuit,FBP)因为重构精度较高受到人们更多关注.但是FBP算法没有考虑到当前迭代残差信号的变化,每次迭代选取的原子和删减原子的数目是固定的.鉴于此,提出了双向阈值匹配追踪算法(Ovonic Threshold Matching Pursuit,OTMP).OTMP前向原子选择过程通过限制等距性质(RIP)和残差的条件选出部分新增加原子,在回溯过程中通过当前迭代的重构水平剔除可能错误的原子.实验表明,在一定条件下OTMP时间复杂度和正交匹配追踪算法(Orthogonal Matching Pursuit,OMP),子空间追踪算法(Subspace Pursuit,SP)相当,重构精度明显高于SP,FBP算法和其他几种贪婪算法.     

基于模糊阈值的回溯分段弱正交匹配追踪算法

为提高分段弱正交匹配追踪(Stagewise Weak Orthogonal Matching Pursuit,SWOMP)算法的重构质量,改进SWOMP算法的重构性能,提出一种基于模糊阈值的回溯分段弱正交匹配追踪(Backtracking Stagewise Weak Orthogonal Matching Pursuit Al-gorithm based on Fuzzy Threshold,FTB-SWOMP)算法.该算法首先通过采用SWOMP算法初始化选取一些大于门限的原子,在每次迭代过程中引入回溯,采用基于模糊阈值的回溯方式删掉个别错误原子,实现自适应的选取原子来更新支撑集,每次迭代的过程不断更新扩大支撑集,逐步逼近信号的稀疏度.实验结果表明,相同实验条件下,新算法能够以高概率恢复原始一维信号,且重构误差小;对于在二维图像上的应用,新算法仍保证重构时间短的优势,并比原算法具有更好的重构精度.     

基于迭代自适应稀疏分解的雷达信号去噪

稀疏分解能有效分离信号和噪声,因此适用于信号去噪.文中构造了雷达回波稀疏表示的冗余字典,字典原子与目标回波波形匹配,基于该字典的雷达回波信号稀疏度就是目标数.针对稀疏度自适应匹配追踪算法进行低信噪比信号稀疏分解时的不足,提出了一种迭代自适应匹配追踪算法,采用规范化的残差之差作为迭代终止条件,使得稀疏分解过程能依据噪声水平自适应终止,以逐次逼近方式估计信号稀疏度,改善了稀疏分解的精度.仿真实验结果表明,该算法在低信噪比以及稀疏度未知的条件下,实现了雷达回波信号的准确稀疏分解,极大地提高了信噪比.     

基于多尺度功率谱子带梯度的宽带频谱感知算法与性能分析

为了应对复杂环境下非合作通信、电磁频谱监管等宽带接收中存在的先验信息缺失、信道失真严重以及频域呈现不平坦色噪声的挑战,提出一种基于多尺度功率谱子带梯度的宽带频谱感知算法,该算法不要任何的先验信息,对功率谱进行分段计算梯度,再进行自适应双阈值检测,通过多尺度的技巧提高了宽带频谱感知的稳定性。对该算法在不同信道模型下的统计特性、虚警概率、检测概率以及判决门限的表达式进行了理论推导。理论分析和实验仿真表明,算法适用于高斯噪声信道和平坦衰落信道,能够有效克服色噪声,并且能够实现用户频带范围定位,运算复杂度低、实时性强,对噪声不确定度具有稳健性,能够用于低信噪比场合。     

语音压缩感知硬阈值梯度追踪重构算法

本文基于语音信号在DCT域的近似稀疏性,采用压缩感知(Compressed Sensing, CS)理论对其进行压缩采样和重构。CS中的梯度追踪(Gradient Pursuit, GP)算法因计算量小,迭代硬阈值(Iterative Hard Threshold, IHT)算法因实现简单,被广泛用来重构信号。针对压缩感知理论中的GP算法的支撑集在每次迭代时仅增加一个元素,以及该算法每步迭代时仅经过一次沿负梯度方向搜索求得的解可能不是最优解的问题,本文提出了语音重构的硬阈值梯度追踪(Hard Threshold Gradient Pursuit, HTGP)算法。该算法利用IHT算法的思想选择原子更新支撑集,每步迭代时支撑集中含有K个元素,而且HTGP算法每步迭代时经过k次沿负梯度方向搜索得到最优解来代替使用计算量巨大的最小二乘来求解。实验结果表明,压缩比相同的情况下,HTGP算法具有更快速的收敛性和更高的信噪比。      

自适应稀疏度的1 bit压缩重构算法

1 bit压缩感知技术日益受到关注.1 bit信号往往有符号跳变,同时信号重构还需要稀疏度先验信息,如何有效地克服信号重构对稀疏度的依赖性,提高重构算法对噪声的鲁棒性,这是该领域面临的重大挑战.本文在二进制迭代硬阈值算法基础上,引入自适应稀疏度,利用残差能量的大小,通过对信号和噪声的学习,解决稀疏度依赖问题,通过引入弹...     

基于压缩感知OMP改进算法的图像重构

正交匹配追踪(OMP)算法中迭代次数严格依赖信号的稀疏度K值,迭代次数选取适当会重构出高精确的图像,反之则会对图像重构质量造成严重影响.针对这一问题,提出了一种根据残差值的相对极差来确定最佳迭代次数的新方法.该方法要求在同一次迭代中对一幅图像的所有列同时进行迭代计算,根据极差的相对差值与门限值比较来确定最佳迭代次数,从而达到提高重构精度,消除对稀疏度K值依赖的目的.理论分析和仿真结果表明,改进的OMP算法比原有算法有更理想的重构效果,有更高的重构精度.     

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。     

压缩感知信号盲稀疏度重构算法

研究压缩感知信号重构算法,提出了一种不需要精确知道信号稀疏度的先验知识,就能重构出目标信号的盲稀疏度迭代贪婪跟踪重构新算法.采用分段的方法来逐段估计、扩充目标信号的真实支撑域,并应用后向追踪思想,自适应地调整候选序列,以便每一次迭代时更加精确地估计真正的支撑域.理论分析与实验证明,算法性能超过了现有的迭代贪婪跟踪重构算...     

用于压缩采样信号重建的回溯正则化自适应匹配追踪算法

正则化正交匹配追踪算法是一种广泛被使用的压缩感知重构算法,但其需要已知信号的稀疏度。针对这一缺点,本文提出一种回溯正则化自适应匹配追踪算法。该算法基于正则化正交匹配追踪算法进行改进,首先采用设置模糊阈值的方式初始化选取一些原子,然后对其进行正则化,最后采用回溯的方式删掉个别错误的原子。在每次迭代中,不断更新支撑集的同时扩大支撑集,以逐步逼近信号的稀疏度。实验结果表明,在相同的测试条件下,改进后的算法与其他贪婪算法相比,无论是对一维稀疏信号还是二维图像,均取得了更好的重建效果,且运行时间也比较适中。