基于矩阵补全的二阶统计量重构DOA估计方法

该文针对传统波达方向角(DOA)估计算法在非均匀噪声下角度估计精度差及分辨率低的问题,基于矩阵补全理论,提出一种二阶统计量域下加权L1(MC-WLOSRSS)稀疏重构DOA估计算法。首先,基于矩阵补全方法,引入弹性正则化因子将接收信号协方差矩阵重构为无噪声协方差矩阵;而后在二阶统计量域下通过矩阵求和平均将无噪声协方差矩阵多矢量问题转化为单矢量问题;最后利用稀疏重构加权L1范数实现DOA参数估计。数值仿真表明,与传统MUSIC, IL1-SRACV, L1-SVD子空间算法及稀疏重构加权L1算法相比,所提算法能显著抑制非均匀噪声影响,具有较好DOA估计性能,且在低信噪比条件下,亦具有较高估计精度和分辨力。     

基于两步加权L1范数约束的高分辨率波达方向和功率估计

该文提出一种基于两步加权L1范数约束的波达方向(DOA)和功率联合估计新算法。该算法首先对阵列协方差矩阵元素进行求和平均运算获得统计性能更优的向量观测模型,进而在相应的过完备基下获得观测模型的稀疏表示。利用MUSIC谱函数和初始估计结果作为权值构建两步加权L1范数约束稀疏重构方法,重构获得多信源的DOA和功率估计。通过2分布函数选择了合理的正则化参数。计算机仿真结果显示,与同类其它方法相比,该文所提算法具有更高的分辨率和估计精度。     

参数自适应调整的稀疏贝叶斯重构算法

稀疏表示模型中的正则化参数由未知的噪声和稀疏度共同决定,该参数的设置直接影响稀疏重构性能的好坏。然而目前稀疏表示问题优化求解算法或依靠主观、或依靠相关先验信息、或经过实验设置该参数,均无法自适应地设置调整该参数。针对这一问题,该文提出一种无需先验信息的参数自动调整的稀疏贝叶斯学习算法。首先对模型中各参数进行概率建模,然后在贝叶斯学习的框架下将参数设置及稀疏求解问题转化为一系列混合L1范数与加权L2范数之和的凸优化问题,最终通过迭代优化得到参数设置和问题求解。由理论推导和仿真实验可知,已知理想参数时,该算法与其它非自动设置参数的迭代重加权算法性能相当,甚至更优;在理想参数未知时,该算法的重构性能要明显优于其它算法。     

非理想条件下基于矢量水听器阵列的一种快速方位估计算法

为了实现少快拍、低信噪比(SNR)条件下的水下目标快速方位估计,该文建立矢量水听器阵列方位估计稀疏表示模型。利用实值转化技术将复数方向矩阵转化到实数域,以便利用平滑L0算法对稀疏信号矩阵进行重构从而得到方位估计结果。该文改进平滑L0算法,利用收敛性更好的复合反比例函数(CIPF)函数作为平滑函数以及提出促稀疏加权的方法,该方法通过加权的方式修正噪声条件下L2范数作为迭代初始值偏离稀疏解较远的问题来促进算法快速收敛于稀疏解。通过仿真验证了该文提出的基于实值转换的促稀疏加权平滑L0算法在少快拍、低信噪比的条件下可以实现优于传统子空间类算法的性能,并且在保证性能的同时,显著提高方位估计的速度。     

非理想条件下基于矢量水听器阵列的一种快速方位估计算法

为了实现少快拍、低信噪比(SNR)条件下的水下目标快速方位估计,该文建立矢量水听器阵列方位估计稀疏表示模型.利用实值转化技术将复数方向矩阵转化到实数域,以便利用平滑L0算法对稀疏信号矩阵进行重构从而得到方位估计结果.该文改进平滑L0算法,利用收敛性更好的复合反比例函数(CIPF)函数作为平滑函数以及提出促稀疏加权的方法,该方法通过加权的方式修正噪声条件下L2范数作为迭代初始值偏离稀疏解较远的问题来促进算法快速收敛于稀疏解.通过仿真验证了该文提出的基于实值转换的促稀疏加权平滑L0算法在少快拍、低信噪比的条件下可以实现优于传统子空间类算法的性能,并且在保证性能的同时,显著提高方位估计的速度.     

四阶累积量稀疏表示的DOA估计方法

针对现有稀疏重构DOA估计算法不能抑制噪声项以及在高斯色噪声背景下不再适用的问题,本文提出了基于四阶累积量稀疏重构的DOA估计方法。首先,利用接收数据的四阶累积量构建了稀疏表示模型,该模型抑制了噪声项;其次对四阶累计量矩阵进行奇异值分解,化简了稀疏表示模型,通过奇异值分解,不仅减小了数据规模,而且进一步抑制了噪声。对于稀疏表示模型的求解,先利用信号子空间与噪声子空间的正交特性选取权值矢量,然后利用加权l1范数法对模型求解实现DOA估计。理论分析和仿真实验表明本文算法在高斯白噪声和色噪声背景下均适用;能够处理非相干和相干信号,且在低信噪比条件下,对相干信号有更高的估计精度;较之同类的稀疏重构算法,本文算法具有较低的算法复杂度和更高的角度分辨力。      

改进的基于拉普拉斯先验的贝叶斯压缩感知算法

贝叶斯压缩感知(Bayesian Compressed Sensing,BCS)通过稀疏贝叶斯回归模型中相关向量机(Relevance Vector Machine,RVM)的学习来解决压缩感知(Compressed Sensing,CS)中的信号重构问题。本文通过修正基于拉普拉斯先验BCS的噪声模型,较好地实现了含噪CS信号的重构。它主要利用稳健型相关向量机(Robust RVM,RRVM),改进了基于拉普拉斯先验的BCS算法。它通过对每个观测噪声方差系数进行最优化估计,来消除内外部噪声对信号重构的影响。相关的仿真验证了在外部脉冲噪声以及内部高斯白噪声共同干扰条件下,相比原始BCS算法,改进算法具有更好的重构性能和稳定性。     

采用拉普拉斯尺度混合先验的结构化近似消息传递算法

为了准确有效地实现自然图像的压缩感知重构,提出一种使用拉普拉斯尺度混合（Laplacian Scale Mixture,LSM）先验的结构化近似消息传递（Approximate Message Passing,AMP）算法.利用LSM模型构建AMP算法的高阶统计约束,将压缩感知重构问题转化为先验信息估计问题和奇异值最小化问题.首先,用LSM分布刻画相似块矩阵奇异值的稀疏性,其中该稀疏性指示了图像块的相似性,因此LSM模型被用来描述图像的非局部相似结构;然后,通过期望最大化算法估计LSM模型的尺度参数,得到可靠的先验信息;最后,由AMP算法求解奇异值最小化问题,实现图像的精确重构.实验结果表明,提出的结构化AMP算法的图像重构质量优于多种主流的压缩感知图像重构算法.     

优化重加权L1范数的图像盲复原算法

在单幅运动模糊图像的盲复原问题中,图像中强边缘部分的利用成为模糊核估计的关键所在.为此,本文提出了一种优化重加权L1范数的图像盲复原算法.首先,建立了基于加权L1范数的模糊核盲估计模型,并引入了一种图像平滑模型对权重进行优化估计,从而减少计算权重时受细小结构以及噪声的影响,其次,设计了模糊核盲估计模型求解的迭代收缩阈值数值算法,最后采用了一种基于超拉普拉斯先验的快速图像非盲复原算法对模糊图像进行复原.仿真和实际数据实验结果验证了本文算法的有效性.     

冲击噪声下基于混合LL2 -L1 优化求解的CSR 参数估计

针对冲击噪声环境下压缩感知雷达参数估计性能急剧下降的问题,提出一种新的鲁棒性参数估计方法。首先,根据压缩感知雷达参数估计的稀疏线性模型,基于Lorentzian 范数和L1 范数稀疏正则化构造冲击噪声背景下稀疏重构的混合LL2-L1 范数优化模型;然后,利用迭代加权最小二乘法和阈值收缩函数推导上述模型优化求解的一步迭代公式;最后,从理论上对文中算法的收敛性进行证明,并给出算法计算复杂度的定量分析。计算机仿真实验表明,文中算法在冲击噪声下支撑集的重构更精确、重构信号的精度更高、重构的计算量更小。     

基于二项分布改进的宽带压缩频谱检测方案

宽带压缩频谱检测存在依赖稀疏度先验信息和信号重构时延较高的问题.因此,本文提出了一种高效可靠的宽带压缩频谱检测方案.首先,推导出了基于二项分布精确置信区间改进的稀疏度估计模型.其次,利用稀疏度估计上下界改进了稀疏度自适应匹配追踪算法.最后,提出了一种宽带压缩频谱检测方案.仿真结果表明,本文所提出方法可以同时精确的估计信号稀疏度的上下界,提高了频谱检测的效率和可靠性,加快了算法的收敛速度.     

一种改进的稀疏度自适应匹配追踪算法

压缩感知理论是一种充分利用信号稀疏性或可压缩性的全新信号获取和处理理论。针对未知稀疏度信号重构,提出了一种改进的稀疏度自适应匹配追踪算法。该算法首先利用一种基于原子匹配测试的方法得到信号稀疏度的初始估计,然后在稀疏度自适应匹配追踪(SAMP)框架下采用变步长分阶段思想实现稀疏度的逼近,在初始阶段利用大步长实现稀疏度的快速粗接近,以提高收敛速度,在随后的迭代中逐渐减小步长,实现稀疏度的精逼近,最终实现信号的精确重构。理论分析和仿真结果表明,该算法在一定程度上解决了SAMP算法在大稀疏度条件下运算量较大以及固定步长导致的欠估计和过估计问题,较好地实现了未知稀疏度信号的精确重建,并且重建性能和重建效率均优于现有的同类算法。      

毫米波MIMO系统中稀疏度自适应的压缩感知信道估计

利用毫米波MIMO系统的稀疏特性,信道估计可以转化为稀疏信号重构的问题。解决毫米波MIMO稀疏信道估计问题时,传统的OMP方法需要信号的稀疏度作为先验信息,实际系统难以满足此需要。文中引入StOMP算法,根据信号已知的稀疏先验信息确定阈值,并结合动态的阈值调整,提出一种新的StOMP-D算法,实现了稀疏度自适应的毫米波MIMO信道估计。仿真结果表明,所提的方法与传统的LS方法比较,信道估计性能显著提高,并且与稀疏度已知的OMP方法性能十分接近,在稀疏度未知时有明显的优势。     

基于低秩稀疏约束的穿墙雷达成像算法

针对穿墙雷达(TWR)成像过程中墙杂波与成像空间分别具有低秩性和稀疏性的特点,提出了一种基于低秩稀疏约束的穿墙雷达成像算法.所提成像算法通过奇异值软阈值法和l1范数最小化技术进行迭代求解低秩稀疏约束优化问题,实现在墙体强反射波存在的探测环境中基于压缩感知框架对墙后隐蔽目标的准确成像重建.仿真和实验数据的处理结果验证了所提成像算法的有效性和准确性.     

Recursive least square–based fast sparse multipath channel estimation

In the next‐generation wireless communication systems, the broadband signal transmission over wireless channel often incurs the frequency‐selective channel fading behavior and also results in the channel sparse structure, which is supported only by few large coefficients. For the stable wireless propagation to be ensured, linear adaptive channel estimation algorithms, eg, recursive least square and least mean square, have been developed. However, these traditional algorithms are unable to exploit the channel sparsity. Actually, channel estimation performance can be further improved by taking advantage of the sparsity. In this paper, 2 recursive least square–based fast adaptive sparse channel estimation algorithm is proposed by introducing sparse constraints, L1‐norm and L0‐norm, respectively. To improve the flexibility of the proposed algorithms, this paper introduces a regularization parameter selection method to adaptively exploit the channel sparsity. Finally, Monte Carlo–based computer simulations are conducted to validate the effectiveness of the proposed algorithms.     

一种用于图像重构的新型贝叶斯压缩感知技术

近几年来,贝叶斯压缩感知（BCS）技术得到了快速的发展并逐渐成为压缩感知领域的一项主流技术。该技术主要针对压缩感知中的重构部分,与传统的重构算法不同,其应用的是贝叶斯概率模型,而不是传统的1范数最小化模型。BCS的核心是相关向量机（RVM）,但是,应用传统的RVM进行信号重构往往精度非常差。为了提高精度,文中提出了一种新的BCS技术：粒子群贝叶斯压缩感知（PSBCS）。实验表明这种新的BCS技术在重构精度上大大超越了传统的BCS技术。     

利用块间耦合稀疏贝叶斯学习的建筑物布局成像方法

该文针对现有穿墙雷达建筑物布局成像中扩展目标稀疏成像方法未能有效利用墙体反射信号的结构稀疏性,导致成像中出现墙体不连贯和墙体轮廓不明显的问题,提出一种利用稀疏信号块间耦合的建筑物布局成像方法。该方法在块稀疏信号特性的高斯分层先验模型的基础上,利用块间耦合系数进一步表征场景中墙体反射信号的结构稀疏性,然后将其引入到控制稀疏信号先验概率分布的超参数中,从而把稀疏信号的结构性转化为超参数的耦合关系,最后利用期望最大化(EM)算法求解超参数的最大后验(MAP)估计。仿真和实验数据处理结果表明,该方法有效改善了墙体的成像质量。     

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.     

基于线性化的混沌压缩感知重构算法

随着信号的数据量和带宽不断增长,压缩感知作为一种新的信号低速率获取理论迅速成为信号处理界的热点。目前,压缩感知一般采用线性测量方式。混沌压缩感知是一种利用混沌系统实现非线性测量,非线性等式约束L1范数最小化实现信号重构的压缩感知理论;具有实现结构简单,测量数据保密性强等特点。但是,现有算法不能有效地求解非线性等式约束L1范数最小化,求解结果受到额外参数影响。该文通过对非线性约束线性化处理,将非线性等式约束L1范数最小化问题转化为一系列二次锥规划问题,利用线性化迭代二次锥规划算法进行求解,保证了算法的收敛性和提高了信号的重构性能。本文以Henon混沌为例,研究了频域稀疏信号的重构性能,数值模拟证明了该算法的有效性。