稀疏互质阵列的迭代加权l_1范数约束来波方向估计

在阵元数确定的情况下,稀疏互质阵列能增大阵列孔径。为利用阵列的互质关系形成具有更多自由度的互质差合成阵列,采用稀疏重构方法,提出一种迭代加权l_1范数约束波达方向(DOA)估计算法。通过矢量化对稀疏互质阵列进行孔径扩展,进而在相应的过完备基下获得观测模型的l_0范数约束稀疏重构,再用加权l_1范数约束代替l_0范数约束重构方法,采用多次迭代运算求取最优解实现DOA估计。实验结果表明,该算法能够更好地利用稀疏互质阵列的阵列孔径,提高测向精度,并且通过迭代运算来弥合l_1范数约束与l_0范数约束之间的差别,克服传统l_1范数约束类算法存在估计偏差的缺点。     

林业运动模糊图像复原的融合正则化方法

林业机器人在林业环境中进行作业时,很容易因为滑动、地面障碍物的碰撞等原因发生小幅的无规律运动导致机器人相机采集的图像发生运动模糊,对后续图像信息提取造成很大的影响。针对这一问题,提出了林业运动模糊图像复原的融合正则化方法。先建立包含[L1/L2]范数正则项的代价函数,求解运动模糊核。再通过图像梯度先验正则项及稀疏正则项构建代价函数,对清晰图像求解。引入的[L1/L2]范数正则项及图像梯度先验正则项对稀疏表示正则项容易产生块效应的问题进行了弥补,因而获得了令人满意的效果。对人工合成的运动模糊图像和自然条件下真实运动模糊图像进行的实验验证了该算法的有效性。     

基于l1/2范数正则化的图像重建方法

为了利用[l1]范数保持图像边缘信息的优势,并兼顾[l2]范数对图像平坦区域噪声抑制的特性,提出了一种自适应范数混合模型--[l12]范数正则化方法。相比于经典的[l1]范数正则化方法,该方法能够得到更加稀疏的解,同时相比于传统去噪方法,该方法对自然图像的长尾分布噪声具有比较理想的去除效果。还针对范数混合模型中噪声的分布的自适应变化,设计了一种自适应收敛准则迭代方法,该方法可以有效地减少迭代次数。实验结果和分析验证了混合模型在图像重建效果和计算效率方面的有效性。     

加权[lp]范数LMS算法的稀疏系统辨识

针对经典最小均方（LMS）算法没有考虑冲击响应通常具有稀疏性的特点,一般的稀疏LMS算法当自适应趋于稳态时,对小系数施加过大的吸引力,导致稳态误差增大的缺点,提出对稀疏系统进行辨识的改进的[lp(0相似文献   

快速稀疏表示分类的人脸识别算法

经典的稀疏表示分类（Sparse Representation for Classification,SRC）算法是一种基于[L1]范数最小化问题,它在很多应用场合都能取得很好的分类效果,是目前备受关注的一类识别算法。然而,传统的SRC算法在求解[L1]范数最小化问题时,往往计算效率比较低。为有效解决这个问题,提出了一种快速有效的分类算法,它利用坐标下降方法来实现SRC算法。该方法既可以显著地提高计算效率,又可取得较好的分类结果。在不同人脸库上的实验表明,所提的算法具有良好的应用前景。     

十字形二维稀疏混合MIMO相控阵雷达收发阵列设计

针对二维混合多输入多输出(MIMO)相控阵雷达发射子阵分割带来的自由度损失进而影响雷达系统参数估计性能的问题,提出一种基于十字阵的二维稀疏混合MIMO相控阵雷达收发阵列设计方法.首先,结合稀疏阵列-共轭嵌套阵对混合MIMO相控阵雷达的收发端进行稀疏设计;其次,对混合MIMO相控阵雷达产生的合阵进行做差处理,得到阵元位置差的差异阵列;最后,通过空间平滑处理进行波达方向估计.仿真实验表明,相较于传统的二维混合MIMO相控阵雷达,所提出方法仅利用两个互相垂直的一维线阵便可形成阵列的二维平面扩展,同时,在不增加阵元个数的前提下可有效扩展雷达阵列虚拟阵元数目,提高阵列的自由度以及波达方向估计性能.     

基于拟牛顿方向的改进平滑[l0]算法

稀疏分解算法是信号稀疏分解领域的一个重点问题,关系到稀疏分解在实际中的应用。在分析平滑[l0]算法的基础上,提出了基于拟牛顿方向的平滑[l0]算法。该算法在求解[l0]范数的近似函数最优解时,取代平滑[l0]算法中的最速上升方法,以拟牛顿方向作为迭代搜索方向。仿真结果表明,利用基于拟牛顿方向的平滑[l0]算法对信号进行稀疏分解,得到的稀疏分解系数精确度更高,与真实系数之间的误差更小,信噪比更大,抗噪声能力更强。     

非凸总广义变差图像恢复模型

为有效地保护图像的几何结构,提出了一种非凸二阶总广义变差图像恢复模型。该模型引入了类似于[L0]范数的非凸稀疏正则约束,模型能更好地保护图像的结构特征。为有效地计算该模型,采用迭代重加权和原始-对偶算法。数值实验表明,相比于最近的二阶总广义变差方法,该方法获得了较好的实验结果。     

基于部分支撑集的L1范数稀疏重构算法

针对压缩感知理论中,现有的优化L1范数稀疏重构算法在重构源信号时,当且仅当稀疏度小于等于观测信号长度一半时才能够正确重构源信号的问题,提出了部分支撑集的L1范数稀疏重构算法。改进算法采用线性规划方法最小化源信号"尾部"支撑集的L1范数,能够在稀疏度大于观测信号长度一半时正确重构出源信号。仿真结果表明,在不同信噪比和稀疏度条件下,所提算法的重构精度优于现有的优化L1范数的稀疏重构算法和正交匹配追踪的稀疏重构算法。     

稀疏条件下的重叠子空间聚类算法

现有子空间聚类算法不能很好地平衡子空间数据的稠密性和不同子空间数据稀疏性的关系,且无法处理数据的重叠问题。针对上述问题,提出一种稀疏条件下的重叠子空间聚类(OSCSC)算法。算法利用L1范数和Frobenius范数的混合范数表示方法建立子空间表示模型,并对L1范数正则项进行加权处理,提高不同子空间的稀疏性和同一子空间的稠密性;然后对划分好的子空间使用一种服从指数族分布的重叠概率模型进行二次校验,判断不同子空间数据的重叠情况,进一步提高聚类的准确率。在人造数据集和真实数据集上分别进行测试,实验结果表明,OSCSC算法能够获得良好的聚类结果。     

基于实数多项式的根值最小范数算法

在根值最小范数算法中须对复数多项式求根,计算量较大。针对此问题,提出了一种基于实数多项式的根值最小范数算法,该算法适用于均匀线性阵列。首先通过保角变换将分布在复平面单位圆的变量映射到实数轴的[-1,1]范围内,其能够将算法中的复数多项式转换为实数多项式;其次对该实数多项式求根,并从中选出[-1,1]范围内的根值;最后将筛选出的根值代入信号频谱函数中,根据频谱函数的值选择出最优的波达方向估值。理论分析说明本文算法比根值最小范数算法的时间复杂度低;仿真实验表明,与根值最小范数相比,在信号和噪声不相关时,本文算法的均方根误差略小,在信号和噪声相关时,随着信噪比的增加,本文算法的均方根误差逐渐变小。     

机载MIMO STAP收发天线联合设计研究

针对机载多输入多输出雷达进行动目标检测时,天线稀疏出现栅瓣导致盲速、天线密布导致冗余及布阵需考虑平台尺寸等问题,对天线结构进行研究.首先基于相位中心等效原理,讨论一定收发阵元数目下如何实现最大自由度和最大孔径;然后根据机载平台结构,设计更合理的收发天线布阵结构;最后结合多相编码进行空时自适应处理,实现动目标检测和杂波抑制.仿真实验表明,与其他天线结构相比,本文方法可获得更好的动目标检测性能.     

基于原子范数最小化的二维稀疏阵列波达角估计算法

基于二维稀疏平面阵列的波达角(Direction-of-arrival,DOA)估计问题在第五代移动通信大规模多输入多输出阵列的应用中日益重要。无网格稀疏重构技术促进了DOA估计问题的发展,原子范数理论则使得DOA估计的超分辨率得到进一步的提高。文中研究了多个方向的频谱稀疏信号入射到二维稀疏阵列时的DOA估计问题。为了准确、成对地识别出所有入射信号的仰角和方向角,提出了一种基于多个测量矢量(Multiple Measurement Vectors,MMV)的二维原子范数算法,并用半正定规划进行求解。所提算法将二维DOA估计问题中的压缩感知理论从单个测量矢量拓展到多个测量矢量,从而有效利用MMV的联合稀疏性。数值仿真结果表明,随着MMV矢量的增长,可识别的信源个数增加,稀疏阵列中物理传感器所占比例降低到30%,DOA估计误差也显著降低,并且在信噪比增大时,所提算法能够取得很好的收敛效果。     

DLSLA 3-D SAR imaging algorithm for off-grid targets based on pseudo-polar formatting and atomic norm minimization基于伪极坐标变换和原子范数最小化的网格偏离目标DLSLA 3-D SAR成像方法

This paper concerns the imaging problem for downward looking sparse linear array three-dimensional synthetic aperture radar (DLSLA 3-D SAR) under the circumstance of sparse and non-uniform cross-track dimensional virtual phase centers configuration. Since the 3-D imaging scene behaves typical sparsity in a certain domain, sparse recovery approaches hold the potential to achieve a better reconstruction performance. However, most of the existing compressive sensing (CS) algorithms assume the scatterers located on the pre-discretized grids, which is often violated by the off-grid effect. By contrast, atomic norm minimization (ANM) deals with sparse recovery problem directly on continuous space instead of discrete grids. This paper firstly analyzes the off-grid effect in DLSLA 3-D SAR sparse image reconstruction, and then introduces an imaging method applied to off-gird targets reconstruction which combines 3-D pseudo-polar formatting algorithm (pseudo-PFA) with ANM. With the proposed method, wave propagation and along-track image reconstruction are operated with pseudo-PFA, then the cross-track reconstruction is implemented with semidefinite programming (SDP) based on the ANM model. The proposed method holds the advantage of avoiding the off-grid effect and managing to locate the off-grid targets to accurate locations in different imaging scenes. The performance of the proposed method is verified and evaluated by the 3-D image reconstruction of different scenes, i.e., point targets and distributed scene.     

基于低秩矩阵恢复的DOA稀疏重构方法

为提高非均匀噪声下波达方向（direction of arrival,DOA）角估计算法的估计精度和分辨率,基于低秩矩阵恢复理论,提出了一种二阶统计量域下的加权L1稀疏重构DOA估计算法。该算法基于低秩矩阵恢复方法,引入弹性正则化因子将接收信号协方差矩阵重构问题转换为可获得高效求解的半定规划（semidefinite programming,SDP）问题以重构无噪声协方差矩阵;而后在二阶统计量域下利用稀疏重构加权L1范数实现DOA参数估计。数值仿真表明,与传统MUSIC、L1-SVD及加权L1算法相比,所提算法能显著抑制非均匀噪声影响,具有较好的DOA参数估计性能,且在低信噪比条件下,所提算法具有较高的角度分辨力和估计精度。     

基于l0范数近似最小化的稀疏信号重构方法

针对稀疏信号的重构问题,提出了[l0]范数近似最小化算法。利用反正切函数近似[l0]范数建立相应的非凸优化问题。通过构造快速的不动点迭代格式求解该问题,分析了所提出算法的收敛性能。数值仿真表明,该算法具有重构信号需要测量值少、计算精度高且计算量较小的优点。     

结合罚函数与序列二次规划的[lp]范数优化方法

结合罚函数法与序列二次规划（SQP）方法研究了[lp]范数优化的求解算法。分析了基于SQP方法的[lp]范数优化算法,探讨了初值选取对算法收敛性的影响;针对SQP方法受迭代初值的限制,引入罚函数优化方法对迭代初值作预估计,使其进入可行域,采用SQP方法求解计算。实验结果表明,结合罚函数与SQP方法的[lp]范数优化算法对稀疏信号有较优的重构效果。