基于动态字典学习的欠定盲语音重构算法

为提高传统字典学习方法选用固定的语音分段长度重构源信号的精度,提出基于动态字典学习的欠定盲语音重构算法,以提取信号中最优的稀疏表示特征。在欠定语音盲分离的两步法框架下,利用正则化Sim CO字典学习对信号进行稀疏表示,依据最速下降思想通过改变语音分段长度迭代优化信号的重构结果直至收敛,得到信号恢复的总体最优解。实验结果表明,相较传统算法,动态Sim CO字典学习算法进一步提取了信号在字典稀疏域的语音特征,在保证运行成本低的同时有效提高了欠定盲语音的重构质量。     

基于双迭代聚能量字典学习的数据压缩算法

针对基于稀疏表示（Sparse representation,SR）的数据压缩压缩率低、重构精度低等问题,本文提出一种基于双迭代的聚能量字典学习算法,把高维信号映射到低维特征空间,当低维特征空间保留高维原始信号越多的特征时,高维信号从低维特征空间中恢复出来的精度越高。为了使低维字典保留高维字典更多的主成分,本文提出了一个新的变换,被命名为?变换,能提升高维字典的能量集中性。除此之外,针对高维字典与低维字典的耦合关系,建立了双循环迭代训练,增加字典的能量集中性与字典的表达能力。实验表明,相比于传统算法,本文提出算法字典学习收敛速度提升了3倍以上。此外,该方法可以得到较高的压缩比和更高质量的重构信号。     

改进的压缩采样匹配追踪算法

针对压缩采样匹配追踪( CoSaMP)算法重构精度相对较差的问题,为了提高算法的重构性能,提出了一种基于伪逆处理改进的压缩采样匹配追踪( MCoSaMP)算法。首先,在迭代前,对观测矩阵进行伪逆处理,以此来降低原子间的相干性,从而提高原子选择的准确性;然后,结合正交匹配追踪算法( OMP),将OMP算法迭代K次后的原子和残差作为CoSaMP算法的输入;最后,每次迭代后,通过判断残差是否小于预设阈值来决定算法是否终止。实验结果表明,无论是对一维高斯随机信号还是二维图像信号,MCoSaMP算法的重构效果优于CoSaMP算法,能够在观测值相对较少的情况下,实现信号的精确重构。     

步长自适应的测量矩阵迭代优化方法

在压缩感知中，降低传感矩阵的列相干性可以提高重构精度。因为稀疏字典一般是固定的，所以目前主要通过优化测量矩阵来间接降低传感矩阵列相干性。提出一种改进的测量矩阵优化算法，使用梯度下降法更新测量矩阵并结合Barzilai-Borwen方法以及Armijo准则，使步长能够在迭代中自适应调整并保证算法收敛性。仿真实验表明，所提出的方法具有更快的收敛速度并且能够得到更优的测量矩阵。     

基于多尺度的自适应采样图像分块压缩感知算法

基于分块的压缩感知算法适用于图像信号的处理,通过平滑迭代阈值投影法可以快速重构图像,但存在低采样率下重构图像质量较差的缺点。基于全变差分的分块压缩感知算法,在一定程度上能提升重构效果,但降低了运算速度。针对以上算法的不足,提出基于多尺度的自适应采样图像分块压缩感知算法。根据小波分解后不同层对重构结果影响所占权重不同的特性,自适应分配给每一层不同的采样率,并在重构时将平滑迭代阈值投影法应用到每一层的每一个子带的分块上。实验结果表明,与传统的迭代阈值投影法相比在重构质量上提高了1~3 d B,在重构速度上与迭代阈值投影法相当并优于全变差分法。     

遥感图像Contourlet变换域压缩融合

基于传统分块压缩感知(BCS)的图像融合中,由于空间域BCS采样缺乏考虑图像的全局特性,导致融合图像重构质量差,且存在分块效应。首先将输入图像在Contourlet变换(CT)域稀疏表示,并对CT分解系数进行分块压缩感知;再对压缩采样线性加权融合;最后用迭代阈值投影(ITP)方法重构融合图像,并消除分块效应。提出了基于Contourlet变换域分块压缩感知(CTBCS)的遥感图像压缩融合方法,并给出算法的详细实现流程。基于BCS和CTBCS进行压缩采样,再用ITP算法进行图像重构,仿真结果显示,与BCS相比,CTBCS采样有效考虑了图像的全局特性,基于CTBCS的ITP重构收敛速度更快,重构计算复杂度更小,重构精度更好,对应的重构图像峰值信噪比(PSNR)更高;实际资料测试结果表明,基于CTBCS的压缩融合效果比基于BCS的压缩融合效果更好,更接近常规CT融合效果。CTBCS压缩融合用较少量采样点获得与常规CT相比拟的融合结果,有效实现了大数据量遥感图像的压缩融合。     

基于改进子空间追踪算法的稀疏信道估计

由于许多通信系统的信道具有稀疏多径的特性,因此可以将信道估计问题归结为稀疏信号的恢复问题,继而应用压缩感知理论(CS)的算法求解。针对CS中现存的信号重构方法——子空间追踪法(SP)需要对稀疏度有先验知识的缺点,提出一种改进的子空间追踪法(MSP)。该方法的反馈和精选过程与SP算法一致,不同之处是MSP算法每次迭代时向备选组合中反馈添加的向量个数是随着迭代次数而逐一增加的,而SP算法中备选组合被添加的向量个数与稀疏度相同。仿真结果表明,基于MSP方法所得到的稀疏多径信道估计结果优于基于传统SP的方法,且无需已知信道的多径个数。     

基于积极集策略的最小闭包球问题算法研究

首先,基于每次迭代计算距离当前球心最远的两个点,提出一种求解n维空间中m个点的最小闭包球问题的(1+ε)-近似算法.对于ε∈(0,1),建立了该算法的核心集大小和计算复杂度,分别为O(1/ε)和O(mn/ε).然后,给出一种积极集策略,每次迭代计算距离当前球心最远的N个点.将该策略结合到提出的算法中,得到一个基于积极集策略的算法.最后,实验结果表明基于积极集策略的算法能够快速、有效地求解m》n的大规模数据集的近似最小闭包球.     

基于典型地物字典学习的遥感图像分块重构方法

遥感图像压缩的传统方法普遍存在着重构时间长、重构质量有待改进等应用难题。本文针对不同典型地物的遥感图像,采用K-SVD字典学习方法分别进行过完备字典训练。重构过程中,采用图像分块优化机制：首先对部分图像块通过多次迭代,从相应地物的过完备字典里求解出能线性表示原图像的原子;然后对其邻域内的图像块,优先使用这些原子中的一部分作为初始值求表示残差,以减少迭代次数。该方法充分利用了典型地物遥感图像的信息内容以及图像块间的相似性,在重构的图像质量、重构速度方面,与非冗余正交基构造的通用字典或未分类的学习字典相比,有一定优越性。     

稀疏补分析子空间追踪算法

针对压缩感知理论的稀疏分析模型下的子空间追踪算法信号重构概率不高、重构性能不佳的缺点,研究了此模型下的稀疏补子空间追踪信号重构算法;通过选用随机紧支框架作为分析字典,设计了目标优化函数,改进优化了稀疏补取值方法,改进了算法迭代过程,实现了改进的稀疏补分析子空间追踪新算法(IASP).实验结果证明,所提算法的信号完全重构概率明显高于分析子空间跟踪(ASP)等5种算法的信号完全重构概率;对于含高斯噪声的信号,所提算法重构信号的整体平均峰值信噪比明显超过ASP等3种算法整体平均峰值信噪比(PSNR),但略低于贪婪分析追踪(GAP)等2种算法的整体平均峰值信噪比.所提算法可用于语音和图像信号处理等领域.     

基于R2指标的高维多目标差分进化推荐式课程系统

针对高等教育新形态下网络教学平台缺乏精准推荐选课问题，提出了一种基于高维多目标进化算法的课程引导、推荐式选课方法。首先为节省存储空间设计了多维事实数据仓库模型，并对课程、学生、教师、课程难度、课程推荐指数等数据仓库中的相关属性进行形式化定义以及规约处理；其次构建了基于R2的高维多目标差分进化（R2-MODE）算法的推荐式选课模型，算法改善了高维复杂空间中的搜索能力；最终实现对课程教师专业度、课程的专业相关度、课程难度系数、课程综合评价这4项性能的同时最优化。实验结果表明，所提算法与基于参考点的NSGA-Ⅲ相比，在收敛性上提高了50%，与基于支配关系的ε-MOEA相比，在分布性上提高了5%，所设计的方法在数据集的收敛性和分布性上整体效果最优。实验中，所提算法成功实现了根据学生个体的特征、意愿来进行的课程的精准推荐，为网络平台精准引导、推荐课程选择提供了必要的理论支持，为智能选课提供了一种新的方法。     

离散线性一致性算法噪声问题研究

多智能体一致性问题在传感网、社交网、协同控制等诸多领域有着广泛的实际应用背景, 本文对离散线性一致性算法的噪声问题进行了研究, 证明了离散线性 一致性算法的噪声不可控性; 提出基于抑噪算子ε(t)的噪声控制策略, 指出当ε(t)为t-0.5的高阶无穷小时, 抑噪后的一致性算法噪声可控; 分析了抑噪算子对一致性 算法收敛性的影响, 证明了在无噪声条件下, 当抑噪算子ε(t为t-1的低阶无穷小时, 抑噪后的一致性算法依然可以使Agent收敛至原收敛状态x*.在上述结论基础上进一步指出, 当t→∞ 时, 若抑噪算子ε(t)的阶在t-0.5~t-1之间, 所有Agent 的状态将以原收敛状态x* 为中心呈正态分布. 最后, 以DHA 为例对相应理论结果进行了验证和讨论. 本文为线性一致性算法的噪声控制提供了理论依据, 对抑噪算s子的确定有较强的指导意义.     

基于R2指标的高维多目标差分进化推荐式课程系统

针对高等教育新形态下网络教学平台缺乏精准推荐选课问题,提出了一种基于高维多目标进化算法的课程引导、推荐式选课方法。首先为节省存储空间设计了多维事实数据仓库模型,并对课程、学生、教师、课程难度、课程推荐指数等数据仓库中的相关属性进行形式化定义以及规约处理;其次构建了基于R2的高维多目标差分进化（R2-MODE）算法的推荐式选课模型,算法改善了高维复杂空间中的搜索能力;最终实现对课程教师专业度、课程的专业相关度、课程难度系数、课程综合评价这4项性能的同时最优化。实验结果表明,所提算法与基于参考点的NSGA-Ⅲ相比,在收敛性上提高了50%,与基于支配关系的ε-MOEA相比,在分布性上提高了5%,所设计的方法在数据集的收敛性和分布性上整体效果最优。实验中,所提算法成功实现了根据学生个体的特征、意愿来进行的课程的精准推荐,为网络平台精准引导、推荐课程选择提供了必要的理论支持,为智能选课提供了一种新的方法。     

H.265/HEVC中基于R-λ模型码率控制的优化算法

在H.265/HEVC基于R-λ模型码率控制算法中,为了提高最大编码单元（LCU）的比特分配的效果以及参数（α、β）更新的精度,提出一种码率控制优化算法。该算法主要是利用当前最大编码单元原始比特进行比特分配,以及利用编码失真度对参数（α、β）更新。实验结果表明,在恒定比特率情况下,相对于HM13.0码率控制算法三分量峰值信噪比（PSNR）增益至少提高0.76 dB,编码传输比特每帧消耗比特至少降低0.46%,编码时间至少减少0.54%。     

基于改进PSO算法的机器人路径规划及实验

针对粒子群优化（PSO）算法存在的优化精度低以及早熟的缺点,提出一种改进的PSO算法用于机器人路径规划．根据梯度下降法中变量沿负梯度方向变化的原则,提出了改进的粒子速度更新模型．为了提高粒子的搜寻效率及精度,增加了自适应粒子位置更新系数．引入ε贪心策略设计了改进的粒子群优化算法．在部分优化测试函数上的多次试验结果表明,所提算法较其他算法模型搜索精度至少提高2倍,收敛速度也有大幅度的提升．将所提算法和改进的DC-HPSO（动态聚类混合粒子群优化）算法应用于静态障碍物下的路径规划仿真和实际试验,结果表明所提模型具有高精度、高效率、高成功率的优点．     

空间众包中多类型任务的分配与调度方法

针对空间众包多类型任务完成的质量与数量问题,提出多类型任务的分配与调度方法。首先,在任务分配过程中,结合空间众包中多类型任务和用户的特点,对贪婪分配算法改进,提出基于距离ε值分配（ε-DA）算法;然后,将任务分配给附近的用户,以提高任务完成质量;其次,利用分支定界思想（BBS）,根据专业匹配分数的大小,对任务序列进行调度;最后,找到最佳的任务序列。针对分支定界思想的调度算法运行速度较慢的问题,提出最有前途分支启发式（MPBH）算法。通过MPBH算法,使得在每次任务分配过程中实现局部最优化,与分支定界思想的调度算法相比,在运行速度上提高了30%。实验结果表明,所提方法能够提高任务完成的质量以及数量,有效地提高了运行速度与精确性。     

基于人工势场法和启发式采样的最优路径收敛方法

具有渐进最优性的快速搜索随机树（RRT^*）算法在路径规划过程中确保了其概率完备性和渐进最优性,然而仍存在收敛速度慢且产生大而密集的采样空间等问题。为了加快算法的收敛速度,提出了一种基于人工势场法和启发集合采样来快速获取最优路径的方法。首先,利用人工势场法构建出一条由起点到目标点的初始路径;然后,以起点和目标点的位置和之间的距离以及初始路径的路径代价作为参数来构建初始启发采样集合;最后,限定在启发集合内进行采样,并且在算法进行的过程中调整启发采样集合的范围,进而加快路径收敛速度。仿真实验中,获取相同路径代价的路径时,所提人工势场结合启发式采样的方法为基础的结合人工势场法和启发采样策略的快速获取最优路径的RRT^*（PI-RRT^*）算法相较于RRT^*算法,采样点数减少了约67%,算法运行时间平均缩短了约74.5%;相较于启发式RRT^*（Informed-RRT^*）算法,采样点数减少了约40~50%,算法运行时间平均缩短了约62.5%。所提出的最优路径收敛方法大量减少了冗余采样次数并缩短了算法运行时间,具有更高的算法效率,收敛到最优路径的速度更快。     

基于水声通信的新型变步长最小均方算法

在水声通信中,信道的多径效应会造成严重的码间串扰（ISI）,而现有的均衡算法在处理ISI问题时存在收敛速度慢、稳态误差大、算法复杂不易于硬件移植等问题,为此结合判决反馈均衡器结构前向均衡（FFE）与判决均衡结构（DFE）,提出了一种基于反余弦步长函数和三参数调整因子的变步长最小均方（LMS）算法。首先对三参数因子α、β、r进行算法仿真,优化算法性能,与固定步长LMS算法、基于修正反正切的变步长LMS算法以及基于双曲正割函数的变步长LMS算法的收敛性能和稳态误差进行仿真比较,结果显示：所提算法的收敛速度较固定步长LMS算法提高了57.9%,稳态误差下降5 dB;较双曲正割LMS算法和修正反正切LMS算法提高了26.3%和15.8%,并且算法的稳态误差下降了1~2 dB。最后,将算法移植于信号处理模块,进行水下实验,结果表明,水声信道造成的ISI经过均衡器后,信号得以恢复,能够实际克服多径效应造成的水声信道ISI问题。     

考虑梯度信息的ε-支持向量回归机

传统的ε-支持向量回归机(ε-support vector regression, ε-SVR)只是根据样本点处的响应值来构建模型, 并没考虑样本点处的梯度信息. 如果样本点处的梯度信息容易获得或者获得的成本并不高, 那就应该将梯度信息应用到模型的构建中. 已有的基于梯度信息的 ε-支持向量回归机模型的构建是从泰勒展开的角度着手, 简单地将梯度信息插入到泰勒展开式中; 本研究另辟蹊径, 并没有去估计样本点邻域内的函数值, 而是将梯度信息作为第二类变量融入到核矩阵中直接构建优化模型, 使模型的构建更为简捷直观, 并据此得到一种新的基于梯度信息的 ε-支持向量回归机(Gradient-enhanced ε-support vector regression, GESVR) 模型. 所提模型通过了常用分析函数及精算领域中的生命表数据的验证, 实验表明, 与传统的 ε-SVR相比, 考虑梯度信息的GESVR模型显著地提高了其预测精度.     

基于观测矩阵优化的自适应压缩感知算法

为提高传统压缩感知（CS）恢复算法的抗噪性能,结合观测矩阵优化和自适应观测的思想,提出一种自适应压缩感知（ACS）算法。该算法将观测能量全部分配在由传统CS恢复算法估计的支撑位置,由于估计支撑集中包含支撑位置,这样可有效提高观测信噪比（SNR）;再从优化观测矩阵的角度推导出最优的新观测向量,即其非零部分设计为Gram矩阵的特征向量。仿真结果表明,随着观测数增大,Gram矩阵非对角元素的能量增速小于传统CS算法,并且分别在观测次数、稀疏度和SNR相同的条件下,所提算法的重构归一化均方误差低于传统CS恢复算法10 dB以上,低于典型的贝叶斯方法5 dB以上。分析表明,所提自适应观测机制可有效提高传统CS恢复算法的能量利用效率和抗噪性能。