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。     

基于辅助模型正交匹配追踪的多输入系统迭代辨识算法

针对含有未知时滞的多输入输出误差系统的时滞与参数辨识问题,提出一种基于辅助模型的正交匹配追踪迭代算法.首先,由于各输入通道的时滞未知,通过设定输入回归长度,对系统模型进行过参数化,得到一个高维的辨识模型,且辨识模型中参数向量为稀疏向量;然后,基于辅助模型思想和正交匹配追踪算法,在每次迭代过程中,对参数向量和辅助模型的输出进行交互估计,即利用正交匹配追踪算法获得参数向量的估计,再利用参数估计值计算辅助模型的输出,并用辅助模型的输出值代替信息向量中的不可测信息项以更新参数估计;最后,根据参数向量的稀疏特征,获得系统的时滞估计.所提出算法可以利用少量的采样数据信息同时获得系统参数和时滞的估计值.仿真结果表明了所提出算法的有效性.     

基于辅助变量的闭环系统子空间辨识

提出一种基于辅助变量的子空间辨识方法,适用于控制器信息未知以及参考输入已知的闭环系统参数辨识.通过将输入-输出数据块正交投影到辅助变量的行空间,直接得到扩展观测矩阵垂空间的估计.由此可从闭环系统中提取出对象模型信息,同时由SVD分解得到扩展观测矩阵与下三角Toeplitz矩阵的估计.给出了系统参数矩阵、噪声矩阵的计算方法.将所提出的子空间辨识方法应用于闭环动态的系统参数估计,其结果表明了该方法的有效性.     

一种新的压缩采样匹配追踪算法

提出了实用性更强的完全受噪声扰动理论模型,引入了与原信号相关的乘性噪声;并基于新的模型,提出了一种改进的压缩采样匹配追踪算法.该算法通过构造一个感知测量矩阵,在信号替代阶段中取代随机测量矩阵来减少相关性对支撑集筛选的影响,最后可在乘性噪声存在的情况下实现了信号的精确重建.实验结果表明,在相同测试条件下,该算法的重建效果均优于其他贪婪算法和基匹配法(basic pursuit,BP).     

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．     

闭环系统的输出过采样辨识方法及其估计精度分析

传统闭环系统辨识方法的可辨识性受到参考设定信号和控制器结构的限制．提出了一种通过对输出过采样实现线性离散时间闭环系统辨识的方法，输出过采样提供了更多的系统结构信息，在传统辨识方法的可辨识条件不满足的情况下，仍能正确辨识系统参数，针对有色噪声干扰，分析其在不同过采样率下的估计精度，得出最优估计的过采样率计算方法．辨识方法实现简单、运算量小、估计精度高．仿真试验验证了其有效性．     

一种改进的压缩采样匹配追踪算法研究

该文简单对信号稀疏重建的模型和测量矩阵的设计进行了介绍,主要介绍了几种稀疏重建算法,详细给出压缩采样匹配追踪算法及其改进算法的数学框架和基本思想,从原子选择策略和冗余向量的更新方式对算法进行了比较分析,最后通过模拟实验验证了MP,OMP,CoSaMP和IHTCoSaMP算法的重构效果,同时以MSE为性能指标评价了各种算法的重构质量,实验结果表明改进的压缩抽样匹配追踪算法的运算速度较快,重构质量较高。     

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.

     

基于压缩感知信号重建的自适应空间正交匹配追踪算法

传统的奈奎斯特采样定理规定采样频率最少是原信号频率的两倍,才能保证不失真的重构原始信号,而压缩感知理论指出只要信号具有稀疏性或可压缩性,就可以通过采集少量信号来精确重建原始信号.在研究和总结已有匹配算法的基础上,提出了一种新的自适应空间正交匹配追踪算法(Adaptive Space Orthogonal Matching Pursuit,ASOMP)用于稀疏信号的重建.该算法在选择原子匹配时采用逆向思路,引入正则化自适应和空间匹配的原则,加快了原子的匹配速度,提高了匹配的准确性,最终实现了原始信号的精确重建.最后与传统MP和OMP算法进行了仿真对比,结果表明该算法的重建质量和算法速度均优于传统MP和OMP算法.     

基于CS的稀疏度变步长自适应压缩采样匹配追踪算法

通过对压缩感知(CS)理论进行研究和分析,在传统的重构算法的基础上,提出稀疏度变步长自适应压缩采样匹配追踪算法(CSVssAMP)。采用压缩采样和可变步长自适应变换的思想,解决了稀疏性未知信号的重构问题,有效地提高了数据的重构效率。相比传统的重构算法,该算法不需要预先已知稀疏度,并且每次迭代选择多个原子可以更精准地恢复低噪声信号。采用自适应变步长替换固定步长,提高了重构速率和目标精度。仿真结果表明,与现有重构算法相比,该算法的重构效果更好。     

压缩感知中迂回式匹配追踪算法

迂回式匹配追踪(detouring matching pursuit, DMP)是一种计算复杂度低、准确率高、对传感矩阵列相关性要求低的贪婪重构稀疏信号算法.DMP中子内积逆和系数矩阵递增递减核心式被提出并证明,DMP利用子内积逆和系数矩阵减少残差误差变化量的计算量,达到降低计算复杂度的目的.另外,DMP采用先逐个最优缩减、后逐个最优扩增假定支撑集元素的方法提高重构准确率和扩大重构稀疏信号的稀疏度范围.DMP算法复杂度分析表明,DMP算法中获取、缩减和扩增假定支撑集的复杂度分别为O(K2N),O(b(K－b)N)和O(b(K－b)N).加权间接重构0-1稀疏信号实验结果表明,对于稀疏度为M/2的0-1稀疏信号,DMP、逐步贪婪追踪(greedy pursuit algorithm, GPA)、子空间追踪(subspace pursuit, SP)、压缩采样追踪(compressive sampling matching pursuit, CoSaMP)、正交匹配追踪(orthogonal matching pursuit, OMP)的重构准确率分别为99%,65%,0%,0%和13%.非零值服从正态分布的稀疏信号实验结果也表明DMP的重构准确率优势显著.     

一种新的辅助变量法--重复实验辅助变量法

本文提出了一种新的辅助变量(IV)法--重复实验辅助变量(TRIV,Test-Repeat IV)法.这种方法不但适用于闭环系统辨识,而且具有精度高、速度快、算法简单及易于判阶等优点.在理论上分析了这种方法的一致性,并通过Monte Carl1o仿真实验证实了这种方法的有效性.     

基于压缩感知的K L分解语音稀疏表示算法

为克服稀疏基在KLT域不便传输的不足,提出一种基于Karhunen-Loeve(K-L)正交分解的语音稀疏表示算法.结合压缩感知理论,建立语音自相关模型并求解Fredholm积分方程,采用二分法估计出可实时传输的模型参数,构造非相干字典;然后用随机矩阵对语音在字典上的稀疏投影系数进行观测获得低维观测值.重构结果表明:相比已有的稀疏表示算法,本文算法的字典匹配性更好,且具有较好的语音质量.     

一种新的码片内多径时延估计方法

根据信道冲激响应的稀疏特性,提出了一种频域的时延估计压缩感知模型,将时延估计问题转化为基于欠采样数据的稀疏向量估计问题.利用离散傅里叶变换(Discrete Fourier transform,DFT)矩阵的子矩阵所满足的受限等距性(Restricted isometry property,RIP)以及信道冲激响应的稀疏特性充分降低了时延估计所需数据量的要求.分析了本文模型具有码片内多径分辨能力以及良好抗噪性能的原因,并与多信号分类(Multiple signal classification,MUSIC)和旋转不变技术的信号参数估计(Estimation of signal parameters via rotational invariance technique,ESPRIT)算法的时延估计性能进行仿真比较.仿真结果表明,本文提出的方法不需要预知多径的条数,对码片内多径时延具有较高的估计精度,其时延估计性能在特定条件下优于MUSIC和ESPRIT算法.     

2D sparse signal recovery via 2D orthogonal matching pursuit

Recovery algorithms play a key role in compressive sampling (CS).Most of current CS recovery algo-rithms are originally designed for one-dimensional (1D) signal,while many practical signals are two-dimensional (2D).By utilizing 2D separable sampling,2D signal recovery problem can be converted into 1D signal recovery problem so that ordinary 1D recovery algorithms,e.g.orthogonal matching pursuit (OMP),can be applied directly.However,even with 2D separable sampling,the memory usage and complexity at the decoder are still high.This paper develops a novel recovery algorithm called 2D-OMP,which is an extension of 1D-OMP.In the 2D-OMP,each atom in the dictionary is a matrix.At each iteration,the decoder projects the sample matrix onto 2D atoms to select the best matched atom,and then renews the weights for all the already selected atoms via the least squares.We show that 2D-OMP is in fact equivalent to 1D-OMP,but it reduces recovery complexity and memory usage significantly.What’s more important,by utilizing the same methodology used in this paper,one can even obtain higher dimensional OMP (say 3D-OMP,etc.) with ease.     

基于CS理论的24脉波整流器开路故障诊断方法

针对24脉波整流器晶闸管开路故障待处理数据量大、诊断精度不高和诊断速度慢的缺点,提出一种基于压缩感知（CS）理论对开路故障电压信号的稀疏向量进行特征提取的分类识别方法。利用冗余字典和高斯测量矩阵对原始信号进行稀疏表示和测量,接着用正则化自适应匹配追踪算法对测量信号进行重构,得到稀疏向量;对稀疏向量进行6种特征参数的提取,将其作为BP神经网络的输入,实现对开路故障的诊断识别;选取典型的开路故障类型,进行仿真实验验证。仿真结果表明,传统方法要处理的数据长度为1000,而所提方法要处理的数据长度只有50,以很少的数据量保存了原有信号的特征信息,使得开路故障识别准确率显著提高,诊断速度加快。