稀疏线性预测字典在语音压缩感知中的应用

压缩感知理论框架可以同时实现信号的采样和压缩,将压缩感知应用于语音信号处理是近年来的研究热点之一.本文根据语音信号的特点,采用K-SVD算法获得稀疏线性预测字典,作为语音信号的稀疏变换矩阵.高斯随机矩阵用于原语音信号的采样从而实现信号的压缩,最后通过正交匹配追踪算法(OMP)和采样压缩匹配追踪算法(Co Sa MP)将已采样压缩的语音信号进行信号重构.实验考察了待处理语音信号帧的长度、压缩比,稀疏变换字典以及压缩感知重构算法等因素对语音压缩感知重构性能的影响,结果表明,基于数据集训练的稀疏线性预测字典相比传统解析构造的离散余弦变换字典,对语音的重构性能具有0.6 d B左右的提升.     

基于图像熵分块的压缩感知字典学习算法

针对传统字典学习算法预处理阶段未考虑图像内外部特征的问题,提出一种基于灰度梯度矩阵的图像熵字典学习算法.该算法通过灰度梯度矩阵计算图像块熵值,并对各图像块进行分类,每类数据组合成训练数据集,再利用基于系数矩阵的奇异值分解算法更新各类子字典.对测试图像的稀疏表示系数进行重建实验,仿真结果表明,该算法可高效训练出自适应稀疏字典,显著提高图像重建精度.      

稀疏步进频合成孔径雷达成像算法

提出了一种适用于稀疏步进频信号的成像算法,以较少的时间和频谱资源完成了雷达目标成像。该算法将稀疏步进频回波数据等效为均匀步进频回波数据的观测值,利用压缩感知重构算法实现目标区域的距离向重构,然后经过距离徙动校正与方位向脉压完成对目标场景成像。仿真结果表明:该算法在发射频点高度稀疏条件下仍能实现高分辨成像。采用地基雷达实测数据验证了算法的有效性。     

模式耦合稀疏贝叶斯MIMO雷达成像

通过压缩感知稀疏恢复理论可利用少量MIMO雷达收发阵元实现对目标的高分辨成像。利用MIMO雷达目标图像的块稀疏特性,将模式耦合稀疏贝叶斯学习算法应用于MIMO雷达成像,首先建立MIMO面阵回波信号模型,引入模式耦合稀疏贝叶斯分层模型,将相邻系数通过共用超参数的方法耦合起来。通过贝叶斯推理得到雷达信号的估计式,再通过EM算法实现对超参数的迭代估计,进而实现对雷达信号的估计,直到信号满足误差允许范围,最后重构信号实现MIMO阵列高分辨成像。仿真实验表明,该方法的成像效果在图像的聚焦性能上优于传统的傅里叶、稀疏贝叶斯算法,在散射点重构上优于OMP算法。     

基于Sparse K-SVD学习字典的语音增强方法

提出一种基于Sparse K-SVD学习字典的语音增强方法,采用Sparse K-SVD算法自适应地训练一个可稀疏表示的冗余字典,在该冗余字典上采用正交匹配追踪(OMP)算法对带噪语音信号进行稀疏分解,利用稀疏系数矩阵重构纯净语音,实现语音增强.使用NOIZEUS语音库进行了一系列的语音增强实验,主客观评测数据表明,基于稀疏表示的语音增强方法(分别使用Sparse K-SVD和K-SVD训练字典)相对于传统语音增强方法(小阈值波法、谱减法、改进谱减法)可进一步改善语音质量;对字典训练时间进行统计,发现Sparse K-SVD算法训练字典消耗的时间为K-SVD算法训练时间的1/6~1/10,大幅度提高了计算效率.     

含旋转部件目标稀疏孔径ISAR成像方法

针对稀疏孔径条件下含旋转部件目标(ISAR)成像质量较差的问题，提出了一种基于子孔径Chirplet变换和压缩感知(CS)的含旋转部件目标稀疏孔径ISAR成像方法：首先，建立了含旋转部件目标的稀疏ISAR成像模型，推导了宽带雷达条件下含旋转部件目标的微多普勒效应，并分析了孔径的稀疏与微多普勒效应共存时对成像的影响；其次将回波信号投影到Chirplet变换基，利用目标主体回波信号和微动部件回波信号在Chirplet变换投影参数上的差异，有效剔除有效子孔径中的微多普勒调制信号;最后，采用基于正交匹配追踪(OMP)算法的CS方法对有效子孔径进行恢复成像，获得了含旋转部件目标的高质量成像结果。仿真实验表明，该方法可以有效消除微多普勒效应和孔径稀疏的干扰，并实现高质量的ISAR成像。     

基于K-SVD和PCA运动属性字典学习的行为识别

本文提出了一种基于K-SVD和PCA运动属性字典学习的行为识别方法.首先采用混合高斯背景建模提取运动目标前景,并对其提取四通道光流特征;然后在字典学习阶段对于输入特征采用K-SVD学习过完备初始字典,对初始字典进行PCA变换进一步学习更为紧致的字典,减少原子间的相关性;最后采用OMP算法求解稀疏系数来表征目标的行为.利用本文提出的方法在CASIA数据集上进行测试,实验结果表明该方法具有较高的识别率.     

基于稀疏采样的调频率估计与多目标ISAR成像

针对目前多目标成像中关于信号调频斜率估计的算法存在着采样频率过大,以及短时条件下精度不高的问题,结合压缩感知理论,提出了一种基于稀疏采样的回波信号调频率估计与多目标ISAR成像方法。首先,根据目标回波信号的特点构造超完备稀疏基,将信号投影到该稀疏基上,利用高斯随机矩阵对分解后的信号进行欠采样,采用FOCUSS稀疏重构算法,精确提取出信号的调频斜率;然后,利用估计出的调频斜率对多目标回波信号中各个目标的回波分量进行分离和补偿;最后,基于稀疏采样对各个单目标分别进行成像。仿真实验验证了该方法的可行性和有效性。     

基于稀疏字典分解的窄带雷达自旋目标干涉三维成像

空间微动目标干涉三维成像技术研究中,最关键的是对各散射点进行保相分离。当脉冲重复频率（PRF）不满足奈奎斯特采样定律时,基于图像处理的成像方法无法有效分离目标各散射点。提出了一种基于稀疏字典分解的窄带雷达自旋目标干涉三维成像方法,该方法能够直接从回波数据中分离出各散射点。首先,根据自旋目标回波信号特性构建稀疏字典,利用稀疏分解算法分解回波,得到各散射点子回波,其次通过时频分析并利用其保相性,获得各散射点的微动曲线,并提取出它们在时频平面上经过位置的干涉相位差,最后根据干涉相位差与坐标之间的关系重构散射点坐标,对空间自旋目标进行三维成像。仿真结果表明,在PRF不小于0.25倍奈奎斯特频率时,所提方法均能有效实现自旋目标三维成像。     

基于稀疏贝叶斯的多跳频信号二维波达方向估计

分析了现有跳频信号二维波达方向(DOA)估计算法的优缺点,提出了一种基于稀疏贝叶斯学习的跳频信号二维DOA估计算法.该算法利用L型阵列特点,将方位角、俯仰角和跳频率三维信息转换为一维空间频率信息,降低了冗余字典长度和稀疏求解难度.其次,经过奇异值分解降维处理,减少了矩阵运算维数,降低了算法复杂度,通过稀疏贝叶斯算法和快速傅里叶变换估计出空间频率和跳频率,利用Capon空间频率配对算法将空间频率和跳频率正确配对,计算出空间角.最后,由空间角几何关系解算出方位角和俯仰角.模拟结果表明,在低信噪比或低快拍数条件下,该算法DOA估计精度较高,且不易受空间频率间隔和跳频信号源相干性的影响.     

采用遗传算法的分层贪婪字典训练算法

针对稀疏表示残差过大的问题,提出了采用遗传算法的分层贪婪字典训练算法.该算法首先将数据样本变成一维信号,然后将问题划分为若干个子问题,采用贪婪算法思想分层训练字典.为了以一定概率寻找到每一层字典的最优值,使用遗传算法来训练每一层字典,最后将每层字典级联作为最终的字典.在训练每一层字典时,先采用号码矩阵对样本的分类进行表示,然后以平均低秩逼近的残差能量作为衡量适应度的参数,以联赛选择的方式选出优胜个体,通过单点交叉和变异方法产生新的个体.对二值序列的稀疏表示信号重建的实验结果表明,该算法在训练样本量较小的情况下,与传统的核奇异值分解算法相比,训练得到的字典在同样的稀疏度约束下重建信噪比提高了10倍以上.     

基于参数化稀疏表征高速目标ISAR成像方法

针对高速运动目标逆合成孔径雷达(ISAR)成像问题,提出一种基于参数化稀疏表征的高速目标ISAR成像方法.首先,对高速运动目标回波信号特点进行分析,构造包含目标未知速度的参数化感知矩阵,建立回波信号稀疏模型.其次,采用自适应寻优算法,同时获得优化的感知矩阵及目标运动速度,基于压缩感知理论,在稀疏采样条件下重构目标ISAR像.相较于已有方法,所提方法可避免ISAR成像中复杂的运动补偿处理,并具有较低的运算复杂度和较好的鲁棒性.仿真实验验证了理论分析与所提成像方法的正确性和有效性.     

斜视合成孔径雷达的稀疏降采样数据成像方法

针对合成孔径雷达数据量庞大,不便于存储传输等问题,结合经典的距离多普勒成像算法与压缩感知理论,提出一种稀疏降采样斜视SAR数据的成像方法.在方位向上用随机降采样的方式录取数据,对所得数据进行相应的距离徙动校正和距离脉压,随后将方位向脉压建模为典型的压缩感知模型,用平滑l₀算法重构出二维SAR场景.利用该方法能有效地减少稀疏场景的SAR回波数据量,仅采用传统数据量的25%,即可获得清晰的二维成像结果.     

基于GST的变速机械故障信号稀疏特征提取方法

为提取强噪声背景下的变速旋转机械设备的冲击故障特征,提出了一种基于广义S变换的稀疏特征提取方法.首先,通过多分辨率广义S变换（multiresolution generalized S-transform,MGST）搜索每次迭代过程中的最佳原子,多分辨率广义S变换可以得到信号不同尺度下的归一化时频谱,并从中找出能量最大值及其所对应的时频因子,根据故障冗余字典的构建模型可得到冲击成分的最佳匹配原子.其次,结合正交匹配追踪算法（orthogonal matching pursuit,OMP）,计算出信号在原子集合下的投影,由于采用了基于多分辨率广义S变换的原子搜索策略,大幅度提高了OMP的分解效率.最后,根据稀疏表示中第一个冲击信号的出现时刻,可依次计算出冲击信号在变速情况下的出现时刻理论值,通过与实测值的比较,实现变速机械的故障诊断.仿真和实例分析结果表明,该方法比传统OMP方法和广义S变换具有更高的计算效率和定位精度.      

基于贪婪算法获取稀疏表示探讨研究

本文给出一个反例,指出在一般的字典中,稀疏表示中正交匹配搜索（OMP）算法不能得到测量的最稀疏信号,从而说明匹配搜索、正交匹配搜索等贪婪算法在稀疏表示中不能保证每一个测量能得到信号的最稀疏表示.     

基于自适应加权压缩感知的图像超分辨率重建

压缩感知理论被广泛应用于从少量随机观测中精确地重构原始信号,基于压缩感知理论来实现图像的超分辨率重建,在利用图像的局部稀疏性先验的基础上,采取了以下两项措施：一是通过对图像降质模型的估计,采用K-奇异值分解(K-singular value decomposition, K-SVD)算法构建过完备字典对,依据同一图像高低分辨率观测在对应字典下稀疏表示系数相似的特点,将字典对所表示的高低分辨率图像间的映射关系带入目标函数中,避免了降采样和模糊算子难以抽象为矩阵形式对求解造成的影响;二是在待超分辨率图像稀疏编码时提出一种自适应加权的梯度投影稀疏重构(adaptive weighting gradient projection for sparse reconstruction, AWGPSR)算法,克服了传统正交匹配追踪(orthogonal matching pursuit, OMP)算法在这一步需要固定稀疏度的缺陷,可获得更加精确的稀疏表示系数。结合得到的稀疏表示系数与高分辨率字典可以重建出图像的高频分量,将重建的高频分量与低频部分融合可以得到最终的图像超分辨率重建结果。实验结果表明,...     

一种稀疏度自适应分段正交匹配追踪算法

针对分段正交匹配追踪(St OMP)算法需要信号的稀疏度作为先验信息且重构精度较低的特点,提出一种稀疏度自适应分段正交匹配追踪算法。首先,通过对观测矩阵与初始残差相乘所得的残余相关性向量进行离散余弦变换,估算出支撑集所要扩充的最大原子数;其次,采用与抽样率成正相关的因子对较大的阈值参数进行适当修正,并对通过设定阈值所选取的原子进行优化处理;最后在St OMP算法的框架下采用变步长的方法实现稀疏度的逼近和信号的精确重构。仿真结果表明:本文所提出的算法对信号的稀疏度具有很好的自适应特性,并且在保持了较低重构复杂度的同时具有更稳定的重构质量。     

采用联合域字典稀疏表示的极化SAR图像分类

针对传统字典学习算法难以有效保持极化SAR图像的空间结构以及难以处理大规模数据的问题,提出了一种基于空域和极化域的联合域字典学习和稀疏表示的分类方法.该方法采用基于联合域流形距离的快速AP聚类进行字典学习.利用局部线性编码对极化SAR图像进行空域和极化域的联合域稀疏表示,充分利用了极化SAR数据集潜在的信息,有效保持极化SAR数据结构的同时降低了算法的时间复杂度.试验结果表明:所提算法适应性强,收敛速度快,能够提高极化SAR图像的分类精度.     

基于特征参数稀疏表示的SAR图像目标识别

通过对合成孔径雷达（synthetic aperture radar,SAR）图像的统计特性分析,提出一种基于特征参数稀疏表示的SAR图像目标识别算法,有效地解决了图像域稀疏表示识别算法存在的高维问题。由低维高精度的广义二维主分量特征构成过完备字典,基于Fisher线性判别准则对该字典进行学习优化,使得类内更紧凑,类间更分开,同时降低了稀疏求解的复杂度。求解测试样本在优化字典下的稀疏表示系数,根据系数矢量的能量特征完成分类识别。MSTAR（moving and stationany target acquisition and recognition）实测SAR图像数据实验的结果表明,该方法稀疏求解复杂度低,并且只需简单的SAR图像预处理即可有效地提高识别的准确率和速度     

一种基于稀疏表示的判别式目标跟踪算法

目标跟踪是计算机视觉领域中具有挑战性的问题.提出了一种基于稀疏表示的判别式目标跟踪算法,用于在复杂场景中对运动目标进行鲁棒跟踪.该算法首先对目标进行滑动窗口稠密采样,构建目标的稀疏表示字典,然后将目标表示为该字典的稀疏编码,从而构造具有判别力的目标特征表示.在跟踪过程中,将目标跟踪问题看作是背景与目标的判别性问题,使用目标和背景的特征表示在线训练朴素贝叶斯分类器,根据分类结果得到目标的跟踪结果.为了适应场景及目标外观变化,设计动态更新机制对字典与分类器进行在线更新.和传统基于稀疏表示的跟踪方法相比,该算法将稀疏表示与判别式分类器结合,利用稀疏表示获得具有判别力的目标特征表示,而在线的朴素贝叶斯分类器则确保了目标跟踪的快速有效.与流行的多种跟踪算法比较结果表明,本算法能够在复杂条件下实现目标的鲁棒跟踪.