OFDM系统中基于压缩传感理论的信道估计算法

信道估计是OFDM系统中的一项关键技术,信道估计质量的好坏对整个系统的性能有重要的影响。传统的最小均方算法对稀疏信道进行估计时存在精确性差的缺陷。本文利用信道冲激响应的稀疏性,提出了一种基于近似l₀范数的信道估计算法。该算法用三种函数逼近l₀范数,应用梯度下降法和梯度投影算法获得代价函数的最优解,从而得到信道的最稀疏解。仿真实验结果表明:在相同条件下,与基于l₁范数的信道估计算法比较,本文算法的收敛速度快,估计值信噪比高,且均方误差小。      

分块压缩感知的全变差正则化重构算法

针对分块压缩感知(BCS)重建图像质量较差问题,该文提出一种最小化l₀范数的分块压缩感知全变差(TV)正则化迭代阈值图像重构算法(BCS-TVIT)。BCS-TVIT算法考虑图像的局部平滑、有界变差等性质,将最小化l₀范数与图像的全变差TV正则项结合,构建目标函数。针对目标函数中l₀范数项和分块测量约束项无法直接优化问题,采用迭代阈值法使重构图像l₀范数最小化,并通过凸集投影保证满足约束条件,完成了目标函数的优化求解。实验表明,与基于l₀范数最小化的分块压缩感知平滑投影算法(BCS-SPL)相比,BCS-TVIT算法重构图像峰值信噪比提高2 dB,能消除BCS-SPL的“亮斑”效应,且在视觉效果上明显优于BCS-SPL算法;与最小全变差算法相比,BCS-TVIT算法重构图像峰值信噪比提升1 dB,且能降低重构时间约2个数量级。     

用于压缩感知信号重建的SL0改进算法

SL0算法是一种基于近似l₀范数的压缩感知信号重建算法,其思想是用一个光滑函数来近似l₀范数,然后求解一个优化问题。目前采用的光滑函数都是高斯函数族,文中突破了以往采用高斯函数族近似l₀范数,提出了采用复合三角函数作为近似估计l₀范数的函数,然后结合修正牛顿法和阻尼牛顿法提出一种更精确的重建算法DNSL0。实验结果表明,在相同测试环境下,DNSL0算法在峰值信噪比和匹配度方面比SL0算法和NSL0算法都有了大幅提高。     

基于正则化的改进平滑l0方位超分辨方法

为提升雷达方位分辨率,文中提出了一种基于正则化的改进平滑l₀(Smoothed l₀,SL0)方位超分辨方法。首先,在目标稀疏性质的前提下,将雷达方位超分辨问题构建为l₀正则化优化问题;其次,在利用SL0算法求解l₀优化问题时,不可避免的需要对病态的天线方向图矩阵求伪逆运算,导致成像误差较大。为解决上述问题,文中利用正则化策略对病态的天线测量矩阵进行处理,获得了非病态的天线卷积矩阵。最后,利用非病态的天线测量矩阵,实现了SL0算法在雷达方位超分辨成像中的应用。相比于传统的l₁正则化超分辨方法和迭代自适应方法,文中提出的改进SL0方法在分辨性能与运行时间上都有相应的优势。     

尺度不变范数比正则的稀疏DOA估计

波达方向估计(Direction Of Arrival,DOA)通过使用传感器阵列来识别声源方位,而传统的DOA估计方法忽略了声源在空间分布的稀疏性,目前的凸稀疏DOA估计方法和非凸稀疏DOA估计方法所使用的惩罚函数未考虑稀疏度量l₀范数的重要特性——尺度不变性,因此无法精确描述声源的空域稀疏结构,难以获得较高的DOA估计精度.为此,本文首先使用具有尺度不变性的范数比函数来逼近l₀范数,刻画声源空域稀疏结构;接着,针对范数比函数的非凸特性,采用光滑化的思想,构建了平滑的近似函数;然后,构建了基于光滑l_p比l_q范数的稀疏DOA估计模型,开发了基于光滑l_p比l_q范数的稀疏DOA估计算法(Smoothed l_p-Over-l_q regularized Sparse DOA Estimation algorithm,SPOQ-SDOA).大量仿真分析表明,与流行的多快拍DOA估计算法相比,本文提出的算法在不同信噪比和快拍...     

变形L1正则化的高光谱图像稀疏解混

如何准确地刻画易于求解的稀疏正则化函数是高光谱图像稀疏解混的难点。变形L₁正则化函数是一类由绝对值函数组成的双线性变换的单参数族,类似于L_pp∈0,1范数,通过调整参数a∈0,可以准确表征L₀和L₁之间的任意范数,并具有无偏、稀疏和Lipschitz连续性。论文首先研究变形L₁正则化函数,然后提出变形L₁正则化的高光谱稀疏解混变分模型,最后提出变形L₁正则化高光谱稀疏解混模型的凸函数差分求解算法。通过模拟和真实的高光谱数据实验,与经典的SUnSAL算法相比,表明提出的算法能够更准确地刻画丰度系数的稀疏性,并获得更高的解混精度。     

重尾噪声环境下的扫描雷达稳健角超分辨方法

扫描雷达由于天线孔径受到平台尺寸限制，存在角分辨率低下的缺陷。角超分辨技术能够在不改变雷达硬件系统的前提下，通过信号处理方法，获得超越雷达实孔径波束宽度的角度分辨能力。近些年研究表明，基于最小绝对收缩和选择算子(LASSO)的稀疏角超分辨方法能够获得比传统方法更高的分辨能力。然而，该方法基于高斯白噪声假设，在残余项中主要基于l₂范数进行约束。当回波数据中存在重尾分布的噪声时，该方法中的l₂范数约束无法有效抑制重尾分布噪声，导致目标分辨能力下降，甚至产生虚假目标。针对该问题，本文提出一种扫描雷达抗重尾噪声角超分辨成像方法。首先，本文引入一种最小绝对偏差(LAD)-LASSO约束准则以抑制重尾分布噪声；更进一步的，针对模型中存在的正则化参数自适应选取难题，本文基于稀疏自相关迭代准则导出正则化参数的最优表达。最后，针对LAD-LASSO非平滑代价函数最优化求解难题，本文提出一种基于迭代重加权最小二乘(IRLS)算法的求解方法，通过将l₁范数替换为重加权的l₂范数，并在每次迭代中计算权值实现最优求解。仿真结...     

具有双重稀疏机制的在线学习算法

针对大数据背景下数据分类问题,已有的在线学习算法通常引入L₁范数正则化增强预测模型的稀疏性,但单一的正则化约束不能高效的获取稀疏模型.基于此,提出了一种具有双重稀疏机制的在线学习算法（an online learning algorithm with dual sparse mechanisms,DSOL）.在DSOL算法中,一方面利用L_1/2正则化项约束目标函数以增强预测模型的稀疏性,提高算法的泛化性能.另一方面用改进的梯度截取法对数据特征进行选择,有效稀疏化预测模型.通过L_1/2正则化与改进的梯度截取策略的有机融合,有效利用了历史数据信息,提高了算法分类数据的性能.通过与另4种代表性稀疏在线学习算法在9个公开数据集的实验对比表明DSOL算法对数据分类的准确性更高.     

基于压缩感知的矩阵型联合SAR成像与自聚焦算法

模型准确情况下,压缩感知在合成孔径雷达成像中得到良好应用;但在实际情况中,模型会存在一定误差,这些误差造成图像偏离真实位置、引起散焦降低成像质量.本文提出一种矩阵型联合CS-SAR成像与自聚焦算法,该算法在CS-SAR成像重构方法方面,基于光滑l₀范数方法提出了矩阵型正则化光滑l₀范数重构方法,该方法具有较强容错能力并能直接重构矩阵型信号,能克服现有联合CS-SAR成像与自聚焦算法在计算效率方面的缺陷.最后,通过仿真验证了所提算法的有效性.     

运动目标检测的l0群稀疏RPCA模型及其算法

经典的鲁棒主成分分析(Robust Principal Component Analysis,RPCA)目标检测算法使用l₁范数逐一判别每一像素点是否属于运动目标,未能考虑到运动目标在空间分布的连续性,不利于提升运动目标检测的鲁棒性.本文提出了一种基于l₀群稀疏RPCA模型的运动目标检测方法.首先运用Ncuts算法进行区域过分割,生成多个同性区域,将其作为群稀疏约束的分组信息;第二步构造基于l₀群稀疏RPCA模型,运用群稀疏准则判别过分割后的各同性区域是否为运动目标,采用交替方向乘子算法对模型进行快速求解,约束过分割形成的同性区域具有相同检测结果,进而将背景环境和运动前景分离,能够更加准确地度量运动目标的区域边界,且对复杂的背景扰动更加鲁棒,达到了运动目标鲁棒检测的目的.     

On Polar Polytopes and the Recovery of Sparse Representations

Suppose we have a signal y which we wish to represent using a linear combination of a number of basis atoms a_i,y=Sigma_ix_ia_i=Ax. The problem of finding the minimum l₀ norm representation for y is a hard problem. The basis pursuit (BP) approach proposes to find the minimum l₁ norm representation instead, which corresponds to a linear program (LP) that can be solved using modern LP techniques, and several recent authors have given conditions for the BP (minimum l₁ norm) and sparse (minimum l₀ norm) representations to be identical. In this paper, we explore this sparse representation problem using the geometry of convex polytopes, as recently introduced into the field by Donoho. By considering the dual LP we find that the so-called polar polytope P* of the centrally symmetric polytope P whose vertices are the atom pairs plusmna_i is particularly helpful in providing us with geometrical insight into optimality conditions given by Fuchs and Tropp for non-unit-norm atom sets. In exploring this geometry, we are able to tighten some of these earlier results, showing for example that a condition due to Fuchs is both necessary and sufficient for l₁-unique-optimality, and there are cases where orthogonal matching pursuit (OMP) can eventually find all l₁-unique-optimal solutions with m nonzeros even if the exact recover condition (ERC) fails for m.     

Deconvolution filter design via l1 optimizationtechnique

A new l₁ optimal deconvolution filter design approach for systems with uncertain (or unknown)-but-bounded inputs and external noises is proposed. The purpose of this deconvolution filter is to minimize the peak gain from the input signal and noise to the error by the viewpoint of the time domain. The solution consists of two steps. In the first step, the l₁ norm minimization problem is transferred to an equivalent A-norm minimization problem, and the minimum value of the peak gain is calculated. In the second step, based on the minimum peak gain, the l₁ optimal deconvolution filter is constructed by solving a set of constrained linear equations. Some techniques of inner-outer factorization, polynominal spectral factorization, linear programming, and some optimization theorems found in a book by Luenberger are applied to treat the l₁ optimal deconvolution filter design problem. Although the analysis of the algorithm seems complicated, the calculation of the proposed design algorithm for actual systems is simple. Finally, one numerical example is given to illustrate the proposed design approach. Several simulation results have confirmed that the proposed l₁ optimal deconvolution filter has more robustness than the l₂ optimal deconvolution filter under uncertain driving signals and noises     

OFDM系统中基于lp范数的稀疏信道估计

针对已有的基于l0范数和l1范数的LMS算法来实现稀疏信道估计所遇到的问题,引入了新的lp(0相似文献   

Gabor字典及l0范数快速稀疏表示的人脸识别算法

针对光照、遮挡、伪装情况下,识别率比较低,识别时间长的问题,本文提出了基于Gabor字典及l0范数快速稀疏表示的人脸识别算法。Gabor小波提取的特征能够克服遮挡、光照等干扰对人脸识别的影响,平滑l0算法通过平滑连续函数来近似 l0范数,只需较少测量值并且较快速度便能重构稀疏信号。本算法通过提取人脸的Gabor特征、主成分分析法（PCA）降低维度,l0范数快速稀疏分类完成识别。在伪装人脸情况下,分块计算Gabor人脸特征,提高Gabor字典的形成速度。基于AR人脸数据库的实验结果表明,本算法可在一定程度上提高识别速度和识别时间,即使在小样本情况下,依然具有较高的识别率。      

l2 and l1 beamformers: recursiveimplementation and performance analysis

Studies array beamformers as optimal waveform estimators. The authors apply an inverse problem formulation, presenting an integrated design to quadratic (l₂) and least absolute value (l₁ ) beamformers. The general solution of the l₂ beamformers is parameterized by a regularizing parameter that weights the confidence placed by the designer on prior knowledge versus the quality of the measurements. This regularizing parameter is used to establish an equivalence between alternative l₂ beamformers. The authors then develop time-recursive implementations of the l₂ and l₁ beamformers. The performance of these beamformers is studied next. The authors show that 1) in the presence of correlated arrivals, the MMSE beamformer uses constructively the correlation between incoming signals in reconstructing the estimated field, while rejecting the uncorrelated returns, and 2) the l₁ beamformer has the ability to adjust itself to unexpected noise conditions because it is considerably more robust than the l₂ beamformers to unmodeled impulsive noise or to the occurrence of malfunctioning sensors. The analysis is confirmed by simulated studies     

基于lp 范数的离格稀疏空时自适应处理算法

稀疏恢复（Sparse Recovery, SR）空时自适应信号处理（Space Time Adaptive Processing, STAP）仅需要少量的杂波样本即可有效抑制杂波,但是稀疏恢复空时自适应信号处理依赖于空时字典,当载机运动方向与天线放置方向存在偏航角时,杂波脊偏离空时字典格点,出现离格问题,从而导致杂波抑制性能下降。已有的基于l1范数类的离格稀疏恢复算法在存在噪声时性能下降,没有充分利用杂波的稀疏性,文章提出一种基于lp(0<p<1)范数的离格空时自适应处理算法,首先将建立基于空时字典更新的稀疏恢复空时自适应模型,然后将该模型松弛为lp(0<p<1)范数的非凸优化问题,最后利用主函数最大化算法将该优化问题转化成凸优化问题,利用两层迭代求解的方法得到该问题的解,最后利用模型的解估计杂波协方差矩阵。通过仿真实验表明,提出的算法能够提高存在离格问题时的杂波恢复精度,抑制杂波的性能也优于已有的基于变分推断的算法。      

基于BFGS拟牛顿法的压缩感知SL0重构算法

平滑l₀范数(SL0)算法是一种基于近似l₀范数的压缩感知信号重构算法,采用最速下降法和梯度投影原理,通过选择一个递减序列来逐步逼近最优解,具有匹配度高、计算量低、不需要已知信号稀疏度等优点。但是,其迭代方向为负梯度方向,使得在迭代过程中产生“锯齿现象”,导致在最优解附近收敛速度较慢。牛顿法具有较快的收敛速度,但是对初值的要求较高,并且需要计算Hesse矩阵。拟牛顿法则克服了这个缺点,利用BFGS公式计算Hesse矩阵的近似矩阵,只需要计算1阶导数信息。该文在SL0算法的基础上,结合BFGS拟牛顿法,提出一种改进的压缩感知信号重构算法。首先采用最速下降法迭代得到信号的某个估计值,然后将此估计值作为拟牛顿法的初值继续迭代,直至得到最优解。计算机仿真结果表明,在相同的条件下,该算法在重构精度、峰值信噪比和重建匹配度等方面均有较大提高。     

基于压缩感知的相关干涉仪测向算法

针对相关干涉仪测向系统,提出了一种基于压缩感知的测向算法.该算法将相关干涉仪的测量矢量分解为以测向数据库为基底的含有噪声的稀疏表示,采用再加权的l₁范数凸优化算法,迭代更新加权矢量,以逼近最优的l₀范数.所提算法和传统的计算相关系数最大值方法相比,额外利用了辐射源信号在空域上的稀疏性,可以对同频多信号进行测向.采用计算机仿真对所提算法的性能进行了验证.