稀疏似p范数变步长LMS的水下多径抑制算法

针对稀疏似p范数LMS算法存在收敛速度较慢、失调误差较大的不足,本文在建立浅海环境中离散多径干扰模型的基础上,提出一种变步长稀疏似p范数LMS算法,采用与误差有关的函数值来调整零吸引项,同时使用改进的Sigmoid函数变化自适应迭代步长。数值仿真表明:与经典LMS算法和已有的稀疏似p范数LMS算法相比,该算法具有良好的干扰抑制效果,同时具有较快的收敛速度和较小的稳态误差。     

盲稀疏源信号分离算法的恢复性研究

基于一种两步稀疏表示的方法,利用随机框架讨论欠定盲源分离的恢复能力.盲稀疏源信号分离算法一般假设源信号是充分稀疏的,讨论了在源信号不充分稀疏的情况下欠定盲源分离的恢复能力的概率估计,进一步刻画了源的稀疏性与恢复能力的关系,揭示了利用两步法处理盲源分离问题的有效性.     

基于RBF网络的欠定盲分离源信号恢复

基于优化近似(l0)范数的算法应用于欠定盲分离源信号恢复时,存在算法复杂度较高,恢复精度受步长影响较大的问题,为此,提出了基于径向基函数(RBF)网络的欠定盲分离源信号恢复算法.该算法借助RBF网络进行交替优化,同时引入修正牛顿法对最小化近似l0范数进行求解,避免了传统的近似(l0)范数重构算法因步长选择不当造成恢复精度较低的缺点.仿真结果表明,与现有的基于平滑(l0)范数的算法相比,所提方法在保证较高恢复精度的同时复杂度明显降低.     

基于欠定盲源分离的电磁干扰分离方法

针对传统电磁干扰测试方法无法对多个同时工作的机载设备进行独立观测,且现有的盲源分离算法对观测信号数目少于源信号数目的情况无效,提出了一种欠定盲源分离算法用于电磁干扰分离。该方法适用于具有稀疏特性的谐波信号,将干扰源看作源信号,首先采用邻域比值法提取混合信号的单源主导区间,提高信号的稀疏特性,然后在此区间采用Hough加窗法对电磁干扰源的数目和混合信道进行估计,避免算法陷入局部最大,最后采用夹角差排序法选择合适的混合矩阵列向量来确定分离矩阵,将欠定方程转变成正定方程,实现混合信号的分离。仿真实验得到的分离干扰信号与原始干扰信号间的相关系数平均值为0.9936,表明算法具有较高的准确性,Monte Carlo仿真结果表明本文算法较几种常用算法具有更好的抗噪声性;实测实验对实测数据分离并整改,整改结果表明了本文算法的可行性。     

基于FOCUSS算法的稀疏阵列综合

以最大稀疏化阵列得到所期望的方向图是稀疏阵列综合理论中的关键问题. 由于阵列天线本身具有稀疏的物理特性, 因此可将稀疏阵列综合归结为稀疏信号的重建过程. 该文提出一种将阵列天线的波束形成问题等效为求解稀疏信号向量的最优化问题的方法, 并利用FOCUSS算法快速准确地得到最大稀疏化的阵列, 以及阵元位置和激励幅度. 理论分析和数值仿真表明了该方法的有效性.     

具有任意分布时间相关源的盲分离自适应算法

常用的盲分离算法假定源是独立同分布的随机信号，这种假定在实际应用中受到限制。中把盲分离算法扩展到具有时间相关特性的源信号，给出了盲分离的模型。以最大似然估计为基础，用MA模型来消除源的时间相关特性，推导了MA模型参数和混合参数的自适应梯度学习算法。为了提高该算法的适用性，采用高斯混合模型(GMM)来拟合源的概率密度函数，并给出了GMM模型参数的自适应算法。计算机仿真结果表明：算法的性能良好，收敛速度快。     

使用ε-SVR求解稀疏分解的单混合信号BSS

文章提出了一种单混和信号盲源分离(BSS)问题的改进解法。在源信号数大于混合信号数时,标准ICA法不再有效,BSS可使用稀疏分解法。文章首先将稀疏分解法等同于支撑向量回归(SVR)的一种形式,为稀疏分解法提供新的直观解释和求解方法。通过引入序列最小化算法(SMO)求解该SVR类比形式,显著提高了算法的速度和实用性。最后,我们将方法应用于QAM调制信号的单混合信号的盲分离问题,得到较好的分离效果。     

跳频信号的欠定盲源分离

针对跳频信号的欠定盲源分离,为了解决现有的时频域方法中算法计算量大、信号存在畸变、恢复精度不高的问题,提出了一种基于滤波的跳频信号欠定盲分离算法. 该算法首先根据估计到的源信号载频设计带通滤波器,利用这些滤波器对观察信号进行滤波,得到只包含某一个源信号的观测信号分量,使原分离问题分为数个时域上稀疏的欠定盲分离问题,然后对各个分量在时域上分别应用欠定盲源分离算法估计每跳数据. 通过仿真对比发现,所提的滤波法得到的跳频信号更精确,信干比比时频域方法大4dB;同时所提算法处理的数据量小,计算复杂度低.     

噪声环境下基于胎心电检测信号相关性判别的盲分离分析

胎心电是目前研究的一个热点.基于线性叠加盲分离模型,孕妇腹部的胎心电检测信号在原理上是可以通过盲分离算法进行分离的.然而临床复杂的采样环境往往会破坏信号的线性叠加特性导致一般盲分离方法难以提取出微弱的胎心电信号.为此,本文提出了一种带噪情况下基于判断多路孕妇腹部混叠信号是否满足时域稀疏线性叠加特性判决方法.通过现有的心电检测手段,找到孕妇腹部混叠心电信号的稀疏区域并计算信号间的相关性,以度量多路信号的稀疏线性混叠程度.仿真结果表明,本文提出的基于胎心电检测信号的判别方法直观地反映了多路信号间的混叠线性程度,可为FastICA算法在胎心电的应用提供一个前期的判断依据,以便获得更优的分离效果或选择另外的盲分离算法.     

基于KL散度的增量非负矩阵分解盲源分离算法

利用KL散度衡量增量非负矩阵分解效果,提高非负矩阵分解性能;施加行列式、稀疏性和相关性等约束条件,保证盲源信号分离的唯一性和性能;采用自然梯度下降法并选择合适的学习速率,得到源分离算法,该算法利用前一次分离结果和现在的输入信号矢量,迭代更新分离矩阵。仿真表明,KL-INMF盲源分离算法性能优于基于欧式距离INMF的盲源分离算法。     

一种新的基于稀疏贝叶斯学习的ISAR成像方法

将BP(基寻踪)算法和FOCUSS(Focal underdetermined systemsolver)算法用于ISAR成像中,由于它们具有一些缺点,在实际应用中受到很大的限制.但是SBL(稀疏贝叶斯)方法可以克服这些缺点.本文首次提出可以将SBL代替BP和FOCUSS用于ISAR成像中.真实ISAR数据的成像结果表明SBL是一种比BP和FOCUSS更有效,更有潜力的成像方法.     

Sparse Bayesian learning in ISAR tomography imaging

Inverse synthetic aperture radar(ISAR) imaging can be regarded as a narrow-band version of the computer aided tomography(CT). The traditional CT imaging algorithms for ISAR, including the polar format algorithm(PFA) and the convolution back projection algorithm(CBP), usually suffer from the problem of the high sidelobe and the low resolution. The ISAR tomography image reconstruction within a sparse Bayesian framework is concerned. Firstly, the sparse ISAR tomography imaging model is established in light of the CT imaging theory. Then, by using the compressed sensing(CS) principle, a high resolution ISAR image can be achieved with limited number of pulses. Since the performance of existing CS-based ISAR imaging algorithms is sensitive to the user parameter, this makes the existing algorithms inconvenient to be used in practice. It is well known that the Bayesian formalism of recover algorithm named sparse Bayesian learning(SBL) acts as an effective tool in regression and classification,which uses an efficient expectation maximization procedure to estimate the necessary parameters, and retains a preferable property of the l0-norm diversity measure. Motivated by that, a fully automated ISAR tomography imaging algorithm based on SBL is proposed.Experimental results based on simulated and electromagnetic(EM) data illustrate the effectiveness and the superiority of the proposed algorithm over the existing algorithms.     

一种抗加性高斯白噪声的盲图像源分离方法

针对基于聚类稀疏成分分析的盲图像源分离方法噪声敏感的问题,提出了一种抗加性高斯白噪声的盲图像源分离算法.通过分析混合图像与噪声图像间的相关性,估计混合图像中的噪声并去除,对去噪后的混合图像进行稀疏成分分析,即分离出源图像.实验结果表明,该算法能直接、有效地去除同分布的加性噪声,使叠加噪声的混合图像得到精确的分离.     

Novel reconstruction method for frequency-hopping signals

The reconstruction of the Frequency Hopping(FH) signal is studied in the noise environment. After analyzing the sparse characteristics of the FH signal at the receiving end, an atomic decomposition is constructed based on the parameters of the FH signal.Then a signal reconstruction method for the FH signal is presented based on the Generalized Regularized FOCUSS Algorithm. By choosing the proper regular parameter, the FH signal is reconstructed in the noise environmet. Simulation results demonstrate that the method is correct and effective.     

一种最大密度检测欠定混合矩阵估计算法

针对源数未知条件下欠定盲源分离混合矩阵估计问题,提出了最大密度检测混合矩阵估计算法。在观测信号稀疏表示的基础上,首先对观测信号进行预处理;然后寻找观测信号的最大密度点;接着在此基础上确定有效样本点集合,再聚类得到辐射源数和混合矩阵。为验证算法的有效性,在时频单源点检测法和小波变换法下开展了仿真实验。结果表明,所提出算法的源数和混合矩阵估计效果优于参考算法,计算复杂度远低于参考算法。进一步实验表明,所提出算法对于正定、超定和欠定盲源分离混合矩阵的估计都具有较好的适用性。     

一种基于l1范数的欠定盲源分离算法

提出了一种基于两步法的欠定盲源分离新算法.在混叠矩阵估计阶段,采用基于势函数的聚类方法,在源信号恢复阶段,提出一种快速的稀疏信号重构算法.系统方程As(t)=x(t)的任一解,由它的一个特解与其相对应的齐次线性方程组的一组基的线性组合之和表示,从而使原来直接估计有n个独立变量的源信号s(t)转化为估计只有n-m个独立变量的系数向量z.再借助稀疏表示实现盲源信号的分离.仿真实验验证了新算法容易实现,分离速度快,能够很好地满足盲分离对速度的要求.     

基于最小均方误差和稀疏特征的欠定盲源分离

针对欠定条件下的盲源分离问题,即观测信号个数小于信源个数的情况,提出了一种基于最小均方误差和稀疏特征的算法.首先,利用变换后信源的稀疏特征,采用一新的势函数通过聚类算法估计混叠矩阵.然后利用混叠矩阵和信源自身的相关性,通过寻找信源在聚类方向时间点上的精确值,以均方误差最小为准则寻找最佳分离矩阵实现信源的分离,克服了传统的分离算法在寻找最佳分离子矩阵方面的缺点.仿真结果显示使用该方法分离的信号具有更高的信噪比,和其他同类方法相比具有更优越的分离性能.     

局部充分稀疏的欠定时盲信号源分离

针对欠定时的盲信号分离,提出了局部充分稀疏条件下估计混叠矩阵A的新算法.该算法不要求源信号所有采样时刻都充分稀疏,先通过搜索,把处于同一直线的向量一一归类,再对所得的类的向量进行处理,把混叠矩阵A确定出来.仿真实验结果表明算法是有效的.