一种改进的正则化自适应匹配追踪算法

针对压缩感知中未知稀疏度信号的重构问题,提出了一种改进的正则化自适应匹配追踪算法。它通过自适应变步长迭代对信号稀疏度进行估计,并将其作为初始支撑集长度,然后在分阶段迭代中正则化筛选原子,最终实现信号的精确重构。仿真结果表明,该算法重构信号的性能和效率均优于子空间追踪算法、正交匹配追踪算法和稀疏度自适应匹配追踪算法。     

基于局部性质的改进正交匹配追踪算法

正交匹配追踪算法是一种重要的压缩感知重构算法,针对正交匹配追踪算法中当前信号的最优估计,每一个采样点都有它的局部性质,且相邻采样点之间必然相互影响.本文基于局部性质,对正交匹配追踪算法进行改进,提高了对稀疏参数的估计精度,实现了信号的重构,实验证明了该方法的有效性。     

基于快速正交匹配追踪的无线传感网中目标定位算法

高效准确的多目标定位是无线传感器网的基本任务之一。传统基于贪婪类的稀疏表示方法在多目标定位中计算效率不高。针对该问题,提出一种基于QR分解的快速正交匹配追踪的多目标定位算法。该算法对无线传感器覆盖区域进行网格划分来设计过完备字典,从而将多目标定位问题转化为稀疏信号恢复问题。该方法利用了传感器接收目标信号强度的稀疏特性,然后使用快速正交匹配追踪来恢复测量值,进而通过稀疏性来定位目标。通过列满秩矩阵的QR分解思想,利用递归形式来对子字典矩阵求逆,避免了传统方法中对该矩阵的直接求逆,使得运算量大为降低。仿真结果表明,与传统的正交匹配追踪压缩感知重构方法相比,该方法不损失定位精度,提高了运算效率。     

一种稀疏度自适应超宽带信道估计算法

针对在超宽带信道估计中应用压缩感知理论需要预知信道稀疏度的问题,利用超宽带信道在时域上的稀疏性,将信道估计问题转化为压缩感知理论中的稀疏向量重构问题,提出了稀疏度自适应正则化压缩采样匹配追踪（SARCoSaMP）算法。该算法在压缩采样匹配追踪（CoSaMP）算法的基础上,引入自适应和正则化方法,自动调整所选原子数目,逐步逼近信道稀疏度K,在稀疏度未知的情况下精确地实现信道估计。仿真结果表明,该算法可有效应用于超宽带系统的信道估计,并且其性能明显优于CoSaMP算法和稀疏自适应匹配追踪（SAMP）算法。     

基于分布式压缩感知的微震数据压缩与重构

针对分布式微震监测环境下微震数据量大的问题,引入分布式压缩感知理论对微震数据进行压缩以减小数据传输量.首先分析微震信号的稀疏性,其次模拟分布式场景,分析了分布式微震传感器节点的空间相关性及其编码与压缩处理过程.基于广义正交匹配追踪算法及稀疏度自适应匹配追踪算法,提出了一种改进的分布式稀疏度自适应正交匹配追踪重构算法,并分析了改进算法的性能.基于MATLAB仿真平台,用改进的算法重构稀疏测量后的分布式微震信号,仿真结果表明:改进后的算法在数据量减少了将近7/10时,依然可以快速精确的重构出原始微震信号.     

基于正交匹配追踪改进的Hammerstein系统辨识方法

针对在有限数据采样情况下Hammerstein CAR模型的阶次和参数辨识问题,本文将关键变量分离原理和压缩感知(compressed sensing,CS)理论相结合,提出了一种改进的正交匹配追踪稀疏辨识方法。该方法采用关键变量分离原理分离出系统线性模块中的关键变量,然后用非线性模块表达式将其替换,从而将系统输出表示为含所有待估参数的线性回归方程,并将其表达在采用压缩感知理论进行系统参数重构的标准框架之下,最后利用压缩感知原理的正交匹配追踪算法对系统阶次和参数同时进行估计。仿真结果表明,参数估计误差随着迭代次数的增加逐渐减小,最终趋于零,说明该算法是有效的。该研究能有效地获得系统阶次和参数估计,提高了估计辨识算法的运算效率,在实际工业过程中具有一定的实用意义。     

基于压缩感知稀疏分解的一维距离像目标识别

近年来对压缩感知理论的研究,进一步证明了信号的稀疏表示方法在信号压缩、特征提取等方面的有效性及巨大的应用潜力。作为信号处理领域的典型应用之一,雷达目标识别已有许多成熟的算法,其中一些基于高分辨距离像进行识别,但是这些方法大多忽略了高分辨距离像信号自身的稀疏特点。为此提出了一种基于压缩感知稀疏分解实现高分辨一维距离像目标识别的算法。此算法首先构建组合正交冗余字典,在满足信号表示准确性的情况下,兼有正交字典运算快捷的特点;然后,通过改进的分组匹配稀疏分解算法,根据距离像训练样本快捷地求取其类别字典;最后,基于类别字典对测试样本进行分类实现目标识别。仿真实验证明该目标识别算法简捷、识别率较高、抗噪能力强。     

一种冗余字典下的信号稀疏分解新方法

针对目前冗余字典下信号稀疏分解常用算法计算复杂度高的问题,提出一种分组匹配追踪算法．该算法首先利用多组正交基构造冗余字典,然后采用迭代式分组匹配追踪,每次迭代从字典中选出一组和原始信号或残余最匹配的正交基,采用正交分解快速算法进行正交分解得到少量重要系数,多次迭代后逐渐稀疏逼近原始信号．实验结果表明,基于小波正交基级联冗余字典进行信号稀疏分解时,在同等稀疏条件下,与匹配追踪(MP)算法相比,该算法的计算速度提高了大约30倍,而且可避免过匹配现象．     

声矢量阵DOA估计的稀疏分解理论研究

针对低信噪比、小快拍数条件下的DOA估计问题,根据水下目标方位角在角度空间的稀疏性,将稀疏分解和压缩传感理论应用于声矢量阵的DOA估计中.建立了相应的DOA估计模型,构造出基于阵列流型形式的过完备原子库,然后采用正交匹配追踪算法实现目标的DOA估计.数值仿真表明,基于稀疏分解的声矢量阵DOA估计算法稳定性好,估计结果精确,信噪比小于10 dB时优于MVDR、MUSIC等算法,并且可以直接用于相干信号的处理.对于单快拍数据的估计性能良好,适用于运动目标的DOA估计.基于压缩传感理论,通过对阵列接收数据和过完备原子库的维数压缩,可有效降低稀疏分解算法的计算成本.     

一种优化的语音信号处理方法

为了解决传统利用压缩感知采集语音信号的方法中所用的测量矩阵难以硬件实现,且所用的重构方法过于繁琐导致重构时间过长的问题,采用0-1随机矩阵对语音信号进行测量,用分段正交匹配追踪算法对语音信号进行重构.实验结果表明,优化后的方法可以很好地解决传统压缩感知中硬件难以实现和重构算法繁琐的问题.该方法中所用的0-1随机矩阵便于硬件实现,所用的分段正交匹配追踪(StOMP)算法能够加速信号的重构.     

一种高分辨的稀疏孔径ISAR成像方法

逆合成孔径雷达回波缺失程度较大时,传统的线性插值方法会带来较大的误差．针对这一情况,提出了一种基于压缩感知的稀疏孔径高分辨成像算法．通过构造一组时域稀疏的基空间和线性测量矩阵,结合范数1稀疏约束,利用凸优化进行基匹配搜索,直接提取目标的散射特性及多普勒频率信息,最终得到距离多普勒像．该方法无需对稀疏孔径进行插值,并且成像结果不存在旁瓣,对目标分辨特性较好．点目标模型仿真和实测数据处理的结果验证了该算法的有效性和优越性．     

基于稀疏表示的人脸图像压缩方法

基于稀疏表示的人脸图像压缩算法首先对人脸图像进行分块,其次利用K-SVD字典学习算法,训练一个图像的冗余字典,最后用OMP算法对其进行稀疏编码,得到压缩的图像.由于OMP算法复杂度较高,为了降低复杂度,提高算法效率,提出了一种基于稀疏表示理论的新的人脸压缩算法.该算法在稀疏编码阶段,用基于块坐标松弛(Block Coordinate Relation)字典学习算法对人脸图像进行稀疏编码,最后用重构算法对压缩数据进行重构.通过实验仿真,与JPEG压缩方法及OMP算法比较,所提方法在同等压缩比下,重构的图像质量有所提高.     

Fast space-time adaptive processing method by using the sparse representation

One of the key problems of space-time adaptive processing (STAP) is how to estimate the clutter covariance matrix (CCM) accurately with a small number of samples when the clutter environment is heterogeneous. The CCM estimation methods based on sparse representation (CCM-SR) can achieve a good estimation performance with only one or a few samples, which significantly improves the convergence rate of the STAP. By using the sparsity characteristic of the clutter spectrum, the CCM-SR method estimates the clutter spectrum and yields a good estimation of the CCM. However, there are often many pseudo-peaks in the clutter spectrum estimated by the sparse representation (SR), which will cause a CCM estimation error. By exploiting the special relationship of the clutter ridge curve between space domain and Doppler domain, we can eliminate the pseudo-peaks in the clutter spectrum effectively via fitting the curve of the clutter ridge and improve the estimation accuracy of the CCM. In addition, a byproduct of our method is the estimation of the flying parameters (the velocity of the radar platform, the crab angle and so on). Experimental results show that the proposed method can improve the performance of conventional STAP based on sparse representation (STAP-SR) and obtain a good estimation of the flight parameters.     

一种快速有效的雷达成像超分辨算法

现代谱估计技术被用于雷达成像中来提高图像分辨率和目标特征提取,但其缺点是需耗时的二维谱峰搜索,且由于采用码赛克技术,算法性能受小样本数限制。文中将成像高分辨算法中的两维参数估计问题转化为两个独立的一维问题,然后利用ＥＳＰＲＩＴ方法或ＭＵＳＩＣ方法求得每维参数估计。这种方法无需两维谱峰搜索,算法性能在小样本时有很大改善,计算机仿真结果表明了文中算法的有效性。     

基于稀疏重构的窄带弱信号时延估计算法

提出了一种基于稀疏重构的窄带弱信号时延估计算法.利用信号的互相关谱构造数据矩阵,然后建立时延参数的冗余字典,最后通过矩阵奇异值分解在信号子空间中利用正交匹配追踪算法得到高精度时延估计.理论分析和仿真实验验证了算法的正确性和有效性.相比于传统方法,该算法可将窄带弱信号时延估计精度提高约1倍.     

An underwater acoustic data compression method based on compressed sensing

The use of underwater acoustic data has rapidly expanded with the application of multichannel, large-aperture underwater detection arrays. This study presents an underwater acoustic data compression method that is based on compressed sensing. Underwater acoustic signals are transformed into the sparse domain for data storage at a receiving terminal, and the improved orthogonal matching pursuit(IOMP) algorithm is used to reconstruct the original underwater acoustic signals at a data processing terminal. When an increase in sidelobe level occasionally causes a direction of arrival estimation error, the proposed compression method can achieve a 10 times stronger compression for narrowband signals and a 5 times stronger compression for wideband signals than the orthogonal matching pursuit(OMP) algorithm. The IOMP algorithm also reduces the computing time by about 20% more than the original OMP algorithm. The simulation and experimental results are discussed.     

基于冗余字典的高光谱图像超分辨率复原算法

为了提高高光谱图像的空间分辨率,将基于冗余字典的信号稀疏表示理论应用到高光谱图像的超分辨率复原领域,提出一种基于冗余字典的高光谱图像超分辨率复原算法.该算法通过训练一组高低分辨率相对应的冗余字典对,使得高低分辨率相对应的像元曲线在基于各自的冗余字典进行稀疏分解时,具有相同的稀疏表示系数.超分辨率复原过程中,将待复原的低分辨率高光谱图像基于低分辨率冗余字典进行稀疏分解,利用所得的稀疏表示系数和对应的高分辨率字典,重建高分辨率的图像.实验结果表明:与基于图像块字典的超分辨率复原算法及传统的双线性插值图像放大方法相比,重建图像的峰值信噪比(peak signal to noise radio,PSNR)得到了显著提高.该算法将高光谱图像沿光谱维方向进行整体稀疏分解,避免了传统算法逐波段进行超分辨率复原带来的波段间的光谱失真问题,显著降低了算法的运算量.     

Multiple Endmember Hyperspectral Sparse Unmixing Based on Improved OMP Algorithm

In conventional linear spectral mixture analysis model, a class is represented by a single endmember. However, the intra-class spectral variability is usually very large, which makes it difficult to represent a class, and in this case, it leads to incorrect unmixing results. Some proposed algorithms play a positive role in overcoming the endmember variability, but there are shortcomings on computation intensive, unsatisfactory unmixing results and so on. Recently, sparse regression has been applied to unmixing, assuming each mixed pixel can be expressed as a linear combination of only a few spectra in a spectral library. It is essentially the same as multiple endmember spectral unmixing. OMP (orthogonal matching pursuit), a sparse reconstruction algorithm, has advantages of simple structure and high efficiency. However, it does not take into account the constraints of abundance non-negativity and abundance sum-to-one (ANC and ASC), leading to undesirable unmixing results. In order to solve these issues, this paper presents an improved OMP algorithm (fully constraint OMP, FOMP) for multiple endmember hyperspectral sparse unmixing. The proposed algorithm overcomes the shortcomings of OMP, and on the other hand, it solves the problem of endmember variability. The ANC and ASC constraints are firstly added into the OMP algorithm, and then the endmember set is refined by the relative increase in root-mean-square-error (RMSE) to avoid over-fitting, finally pixels are unmixed by their optimal endmember set. The simulated and real hyperspectral data experiments show that FOPM unmixing results are ideally comparable and abundance RMSE reduces much lower than OMP and simple spectral mixture analysis (sSMA), and has a strong anti-noise performance. It proves that multiple endmember spectral mixture analysis is more reasonable.     

一种新的MEMS陀螺仪信号去噪方法

为提高MEMS陀螺仪输出信号的去噪效果,将稀疏分解(sparse decomposition)与提升小波变换(lifting wavelet transform)相结合,提出了一种新的信号去噪方法.首先,建立MEMS陀螺带噪信号的误差模型,并利用小波提升正变换计算带噪信号的非稀疏的小波系数;然后,利用稀疏分解理论恢复小波系数的稀疏性;最后,再通过小波提升反变换重构信号,从而达到去噪的目的.考虑到梯度投影(gradient projection)算法具有全局最优解,运算效率更高,将梯度投影思想引入恢复信号稀疏性的过程中,提出了基于梯度投影的稀疏分解算法,给出了利用梯度投影算法进行信号系数分解的具体步骤,大大简化了计算复杂度,同时提升了算法的稳定性.为验证所提方法的性能,进行了MEMS陀螺信号去噪的静态实验和跑车实验.实验结果表明,此种方法在动静态条件下都可以有效地去除MEMS陀螺仪输出信号中的噪声,尤其是在静态条件下的去噪效果要优于小波阈值滤波方法.同时采用的梯度投影算法相比于正交匹配追踪算法和基追踪算法具有更高的运算效率.     

一种用于矩形阵列的二维波达方向估计方法

针对现有使用均匀矩形阵列或稀疏矩形阵列的二维无格波达方向估计方法的性能欠佳的问题,提出一种基于二阶特普利茨矩阵重构和二维旋转不变参数估计技术的无格波达方向估计方法。使用均匀矩形阵列或稀疏矩形阵列,对其接收信号的协方差矩阵进行二阶特普利茨结构表达,通过log-det稀疏测度与正定约束构造约束优化问题,并使用优化最小算法求解,最后通过二维旋转不变参数估计技术估计源的二维波达方向,即方位角与俯仰角。这种方法需要多次求解半定规划问题,计算复杂度相对较高,但能获得更好的波达方向估计性能。在仿真实验中,这种方法在均匀矩形阵列或稀疏矩形阵列条件下均有非常低的均方根误差,接近克拉美罗界,证明了其良好的波达方向估计性能。