基于l2,1范数和神经网络的非线性特征选择方法

在基于l_2,1范数的特征选择方法中,l_2,1范数可以使选择的特征具有组间稀疏性和组内稀疏性,同时还可以去除特征数据中的异常值。然而,大多数基于l2,1范数的特征选择算法常通过线性方程求解,无法探究特征之间的非线性关系。因此,本文提出了一种基于l2,1范数的非线性特征选择方法,将l_2,1范数与神经网络相结合。一方面,该方法利用神经网络的非线性特性对l_2,1范数进行求解。另一方面,该方法利用l2,1范数实现基于神经网络框架的特征选择。最后,本文将该方法与当前流行的特征选择方法在八个公开数据集进行了对比,实验结果验证了该方法具有一定的优越性。      

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。      

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.     

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...     

基于混合范数稀疏约束的ISAR高分辨成像算法

基于逆合成孔径雷达(ISAR)信号的稀疏性，提出了一种基于混合范数稀疏约束的ISAR高分辨成像算法。该方法通过利用压缩感知理论建立了一个基于l_2,0混合范数稀疏约束下的最优化ISAR信号模型，通过求解该最优化模型实现短相干积累时间下ISAR图像的高分辨重建。该模型利用了l_2,0混合范数的优势，运算时可实现更快收敛，大大提高了模型求解的运算速度；同时，该最优化模型在求解时采用了共轭梯度下降法和快速傅里叶变换操作，提高了算法的求解运算效率。仿真和实测数据都验证了方法的有效性。     

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。     

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.     

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.     

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...     

l0-范数约束的稀疏多径信道分数间隔双模式盲均衡算法

针对深衰落稀疏多径信道下多进制相移键控（Multiple Phase Shift Keying,MPSK）信号的盲均衡问题,提出了一种l₀-范数约束的分数间隔稀疏自适应双模式盲均衡算法.该算法借鉴传统的分数间隔双模式盲均衡算法思想,结合稀疏自适应滤波理论,首先利用l₀-范数对均衡器抽头系数进行稀疏性约束,构造出一种l₀-范数约束的分数间隔双模式最小均方误差代价函数,然后依据梯度下降法推导出盲均衡器抽头系数更新公式,并对迭代步长进行归一化和比例系数化.理论分析和仿真实验表明,与基于门限稀疏化的盲均衡算法、基于分数阶范数的盲均衡算法及分数间隔双模式盲均衡算法相比,本文所提算法在保证较快收敛速度的前提下,能有效降低剩余符号间干扰.本文设计的盲均衡算法为水声通信系统中接收方恢复出发送信号,提供了一种快速有效的方法.     

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。      

一种改进的字典学习方法在医疗疾病分析中的应用

针对传统字典学习算法忽略样本与字典原子之间关联信息及有限的训练集容易出现过拟合的现象,文中提出了通过加权机制及二范数约束的方法,建立样本与字典原子之间的权重关系,并对编码系数用二范数进行约束。采用留一交叉验证法在抑郁症数据集上比较了算法的精确度、灵敏度和错误率等指标。实验结果表明,改进的算法在医疗疾病分类中有良好的效果,分类精确度平均提高了21.87%,灵敏度和错误率等方面也有良好的表现。     

Partial-norm-constrained sparse recovery algorithm and its application on single carrier underwater-acoustic-data telemetry

To solve the problem of single carrier underwater-acoustic-data telemetry,compressive sensing (CS) provides competitive performance of compression and recovery with low energy consumption.The primary objective of CS is to minimize the l₀norm,which is an NP hard problem.Hence,the common methods were transferred to minimize l₁norm.However,l₁norm minimization provided a limited accuracy.A partial-norm-constraint (PNC) based sparse signal recovery method was derived,which adopted PNC as a zero attraction in a Lagrange method,to distribute the soft threshold for the non-zero taps.The proposed method is used for at-sea data telemetry.Combining with DCT,the proposed method improves the recovery accuracy.     

改进的直方图均衡化算法在图像增强中的应用

在数字图像处理过程中,针对直方图均衡化算法增强图像,提出了一种改进的直方图均衡化算法,应用于图像增强。该算法结合全局直方图均衡化、局部直方图均衡化特性,利用增量式直方图均衡化,从处理方法上对直方图均衡化算法进行了改进。实验结果表明,文中提出的方法能更有效的增强图像,去除图像噪声,为后续有效的识别特征提供了基础,同时提高图像目标识别的效果。     

循环平稳信号的联合稀疏表示DOA估计

基于联合稀疏表示的思想,本文提出了一种利用二阶循环统计量的循环平稳信号波达方向（DOA）估计算法。首先,对传统的谱相关信号子空间拟合算法进行分析研究;然后,通过在循环域构造过完备的阵列方向矩阵字典,建立了联合稀疏表示模型,从而将循环平稳信号的DOA估计问题转化为联合稀疏矩阵的恢复问题;最后,利用联合Ι_2,0范数逼近法求出联合稀疏矩阵的优化解,并根据优化矩阵中非零行的位置估计出循环平稳信号的DOA。与传统的SCSSF算法相比,所提算法具有更高的DOA估计精度,同时也适用于信号个数多于阵元个数的场合。理论分析和仿真实验结果都表明了算法的有效性。      

彩色图像去马赛克的非局部稀疏表示方法

目前,大部分彩色去马赛克（Color DeMosaicking,CDM）算法仅利用了局部的空间和光谱相关性,容易导致CDM复原图像边缘模糊以及细小结构丢失.当图像中出现周期性细小结构时,这些局部方法容易产生诸如锯齿、栅格等失真现象.针对这些问题,我们将字典学习和稀疏编码统一到一个变分框架中,提出了非局部自适应稀疏表示模型.通过非局部相似块聚类自适应地在线学习字典.利用局部和非局部的冗余信息对稀疏编码进行约束,强制稀疏编码靠近其非局部均值以减少编码误差.为了有效抑制服从重尾分布的CDM误差,设计了基于l₁范数的数据项.最后,联合交替最小化方法和算子分裂技巧对模型进行有效求解.实验结果验证了本文模型与数值算法的有效性.     

基于二维最大熵阈值分割的SIFT图像匹配算法

提出了一种基于二维灰度直方图最大熵阈值分割的SIFT图像特征匹配算法。与传统SIFT算法相比,该算法首先综合利用图像像素的灰度信息和邻域空间信息,生成图像二维灰度直方图,并基于此直方图的最大熵对图像进行阈值分割,然后检测分割后图像的DoG尺度空间局部极值,并以此作为特征点进行图像匹配。实验结果表明,基于所提出的匹配算法,可以有效降低图像背景噪声和边缘像素点对目标匹配的干扰,进而提高图像目标的匹配性能。     

基于规则的维吾尔地名识别

总结了维吾尔地名结构及其特点,并结合维吾尔地名内部结构特征,手动建立了基于新疆维吾尔自治区的地名词典库、首词库、中间词库和特征词库,研究了基于规则的维吾尔语地名识别方法和技术。以包含地名的较大规模维吾尔文本作为测试样本,利用地名内部结构和相邻词信息,通过匹配算法进行了地名识别,并用Visual C＋＋编程工具实现了维吾尔语地名识别算法。最后,给出了实验结果,并分析了出错原因及相应的对策。     

基于Contourlet直方图的目标跟踪算法

提出一种基于Contourlet直方图的目标跟踪算法。对图像先进行Contourlet变换,并利用变换后的Contourlet系数建立Contourlet直方图,将其作为meanshift算法的迭代参数来实现目标跟踪。实验结果表明,本算法具有较好的鲁棒性,能够在遮挡、小目标等情况下实现快速准确的跟踪。