基于GA和MP的信号稀疏分解算法的改进

信号的稀疏表示在信号处理的许多方面有着重要的应用,基于MP的稀疏分解是目前信号稀疏分解的最常用方法,也是几乎所有稀疏分解算法中速度最快的,但其存在的关键问题仍然是计算量十分巨大。基于利用MP（Matching Pursuit）方法实现的信号稀疏分解算法,采用遗传算法（GA）快速寻找MP 过程中每一步分解的最佳原子。并针对基本遗传算法存在的未成熟收敛和易陷入局部最优解的问题,提出了对基于GA和MP的信号稀疏分解的一种改进算法,实验结果证实了改进算法的有效性。     

利用蚁群算法实现基于MP的信号稀疏分解

信号的稀疏表示在信号处理的许多方面有着重要的应用,但稀疏分解计算量十分巨大,难以产业化应用。利用蚁群算法实现快速寻找MatchingPursuit(MP)过程每一步的最优原子,大大提高了信号稀疏分解的速度,算法的有效性为实验结果所证实。     

利用FFT实现语音信号稀疏分解的改进算法

研究基于Matching Pursuit（MP）方法实现的语音信号稀疏分解问题,通过对语音信号稀疏分解中使用的过完备原子库结构特性的分析,提出了一种改进的信号稀疏分解算法。该算法针对语音信号的特点,以FFT算法实现的稀疏分解为基础缩小了原子的搜索范围,从而不仅进一步提高分解速度,还能以更稀疏的形式表示语音信号。算法的有效性为实验结果所证实。     

信号稀疏分解的人工蜂群-MP算法

研究过完备原子库信号分解优化算法问题,信号的稀疏表示在信号去噪、信号压缩等方面有明显的优势。但因稀疏分解计算量巨大需要较长的计算时间,难以满足实时性要求,在实际应用中受到极大的限制。为此提出人工蜂群算法,具有需要设置的参数少、收敛速度快、鲁棒性强等优点,快速寻找匹配跟踪过程中每一步的近似最佳原子,对信号进行有效地稀疏分解。改进传统迭代的终止条件,以克服传统的迭代终止条件难以选择合适迭代终止阈值的问题,实现信号快速稀疏分解。实验结果表明,改进算法对信号的稀疏分解质量与粒子群算法和遗传算法相当,但运算速度均优于粒子群算法和遗传算法。     

基于MP算法的语音信号稀疏分解

语音信号稀疏分解是一种新的语音信号分解方法,可以将语音信号分解为很简洁的近似表达形式。在语音信号稀疏分解的基础上,可应用于语音处理的多个方面,如语音压缩、语音去噪和语音识别等。研究利用Matching Pursuit（MP）算法实现语音信号的稀疏分解,实验结果表明基于MP算法的语音信号稀疏分解具有较好的重建精度和较高的稀疏度。     

一种宽带信号DOA估计新方法

该文研究了信号稀疏分解在阵列信号处理中的应用，将信号非正交分解应用到阵列信号处理领域，突破了信号正交分解的思想．通过计算传感器阵列输出信号的稀疏分解，实现了信号空间谱的超分辨估计，提出了一种全新的宽带信号源波达方向（DOA：Direction of Arrival）估计算法。在较低信噪比情况下，该新算法的性能优于传统的波达方向估计算法，计算机仿真结果验证了算法的有效性。     

利用粒子群算法实现PPS信号的稀疏分解

针对在分析高阶多项式相位信号（PPS）时,Wigner—Ville分布（WVD）的交叉项使得时频分布图变得难以解释,为了提高信号计算速度和数据提取精度,采用基于匹配追踪（MP）算法的信号稀疏分解来抑制交叉项,但是稀疏分解计算量大,难以应用在实时信号处理。将粒子群优化算法用于稀疏分解的最优匹配原子的搜索,能降低稀疏分解复杂度,同时减少稀疏分解的超完备字典对存储空间的占用,可以提高用稀疏分解理论进行信号处理的计算效率,满足或接近实时性的要求。计算机仿真结果证实了方法的有效性。     

FOA-LM算法及其在语音信号稀疏分解中的应用

信号的稀疏表示在信号处理的许多方面有着重要的应用,但稀疏分解计算量十分巨大,难以产业化应用。粒子群优化（PSO）及果蝇优化（FOA）等智能算法具备前期收敛速度快,全局搜索能力强的优点,应用到语音信号的稀疏分解中,虽然大大提高了语音信号稀疏分解的速度,但是该类算法后期的收敛速度较低,稀疏分解速度仍然偏低。拉凡格氏（LM）算法具有收敛速度快,精度高的特点,但是LM算法依赖初值,这使它的应用受到了限制。结合智能算法FOA及LM算法的优点,采用FOA算法求出Gabor原子参数初值,利用这些初值进行LM迭代搜索最优原子。仿真结果表明,基于FOA优化算法和LM算法相结合的方法,具有收敛速度快,精度高的特点,有较高的实用价值。     

基于拟牛顿方向的改进平滑[l0]算法

稀疏分解算法是信号稀疏分解领域的一个重点问题,关系到稀疏分解在实际中的应用。在分析平滑[l0]算法的基础上,提出了基于拟牛顿方向的平滑[l0]算法。该算法在求解[l0]范数的近似函数最优解时,取代平滑[l0]算法中的最速上升方法,以拟牛顿方向作为迭代搜索方向。仿真结果表明,利用基于拟牛顿方向的平滑[l0]算法对信号进行稀疏分解,得到的稀疏分解系数精确度更高,与真实系数之间的误差更小,信噪比更大,抗噪声能力更强。     

粒子群优化在心电信号稀疏分解中的应用

心电信号的稀疏分解能得到稀疏表示形式,便于心电信号的压缩、波形检测识别等.但稀疏分解计算非常复杂,是一个NP问题.粒子群优化是群体智能优化算法,算法简单易于实现,且搜索效果好,已在很多实际应用中得到验证.把粒子群优化算法用于心电信号稀疏分解的最优匹配原子的搜索,用这种群体智能优化搜索算法代替全局搜索能降低稀疏分解复杂度,同时减少稀疏分解的超完备字典对存储空间的占用.实验结果表明,该方法切实可行.     

利用人工鱼群算法实现基于MP的信号稀疏分解*

人工鱼群算法（AFSA）是一种新的智能优化算法,具有鲁棒性强、全局收敛性好,及对初值的不敏感性等特点。将人工鱼群算法运用到信号的稀疏分解中,可快速寻找匹配追踪(MP)过程中每一步分解的最佳原子。此方法提高了信号稀疏分解的速度,算法的有效性为实验结果所证实。     

MP稀疏分解快速算法及其在语音识别中的应用

提出一种新的基于Matching Pursuit（MP）的语音信号稀疏分解算法。在对语音信号稀疏分解中使用的过完备原子库进行划分的基础上,将内积运算转换成互相关运算,并结合语音信号与原子是实的特性,利用Fast Hartley Transform（FHT）快速实现互相关运算。从而比利用FFT实现基于MP的信号稀疏分解节省一半的存储空间,提高分解速度约24.8%。此外,应用改进后的算法对语音信号进行特征提取,并结合语音信号的美尔（Mel）频率倒谱参数一起作为该信号的特征向量,通过Support Vector Machine（SVM）进行识别,最后通过实验验证了方法的有效性。     

基于BFGS优化的lp模约束稀疏分解去噪方法

利用lp模约束的稀疏成分分析方法可以对信号进行去噪处理。基于lp模约束的稀疏分解方法通常是采用优化方法来对信号在过完备库中进行分解,而分解时采用的过完备库是非常巨大的,所以如果优化方法选择不当,会导致稀疏分解效率的低下。在本文中,采用BFGS方法来进行优化分解,和通常采用的Newton方法比较,能在保持稀疏分解结果性能基本不变的前提下,有效地提高算法的分解效率。