基于限制等距性质阈值机制的匹配追踪算法

为提高贪婪算法重构精度,提出带有回溯机制的基于限制等距性质阈值匹配追踪算法（restricted isometry proper‐tity‐based threshold mechanism MP ,RIPTMP）。每次迭代包含原子添加和原子删减两个步骤,在原子添加步骤中,根据RIP和残差能量条件添加原子;在原子删减步骤中,分析 RIP和残差条件,找出可能错误原子,原子选择过程是自适应的。实验结果表明,在一定条件下,该算法重构精度高于正交匹配追踪算法（orthogonal matching pursuit ,OMP）、子空间匹配算法（subspace pursuit ,SP）、基追踪算法（basis pursuit ,BP）和前向后向追踪算法（forward‐backward pursuit , FBP）等算法。     

基于支撑集先验的脑电信号正则化子空间重构

子空间追踪算法(Subspace Pursuit, SP)利用回溯修剪提高了重构准确率,且迭代过程中原子选取更少,复杂度更低,但其性能易受初始支撑集的影响。针对该问题,提出一种基于支撑集先验的多通道脑电信号重构算法。分析了同类别多通道脑电信号支撑集的时空相关性,将同类前一通道的支撑集作为当前通道重构支撑集的先验信息,提升支撑集选取的准确度,进而加快信号重构速度,提高重构的精度。仿真结果表明,在同等采样率下,相较于子空间追踪算法和自适应正则化子空间追踪算法,该算法对多通道脑电信号的重构时间更短,精度更高。     

基于回溯的共轭梯度迭代硬阈值重构算法

针对基于回溯的迭代硬阈值算法（BIHT）迭代次数多、重构时间长的问题,提出一种基于回溯的共轭梯度迭代硬阈值算法（BCGIHT）。首先,在每次迭代中采用回溯思想,将前一次迭代的支撑集与当前支撑集合并成候选集;然后,在候选集所对应的矩阵列张成的空间中选择新的支撑集,以此减少支撑集被反复选择的次数,确保正确的支撑集被快速找到;最后,根据前后迭代支撑集是否相等的准则来决定使用梯度下降法或共轭梯度法作为寻优方法,加速算法收敛。一维随机高斯信号重构实验结果表明,BCGIHT重构成功率高于BIHT及同类算法,重构时间低于BIHT 25%以上。Pepper图像重构实验结果表明,BCGIHT重构精度和抗噪性能与BIHT及同类算法相当,重构时间相较于BIHT减少50%以上。     

基于混合梯度的硬阈值追踪算法

针对压缩感知（CS）中迭代硬阈值类算法迭代次数多、重构时间长的问题,提出了一种基于混合梯度的硬阈值追踪（HGHTP）算法。首先,在每次迭代中计算当前迭代点处的梯度和共轭梯度,将梯度域与共轭梯度域下的支撑集混合取并集作为下一次迭代的候选支撑集,充分利用共轭梯度在支撑集选择策略中的有用信息,优化支撑集选择策略;然后,采用最小二乘法对候选支撑集进行二次筛选,快速精确地定位正确的支撑并更新稀疏系数。一维随机信号重构实验结果表明,HGHTP算法相较于同类迭代硬阈值算法,在保证重构成功率的前提下,需要的迭代次数更少。二维图像重构实验结果表明,HGHTP算法的重构精度和抗噪性能优于同类迭代阈值类算法,在保证重构精度的情况下,HGHTP算法的重构时间相比同类算法减少了32%以上。     

基于子空间追踪的人脸识别

针对现有的基于稀疏表示的人脸识别方法没有更新优化选择的原子的问题,提出一种基于子空间追踪的人脸识别方法。在稀疏编码过程中的原子选择步骤中,引入回溯迭代优化思想和多原子选择方案,通过移除可信度较低的原子来更新优化候选支撑向量中选择的原子,使选择的原子与待识别人脸图像具有最相似的结构,从而在该原子上的稀疏编码系数具有较好的人脸重构能力。实验证明,与基于正交匹配追踪（OMP）算法和基于OMP-cholesky算法的人脸识别相比,该算法在ORL和Yale B人脸数据库上的算法复杂度较低且识别率均提高了约5%。     

基于双阈值的压缩采样匹配追踪改进算法

针对基于压缩感知的压缩采样匹配追踪(CoSaMP)算法迭代次数严重依赖于信号稀疏度,候选原子冗余度大,从而导致最终的支撑原子集选择时间长、选择精度低等问题,提出一种基于双阈值的压缩采样匹配追踪算法.该算法利用模糊阈值进行支撑集候选原子的选择,引入残差与观测矩阵的相关度变化阈值作为迭代停止条件,对图像进行重构.仿真实验表明,所提出的算法重构速度快,重构效果优于CoSaMP算法.     

采用稀疏和平滑双约束的增量正交映射非负矩阵分解目标跟踪

针对目标跟踪在遮挡和尺度变化等复杂背景下跟踪性能下降问题,联合稀疏约束、时间平滑约束以及增量投影非负矩阵分解,提出一种在线目标跟踪算法.首先利用非负矩阵分解学习一个基于部分表示的子空间,在此基础上添加稀疏约束提高处理遮挡能力,添加时间平滑约束提高算法的稳定性;然后用增量方式完成子空间的在线更新,减少算法计算量、提高外观模型更新效率;最后在粒子滤波框架下,以重构误差为基础改进了观测似然函数,将具有最大后验概率的候选目标作为目标在当前帧的图像区域.实验结果表明,在各种含有遮挡和尺度变化的视频中,该算法可以更稳定地跟踪目标.     

一种新的跳频信号重构算法

为解决跳频信号压缩感知重构中稀疏度未知和稀疏字典规模庞大的问题,提出了一种基于多峰值匹配的压缩感知重构算法。该算法借鉴传统匹配追踪类算法结构,采用多峰值匹配原则进行原子选择,通过一次迭代确定候选集,然后利用回溯思想对候选集进行二次筛选获得支撑集,实现了跳频信号的精确重构。仿真结果表明,该算法重构性能与传统正交匹配追踪算法相近,同时重构速度大大提高。     

基于随机支撑挑选的广义正交匹配追踪算法

针对广义正交匹配追踪（GOMP）算法复杂度高、重构时间长的问题,提出了一种基于随机支撑挑选的GOMP（StoGOMP）算法。首先引入随机支撑挑选的策略,在每次迭代中随机生成一个概率值。然后通过比较此概率值与预设概率值的大小来决定候选支撑集的挑选方式：若此概率值小于预设概率值,则采用匹配计算方式;否则,采用随机选择方式。最后根据得到的候选支撑来更新残差。这种方式充分考虑了算法单次迭代复杂度和迭代次数之间的平衡,减少了算法的计算量。一维随机信号重构实验结果表明,在预设概率值为0.5、稀疏度为20时,StoGOMP算法相较GOMP算法达到100%重构成功率所需的采样数减少了9.5%。实际图像重构实验结果表明,所提出的算法具有与GOMP算法相当的重构精度,且在采样率为0.5时,所提算法的重构时间相较于原算法减少了27%以上,这说明StoGOMP算法能够有效减少信号的重构时间。     

基于改进的子空间追踪算法的人脸识别

基于稀疏表示的人脸识别中的子空间追踪（SP）算法的候选原子个数固定与稀疏度相同,因此需要已知信号的稀疏度。针对该缺点,提出一种改进的子空间追踪算法,在选择原子的过程中引入回溯迭代优化思想,候选原子个数随着迭代次数逐一增加。通过移除候选原子集中数量同样逐一增加的可信度较低的原子,使选择的原子与待识别人脸图像具有最相似的结构,能较好地重构人脸。采用稀疏表示分类（SRC）框架,分别与基于SP、SASP、正交匹配追踪（OMP）、OMP-cholesky的人脸识别相比,在ORL和Yale B人脸数据库上的实验结果表明,该算法有最高的识别率。     

基于二次筛选的回溯广义正交匹配追踪算法的稀疏信号重构

压缩感知是一种新型的信号采样及重构理论,高效的信号重构算法是压缩感知由理论转向实际应用的枢纽。为了更精确地重构出原始稀疏信号,本文提出一种基于二次筛选的回溯广义正交匹配追踪算法。首先采用内积匹配准则选出较大数目的相关原子,提高原子的利用率。其次利用广义Jaccard系数准则对已选出的原子进行二次筛选,得到最匹配的原子,优化原子选取方式。实验结果表明,在不同稀疏度和观测值下进行信号重构,相比于回溯广义正交匹配追踪算法、正交匹配追踪算法及子空间追踪算法,本文算法在重构误差及重构成功率方面有较大的优越性。     

递减候选集正则化子空间追踪算法

为提高压缩感知子空间追踪算法的信号重建概率及精度,提出一种递减候选集正则化子空间追踪算法.该算法基于CoSaMP/SP算法并加以改进,将迭代过程分成若干个阶段,在每个阶段均采用类CoSaMP/SP算法进行迭代计算,但各阶段的候选集原子个数依次递减,同时按正则化方法选择新的候选集原子.实验仿真对比结果表明,与同类算法相比,所提出算法能够以更高概率重建信号,在噪声环境下也具有较高的重建精度.     

Improved sparsity adaptive matching pursuit algorithm based on compressed sensing

Traditional greedy algorithms need to know the sparsity of the signal in advance, while the sparsity adaptive matching pursuit algorithm avoids this problem at the expense of computational time. To overcome these problems, this paper proposes a variable step size sparsity adaptive matching pursuit (SAMPVSS). In terms of how to select atoms, this algorithm constructs a set of candidate atoms by calculating the correlation between the measurement matrix and the residual and selects the atom most related to the residual. In determining the number of atoms to be selected each time, the algorithm introduces an exponential function. At the beginning of the iteration, a larger step is used to estimate the sparsity of the signal. In the latter part of the iteration, the step size is set to one to improve the accuracy of reconstruction. The simulation results show that the proposed algorithm has good reconstruction effects on both one-dimensional and two-dimensional signals.     

基于正则化弱相关的分布式MWC重构算法

针对实际电磁环境中,信号稀疏度不易准确预知的难题,提出了基于正则化弱相关的分布式调制宽带转换器（Distributed modulated wideband converter, DMWC）重构算法,该算法不依赖稀疏度作为收敛条件。首先将满足弱相关性的原子加入索引集,然后正则化索引集,将新选出的原子加入支撑集。当残差能量达到阈值条件时,停止迭代。最后设置支撑集越界条件,删除支撑集中相关性较小的无效原子,得到最终的支撑集。仿真结果表明,本文算法能大大提高DMWC对信号传输衰减的容忍度。此外,在同等条件下,本文算法的恢复性能优于正交匹配追踪（Orthogonal matching pursuit,OMP）算法。     

一种变步长稀疏度自适应子空间追踪算法

针对压缩感知（Compressive sensing,CS）中未知稀疏度信号的重建问题,本文提出一种变步长稀疏度自适应子空间追踪算法.首先,采用一种匹配测试的方法确定固定步长,然后以该固定步长与变步长方式相结合,通过不同支撑集原子个数下的重建残差变化确定信号稀疏度,算法采用子空间追踪方法确定相应支撑集原子,并完成原始信号准确重建.实验结果表明,与同类算法相比,该算法可以更准确重建原始信号,且信号稀疏度值较高时,运算量低于同类算法.     

Sparsity estimation based adaptive matching pursuit algorithm

Compared with convex optimization algorithms and combination algorithms, greedy pursuit algorithms can balance operational efficiency and reconstruction precision, so they are widely used in the signal reconstruction step of compressed sensing. However, most existing greedy pursuit algorithms only work well if the signal sparsity is known, and their reconstruction performance is influenced by signal sparsity. To more accurately match the sparsity and obtain better reconstruction performance, we propose a greedy pursuit algorithm, the sparsity estimation based adaptive matching pursuit algorithm, which achieves image reconstruction using a signal sparsity estimation based on the Restricted Isometry Property (RIP) criterion and a flexible step size. Experimental results demonstrate that this algorithm provides better reconstruction performance and lower computation time, using different measurement matrices, when the sparsity is estimated in advance.     

SOSP: a stepwise optimal sparsity pursuit algorithm for practical compressed sensing

Compressed Sensing (CS), as a promising paradigm for acquiring signals, is playing an increasing important role in many real-world applications. One of the major components of CS is sparse signal recovery in which greedy algorithm is well-known for its speed and performance. Unfortunately, in many classic greedy algorithms, such as OMP and CoSaMP, the real sparsity is a key prior information, but it is blind. In another words, the true sparsity is not available for many practical applications. Due to this disadvantage, the performance of these algorithms are significantly reduced. In order to avoid too much dependence of classic greedy algorithms on the true sparsity, this paper proposed an efficient reconstruction greedy algorithm for practical Compressed Sensing, termed stepwise optimal sparsity pursuit (SOSP). Differs from the existing algorithms, the unique feature of SOSP algorithm is that the assumption of sparsity is needed instead of the true sparsity. Hence, the limitations of sparsity in practical application can be tackled. Based on an arbitrary initial sparsity satisfying certain conditions, the SOSP algorithm employs two variable step sizes to hunt for the optimal sparsity step by step by comparing the final reconstruction residues. Since the proposed SOSP algorithm preserves the ideas of original algorithms and innovates the prior information of sparsity, thus it is applicable to any effective algorithm requiring known sparsity. Extensive experiments are conducted in order to demonstrate that the SOSP algorithm offers a superior reconstruction performance in terms of discarding the true sparsity.

     

基于粒子群和投影寻踪的样本重构神经网络集成模型在降水预报中的应用

首先利用粒子群算法和投影寻踪技术构造神经网络的学习矩阵,基于负相关学习的样本重构方法生成神经网络集成个体,进一步用粒子群算法和投影寻踪回归方法对集成个体集成,生成神经网络集成的输出结论,建立基于粒子群算法-投影寻踪的样本重构神经网络集成模型。该方法应用于广西全区的月降水量预报,结果表明该方法在降水预报中能有效从众多天气因子中构造神经网络的学习矩阵,而且集成学习预测精度高、稳定性好,具有一定的推广能力。