基于稀疏分解的超声无损检测信号处理

为了在复杂背景噪声情况下,对缺陷的大小和位置实现精确的识别,提出了一种基于Ga-bor原子库稀疏分解的信号处理方法 ,利用匹配追踪算法将信号在超完备Gabor原子库中进行稀疏表示。采用相干比阈值作为迭代终止条件,根据信号噪声水平自适应调整迭代次数。针对算法计算量大的缺点,引入遗传算法,大大提高了计算的效率。实验表明,该方法可以有效减小噪声的影响,具有计算效率高、稳定性好的特点。     

利用粒子群算法实现信号OMP稀疏分解

稀疏表示在信号处理的许多方面都有着重要的作用,但是其计算量巨大难以应用在实时信号处理上.本文使用粒子群优化算法实现基于正交匹配追踪算法(OMP)的信号稀疏分解,粒子群算法能有效寻找OMP分解每一步中的最优原子,OMP是对匹配追踪算法(MP)的改进,收敛效果更好.实验结果验证了此算法的有效性.     

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。     

快速时频原子方法在辐射源信号中的应用

计算复杂度高是制约时频原子分解算法在信号处理中应用的主要问题,由此,本文提出一种基于混沌粒子群算法的时频原子分解快速算法。在过完备Chirp原子库的基础上,采用时频原子分解算法分解信号,并利用混沌初始化粒子的初始位置,采用粒子群算法降低时频原子分解算法搜索过程的计算复杂度,提高信号处理效率。对雷达辐射源信号的仿真实验结果表明,该方法与传统的时频原子分解算法相比计算速度大幅提高,且用在数量上比Gabor少的Chirp原子刻画出信号的主要时频特征。     

快速TFAD在雷达辐射源信号分析中的应用

计算量过大是制约时频原子分解算法在信号处理中应用的主要原因.针对这一问题,提出了一种基于改进量子遗传算法的快速时频原子分解算法.该方法在自适应匹配能力强的Chirp原子库的基础上,利用改进量子遗传算法快速寻找能够表示雷达辐射源信号特征信息的最佳时频原子,从而降低时频原子分解算法的计算复杂度.对雷达辐射源信号的仿真实验结果表明,该方法比传统的时频原子分解算法计算速度大幅度提高,计算量减小,而且重构信号时频图时频聚集性好,并有一定的抗噪性能.     

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.     

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。     

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。     

利用禁忌遗传和原子特性实现信号稀疏分解

阻碍信号稀疏分解运用于信号处理产业化的主要原因,是由于信号的稀疏分解的计算量十分巨大。利用基于Matching Pursuit（MP）方法实现的信号稀疏分解算法,采用遗传算法（GA）和禁忌搜索（TS）相结合,快速寻找MP过程中每一步分解的最佳原子,最后再利用原子的特性进一步的优化。实验结果表明,该算法提高了信号每一步MP分解中寻找最佳原子的能力,并由此提高了信号稀疏分解的速度。     

原子簇快速匹配追踪算法

针对稀疏表示中匹配追踪算法计算复杂度过大的问题,提出了基于冗余字典原子相关性的匹配追踪算法.该算法利用相邻迭代过程中匹配原子的相关性对冗余字典进行簇化,得到M个多原子集合(原子簇);每次迭代过程中利用LVQ神经网络的快速学习能力从原子簇中选取目标簇;最后在目标簇中选取匹配信号结构的若干原子进行信号的稀疏逼近.实验采用一维稀疏信号进行仿真,结果表明与匹配追踪算法相比,其逼近性能相近,同时稀疏分解速度大大提高.