一种稀疏自适应的正交互补匹配追踪算法

针对实际应用中信号稀疏度未知的缺点,提出了一种稀疏度自适应的正交互补匹配追踪算法。算法先初始化稀疏度,再通过互补正交匹配追踪重构信号,找到一个支撑集;若支撑集不满足条件,则按指定步长增加稀疏度,再次运用算法进行重构,直到支撑集满足条件,得到最优支撑集。实验结果表明,该算法可以准确有效地重构信号,并且在相同压缩比下,其重构质量（PSNR）优于其他几种算法。     

基于SL0范数的改进稀疏信号重构算法

平滑范数（Smoothed l0,SL0）压缩感知重构算法通过引入平滑函数序列将求解最小l0范数问题转化为平滑 函数优化问题,可以有效地用于稀疏信号重构。针对平滑函数的选取和算法稳健性问题,提出一种新的平滑函数序列近似范数,结合梯度投影法优化求解,并进一步提出采用奇异值分解（Singular value decomposition, SVD）方法改进算法的稳健性,实现稀疏度信号的精确重构。仿真结果表明,在相同的测试条件下,本文算法相比OMP算法、SL0算法以及L1-magic算法在重构精度、峰值信噪比方面都有较大改善。     

基于一次投影子空间追踪的压缩感知信号重构

为了降低信号重构算法的复杂度,实现对稀疏度未知信号的重构,提出了一种基于一次投影子空间追踪(OPSP)的信号重构方法。首先根据约束等距性质确定信号稀疏度的上下界,并将最接近上下界中值的整数作为稀疏度的估计值;然后在子空间追踪(SP)算法的框架下,去掉了迭代中观测向量在支撑集上的投影过程,降低了算法的复杂度。为了更准确地衡量算法的重构性能,提出用完整信号的重构概率作为衡量算法重构性能的指标。与传统的SP算法相比,所提算法可以重构稀疏度未知的信号,且重构时间短,重构概率高。仿真结果验证了该算法的有效性。     

一种改进的压缩感知重构算法

压缩感知重构信号时,在感知过程中如何选定支撑集对算法的重构性能至关重要.基于压缩采样匹配(CoSaMP)重构算法,引入Dice系数匹配性度量准则,优化了支撑集的选择.上述算法改进了从给定的观测矩阵中挑选与残差信号最匹配原子的匹配准则,体现了残差信号中各个元素对原子选取的重要作用.仿真结果表明:在同等稀疏的条件下,重构算法与传统的CoSaMP算法相比,误差低于传统CoSaMP算法,且随着观测维数的增加,重构信号的平均成功概率比传统的CoSaMP算法的大,实现了较小的重构误差和更好的压缩性能.     

基于反馈神经网络的稀疏信号恢复的优化算法

针对稀疏信号的重构问题,提出了一种基于反馈神经网络（RNN）的优化算法。首先,需要对信号进行稀疏表示,将数学模型化为优化问题;接着,基于l₀范数是非凸且不可微的函数,并且该优化问题是NP难的,因此在测量矩阵A满足有限等距性质（RIP）的前提下,提出等价优化问题;最后,通过建立相应的Hopfield反馈神经网络模型来解决等价的优化问题,从而实现稀疏信号的重构。实验结果表明,在不同观测次数m下,对比RNN算法和其他三种算法的相对误差,发现RNN算法相对误差小,且需要的观测数也少,能够高效地重构稀疏信号。     

稀疏度自适应分段正交匹配追踪算法改进

在基于压缩感知的信号重构问题中,有一类常见情况——未知信号稀疏度。针对此类情况,提出稀疏度自适应分段正交匹配追踪(SparsityAdaptiveStagewiseOrthogonalMatchingPursuit,SAStOMP)算法,该算法将自适应思想、变步长迭代思想与分段正交思想相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,最终实现信号的精确重构。仿真结果表明,针对长度为256位的原始信号,该算法重建效果优于正交匹配追踪算法、正则化正交匹配追踪算法和分段正交匹配追踪算法等。     

基于贪婪稀疏优化的欠定语音盲分离方法

提出一种基于语音信号稀疏特征的稀疏分量分析两步法,力图提高欠定情况下的语音信号盲分离性能.不同于传统的两步法,所提方法需要获取语音信号在变换域中的稀疏特征,将贪婪最优化思想引入至稀疏分量分析方法中,重构欠定盲分离语音源信号.通过仿真对比实验,展示了该方法应用于平稳声音信号和非平稳语音信号的盲分离效果,它能较好恢复语音源信号.与现有的最短路径法相比,所提算法可以提高两路以上观测信号的分离性能.相较于平滑L0范数算法,所提算法可以有效提高来波方向较近的语音盲信号分离性能.该方法具有更广阔的适用范围.     

基于差分的稀疏度自适应重构算法

针对压缩感知贪婪迭代重构算法要求给定信号稀疏度或迭代阈值的缺点,提出一种基于差分的稀疏度自适应重构算法.该算法在信号稀疏度未知的情况下,利用测量矩阵Φ与残差的相关系数的变化的不均衡特性,来选择重构信号的支撑集,以此逼近原始信号的稀疏度,达到重构的效果.仿真结果表明,在相同采样率下,文中算法可以获得较好的重构效果,尤其在采样率较低(采样率≤0.5)的情况下,这种优势更加明显.     

一种自适应正则化子空间追踪算法

针对压缩感知中未知稀疏度信号的重建问题,提出一种新的压缩感知的信号重建算法,即自适应正则化子空间追踪（Adaptive Regularized Subspace Pursuit,ARSP）算法,该算法将自适应思想、正则化思想与子空间追踪（Subspace Pursuit,SP）算法相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,利用正则化过程实现支撑集的二次筛选,最终能实现信号的精确重构。仿真结果表明,该算法能够精确重构原始信号,重建效果优于SP算法、正则化正交匹配追踪（ROMP）算法、稀疏度自适应匹配追踪（SAMP）算法、压缩采样匹配追踪（CoSaMP）算法等。     

基于块稀疏度估计的压缩感知自适应重构算法

块稀疏信号是一类具有特殊结构的稀疏信号。针对块稀疏信号块稀疏度未知的情况,提出了一种基于块稀疏度估计的自适应重构算法并将其应用于压缩感知。算法首先对信号的块稀疏度进行初步估计计算得到一个支撑块索引集合的估计值,利用得到的估计值对残差进行初始化;接着对测量矩阵的子块和当前残差进行相关性匹配操作以选取信号的支撑块集合;然后依据正则化原则再次对由相关性匹配操作得到的信号支撑块集合进行筛选;最后通过迭代过程获得信号最终的支撑块集合。仿真实验结果表明,提出的算法与现有的块稀疏信号自适应重构算法比较,具有较好的重构成功概率,且算法的平均运行时间更短。     

Sparse representations and sphere decoding for array signal processing

Array processing algorithms are used in many applications for source localization and signal waveform estimation. When the number of snapshots is small and/or the signal-to-noise ratio (SNR) is low, it becomes a challenge to discriminate closely-spaced sources. In this paper, two new array processing algorithms exploiting sparsity are proposed to overcome this problem. The first proposed method combines a well-known sparsity preserving algorithm, namely the least absolute shrinkage and selection operator (LASSO), with the Bayesian information criterion (BIC) to eliminate user parameters. The second proposed algorithm extends the sphere decoding algorithm, which is widely used in communication applications for the recovery of signals belonging to a finite integer dictionary, to promote the sparsity of the solution. The proposed algorithms are compared with several existing sparse signal estimation techniques. Simulations involving uncorrelated and coherent sources demonstrate that the proposed algorithms, especially the algorithm based on sphere decoding, show better performance than the existing methods. Moreover, the proposed algorithms are shown to be more practical than the existing methods due to the easiness in selecting their user parameters.     

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.     

Adaptive algorithm for sparse signal recovery

The development of compressive sensing in recent years has given much attention to sparse signal recovery. In sparse signal recovery, spike and slab priors are playing a key role in inducing sparsity. The use of such priors, however, results in non-convex and mixed integer programming problems. Most of the existing algorithms to solve non-convex and mixed integer programming problems involve either simplifying assumptions, relaxations or high computational expenses. In this paper, we propose a new adaptive alternating direction method of multipliers (AADMM) algorithm to directly solve the suggested non-convex and mixed integer programming problem. The algorithm is based on the one-to-one mapping property of the support and non-zero element of the signal. At each step of the algorithm, we update the support by either adding an index to it or removing an index from it and use the alternating direction method of multipliers to recover the signal corresponding to the updated support. Moreover, as opposed to the competing “adaptive sparsity matching pursuit” and “alternating direction method of multipliers” methods our algorithm can solve non-convex problems directly. Experiments on synthetic data and real-world images demonstrated that the proposed AADMM algorithm provides superior performance and is computationally cheaper than the recently developed iterative convex refinement (ICR) and adaptive matching pursuit (AMP) algorithms.     

一种迭代加权l1范数的信号优化恢复方法

稀疏信号的快速优化恢复是压缩感知理论（Compressed Sensing,CS）研究的热点。讨论了参数选取对迭代加权l1范数优化算法恢复效果的影响,并将参数规则化过程引入到算法中,提出了带有参数规则化过程的迭代加权l1范数优化算法。最后通过数值实验,表明改进的算法较大程度地提升了对稀疏信号的恢复能力。     

基于稀疏优化lp正则化的光滑化拟牛顿算法

压缩感知被广泛应用于信号恢复和图像重构与去噪,重构算法是压缩感知的关键部分之一。当采样率很低时,重建原始信号是个困难的问题。对此,现有算法普遍表现不佳。采用[p(0相似文献   

松弛稀疏性条件下的欠定盲分离

采用2步法研究松弛稀疏性条件下的欠定盲信号分离。在矩阵恢复上,将时域检索平均法从时域扩展到小波域,得到单源区间矩阵恢复算法。在源信号恢复上,分析最短路径法和l1范数算法,提出基于任意观测信号数的统计稀疏分解准则算法。仿真结果表明,相比l1范数解算法,该算法具有较低的计算复杂度,且可提高恢复信号的信噪比。     

稀疏条件下的重叠子空间聚类算法

现有子空间聚类算法不能很好地平衡子空间数据的稠密性和不同子空间数据稀疏性的关系,且无法处理数据的重叠问题。针对上述问题,提出一种稀疏条件下的重叠子空间聚类(OSCSC)算法。算法利用L1范数和Frobenius范数的混合范数表示方法建立子空间表示模型,并对L1范数正则项进行加权处理,提高不同子空间的稀疏性和同一子空间的稠密性;然后对划分好的子空间使用一种服从指数族分布的重叠概率模型进行二次校验,判断不同子空间数据的重叠情况,进一步提高聚类的准确率。在人造数据集和真实数据集上分别进行测试,实验结果表明,OSCSC算法能够获得良好的聚类结果。     

基于压缩感知的步长自适应前向后向追踪重建算法

压缩感知(CS)是一种新的信号采样、处理和恢复理论,能够显著地降低高频窄带信号的采样频率。针对稀疏度未知信号的重建,提出了步长自适应前向后向追踪(AFBP)算法。不同于固定步长前向后向追踪(FBP)算法,AFBP的步长可变。它利用一种自适应阈值的方法选取前向步长,然后对候选支撑集进行正则化处理以保证其可靠性,接着用自适应阈值与变步长双向控制的方法选取后向步长以减少重建时间。AFBP能够自适应后向删除估计支撑集中部分错误索引以提高信号准确重建概率。在稀疏信号非零值服从常见分布条件下,用AFBP、FBP等算法进行重建的结果表明,AFBP的准确重建概率、重建精度与FBP相当,重建时间明显少于FBP,能够更高效地重建稀疏度未知信号。     

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。