基于广义Gibbs先验的优质PET成像

 最大后验方法(Maximum a posteriori, MAP)已经广泛应用于解决图像重建中的病态问题,正电子发射成像(Positron emission tomography, PET)便是其中之一。本文基于MAP方法,针对PET成像提出一新的基于图像相似结构信息的广义Gibbs先验形式,新先验能在有效地抑制噪声的同时,鲁棒地保持锐利的边缘信息。但由于新先验的引入,使得重建模型的求解趋于复杂。为解决模型解的收敛性问题,我们提出两步式的局部线化优化迭代重建策略,并结合抛物线替代坐标上升(Paraboloidal surrogate coordinate ascent,PSCA)算法进行求解。新算法分别对PET模拟数据和真实数据进行重建实验,结果表明本文提出的基于广义Gibbs先验的PET成像可以获得优质的重建图像。     

考虑多种贝叶斯神经网络分布形式组合的设备剩余寿命预测方法

基于dropout NN(dropout Neural Network)的设备剩余寿命(RUL)预测方法因使用具有固定分布形式的先验与近似后验的贝叶斯神经网络(BNN)导致预测精度较低.为解决该问题,提出基于高斯近似后验BNN的RUL预测方法和基于混合高斯-伯努利网络的设备RUL预测方法,前者引入混合高斯分布作为先验,通过对参数梯度进行无偏蒙特卡罗估计以优化BNN,后者引入一种离散化的高斯先验分布以正确地定义KL散度,进而可以优化BNN.在PHM 2012轴承数据集上的验证结果表明所构建的混合高斯-高斯网络效果好于dropout NN,证明了改变分布组合可以获得更好的预测效果.     

改进的基于拉普拉斯先验的贝叶斯压缩感知算法

贝叶斯压缩感知(Bayesian Compressed Sensing,BCS)通过稀疏贝叶斯回归模型中相关向量机(Relevance Vector Machine,RVM)的学习来解决压缩感知(Compressed Sensing,CS)中的信号重构问题。本文通过修正基于拉普拉斯先验BCS的噪声模型,较好地实现了含噪CS信号的重构。它主要利用稳健型相关向量机(Robust RVM,RRVM),改进了基于拉普拉斯先验的BCS算法。它通过对每个观测噪声方差系数进行最优化估计,来消除内外部噪声对信号重构的影响。相关的仿真验证了在外部脉冲噪声以及内部高斯白噪声共同干扰条件下,相比原始BCS算法,改进算法具有更好的重构性能和稳定性。     

基于贝叶斯压缩感知的ISAR自聚焦成像

针对ISAR自聚焦成像,该文提出一种基于贝叶斯压缩感知的高分辨率成像算法。首先利用目标图像的稀疏特性构建级联形式的稀疏先验模型,同时将相位误差建模为均匀分布模型;然后基于最大后验准则,依据贝叶斯压缩感知理论交替迭代求解目标图像和相位误差。与传统稀疏方法相比,所提算法进一步利用了目标图像的联合稀疏信息,将ISAR CS成像转化为MMV联合稀疏优化问题的求解,可以有效改善自聚焦的精度以及成像质量。仿真结果验证了该算法的有效性。     

基于方差成分扩张压缩的稀疏贝叶斯ISAR成像方法

基于贝叶斯框架下的稀疏重构方法,由于考虑了稀疏信号的先验信息以及测量过程中的加性噪声,因而能够更好地重建目标系数,然而传统的稀疏贝叶斯学习(SBL)算法参数多,时效性差。该文考虑一种新的稀疏贝叶斯学习方法方差成分扩张压缩(ExCoV),其不同于SBL中赋予所有的信号元素各自的方差分量参数,ExCoV方法仅仅赋予有重要意义的信号元素不同的方差分量,并拥有比SBL方法更少的参数。基于计算机层析成像技术框架下的ISAR成像模型,该文将ExCoV方法结合压缩感知(CS)理论将其进行ISAR成像,并从适用性和成像效果等方面与常用的极坐标格式算法(PFA),卷积逆投影算法(CBPA)和传统的稀疏重构算法进行比较,点目标仿真结果表明基于ExCoV的方法得到的ISAR像具有低旁瓣,高分辨率的特点,真实数据的成像结果表明该方法是一种比SBL更有效的ISAR成像算法。     

基于Laplace先验的Bayes压缩感知波达方向估计

基于多任务贝叶斯压缩感知(BCS)理论,该文提出一种使用Laplace先验的目标到达角(DOA)估计算法。该算法利用阵元输出为观测值,将DOA估计转化为Laplace先验约束下的BCS求解稀疏信号问题,使用Laplace先验获得比传统BCS更好的稀疏性。该算法不需要信源个数的先验信息和进行特征值分解,能够适应相干信源场景,仿真结果表明该算法具有比传统BCS方法和经典MUSIC算法更好的DOA估计性能。     

改进高阶容积粒子滤波的系统状态估计算法

传统粒子滤波（PF）直接采用状态转移先验分布作为重要性密度函数来近似后验概率密度函数,使得后验概率密度函数未包含量测信息。针对此问题,提出了一种改进高阶容积粒子滤波(CPF)的系统状态估计算法。算法采用七阶正交容积卡尔曼滤波（7th-CQKF）对PF的粒子进行传递,使得先验分布更新阶段融入最新量测信息;通过7th-CQKF设计重要性密度函数,提高对状态后验概率密度的逼近程度;通过反比例函数计算粒子权重,突出大噪声粒子与小噪声粒子权重差别,提高粒子有效性。仿真结果表明,改进高阶容积粒子滤波的估计精度高于容积粒子滤波（CPF）。     

基于块稀疏贝叶斯模型的ISAR成像方法

传统ISAR稀疏成像主要针对独立散射点散射系数的重构问题,然而实际情况下目标散射点之间并不是独立存在的,而是以区域或块的形式存在,在该情形下利用常用的稀疏重构算法并不能完全地刻画块状目标的真实结构,因此该文考虑采用块稀疏重构算法进行目标散射系数重建。基于块稀疏贝叶斯模型和变分推理的重构方法(VBGS),包含了稀疏贝叶斯学习(SBL)方法中参数学习的优点,其利用分层的先验分布来表征未知信号的稀疏块状信息,因而相对于现有的恢复算法能够更好地重建块稀疏信号。该方法基于变分贝叶斯推理原理,根据观测量能自动地估计信号未知参数,而无需人工参数设置。针对稀疏块状目标,该文结合压缩感知(CS)理论将VBGS方法用于ISAR成像,仿真实验成像结果表明该方法优于传统的成像结果,适合于具有块状结构的ISAR目标成像。     

学生 t 混合势均衡多目标多伯努利滤波器

在有重尾的过程噪声和量测噪声的影响下,高斯混合势均衡多目标多伯努利滤波器(GM-CBMeMBer)的滤波性能会明显下降。针对上述问题,该文提出一种新的学生 t 混合势均衡多目标多伯努利滤波器(STM-CBMeMBer)。该滤波器将过程噪声和量测噪声近似为学生 t 分布,并用学生 t 混合模型来近似多目标的先验强度。从理论上推导出学生 t 混合形式的预测强度和后验强度,建立了势均衡多目标多伯努利滤波器的闭式递推框架。仿真结果表明,在重尾的过程噪声和量测噪声存在的环境中,该滤波器能有效抑制其干扰,相比于传统方法,具有更高的跟踪精度。     

基于自适应核时频分布的机动目标ISAR成像

具有复杂姿态运动的目标由于其多普勒的时变性,使得传统的逆合成孔径雷达(ISAR)距离多普勒算法成像模糊,时频分析技术是解决该问题的有效途径之一.在详细分析复杂姿态运动导致的目标回波多普勒相位非线性特性的基础上,利用白适应核时频分布进行ISAR瞬时成像,并给出了一种新的自适应高斯核函数的参数估计方法.仿真数据和外场实测数据成像结果证明了该方法的有效性.     

Bayesian compressive sensing using reweighted laplace priors

Bayesian compressive sensing (BCS) plays an important role in signal processing for dealing with sparse representation related problems. BCS utilizes a Bayesian model to solve the compressing sensing (CS) problem, such as signal sampling processing and model parameters using the hierarchical Bayesian framework. The use of Gaussian and Laplace distribution priors on the basic coefficients has already been demonstrated in previous works. However, the two existing priors cannot more effectively encode sparsity representation for unknown signals. In this paper, a reweighted Laplace distribution prior is proposed for hierarchical Bayesian to fully exploit the sparsity of unknown signals. The proposed algorithm can automatically estimate all the coefficients of unknown signal, and the expected model parameters are solely gotten from observation by developing a fast greedy algorithm to solve the Bayesian maximum posterior and type-II maximum likelihood. Theoretical analysis on the sparsity of the proposed model is analyzed and compared with the Laplace priors model. Moreover, numerical experiments are conducted to prove that the proposed algorithm can achieve superior performance for reconstructing unknown sparse signal with low computational burden as well as high accuracy.     

基于高斯插值提高雷达测距精度的研究

本文结合脉冲法雷达测距原理,分析了距离量化误差产生的原因.针对LFM信号加入高斯白噪声作脉冲压缩得到的脉压波形,结合先验信息,将脉压结果主瓣内的波形近似为高斯分布,利用脉压结果中采样最大值点和次大值点的位置信息和幅度信息作高斯插值处理,预估脉压波形真实峰值时间.仿真结果表明,通过高斯插值处理,距离量化误差显著减小,雷达...     

Bayesian density functions for Gaussian pulse shapes in Gaussian noise

The probability density function for the amplitude of a Gaussian-shaped pulse of unknown arrival time is derived together with its mean and variance, when the time argument of the pulse is randomly distributed according to a Gaussian probability distribution or a uniform distribution. Then using the amplitude density as a prior distribution, the marginal density function for the pulse plus stationary Gaussian noise and its attendant expression for the probability of detection are derived. Applications to the calculation of detection probabilities in the presence of pulse peak location errors are cited.     

低空小型无人机贝叶斯学习超分辨ISAR成像

本文针对低空小型无人机在雷达探测中散射截面积小、相干积累时间短等问题,提出一种基于贝叶斯统计机器学习的逆合成孔径雷达超分辨成像方法。利用无人机相对空域背景的稀疏性先验知识引入重尾的拉普拉斯先验概率分布,并基于观测系统噪声高斯分布假设建立贝叶斯后验推理模型。针对先验分布的非共轭性,引入分层贝叶斯模型。最后应用变分贝叶斯期望最大算法,解析求解目标后向散射系数后验概率密度函数,并校正目标非系统性平动误差及其造成的成像散焦。与传统方法相比,该方法能够有效解决无人机目标雷达散射截面积较小带来的成像信噪比低以及相干积累时间较短带来的成像分辨率低等问题。仿真实验结果证明了本文所提方法的有效性和优越性。     

Pulse Pile-up Correction by Particle Swarm Optimization with Double-layer Parameter Identification Model in X-ray Spectroscopy

In X-ray spectrum analysis, the pulse pile-up is a long-standing issue which deteriorates the energy resolution and count rates of the radiation detection systems. In this study, a novel pulse pile-up identification method based on particle swarm optimization and double-layer parameter identification model (PSO-DLPIM) is proposed. Different Gaussian pile-up waveforms are realized by exponential pulse through Sallen-Key (S-K) low-pass filtering. Then, the proposed model recognizes the parameters of each sub-Gaussian pulse. Especially, it can be used to modelling the pulse indirectly without a certain model parameter and overcomes the model mismatch troubles. Finally, computer simulations and experimental tests are carried out and the results show that this method has higher accuracy for the recognition of pile-up pulses. The example shows that the minimum distance between pulses that can be identified by this method is 0.05 μs. And when the pulse generation time is known and the environmental noise is low, the relative error of the amplitude of pulse pile-up recognition is as low as 0.15%. Therefore, this method can greatly improve the resolution of the X-ray spectrum.

     

一种基于稀疏先验的综合孔径展源辐射成像统计反演方法

确定性的综合孔径辐射计反演方法没有考虑亮温分布先验信息的统计特性.针对亮温分布具有非连续特性的展源,本文提出了一种基于稀疏先验的综合孔径展源辐射成像统计反演方法.根据该方法,采用修正的差分算子提取亮温非连续分布展源中隐含的稀疏先验,建立稀疏先验概率分布的多层先验等效高斯模型,将图像反演等效为该模型超参数估计,并采用期望最大化算法估计该模型超参数.仿真和实验结果表明:与现有的综合孔径辐射计确定性反演方法相比,本文提出的反演方法不仅能有效提高反演图像的准确度,而且对综合孔径辐射计的各种误差鲁棒性更强.     

一种基于概率密度传播的目标跟踪算法

该文提出一种解决非线性、非高斯条件下目标跟踪问题的新方法,在贝叶斯框架下通过连续概率密度传播实现目标跟踪。采用高斯混合模型表征目标先验分布、后验分布及观察似然函数,利用无迹变换实现目标位置的非线性预测,通过拟合方法获得后验分布,同时,将后验分布各模式的加权质心作为目标的位置估计。仿真结果表明,该算法可以很好地解决大噪声环境下基于无线传感器网络的目标跟踪问题。     

脉冲噪声下多伯努利滤波的单声矢量DOA跟踪

针对单声矢量传感器(Acoustic vector sensor, AVS)脉冲噪声环境下的多声源波达方向(Direction of arrival, DOA)跟踪问题,利用α稳定分布能更好地建模脉冲噪声的性质,提出α稳定分布下的多伯努利DOA跟踪算法。由于α稳定分布不具有有限协方差,该算法采用分数低阶距(Fractional Lower Order Moment, FLOM)代替协方差矩阵,对FLOM进行特征分解构造噪声子空间,生成FLOM MUSIC空间谱函数作为多伯努利滤波器的伪似然函数,并对其指数加权,改善了传统似然函数的发散和平坦问题,使得粒子的重采样更有效。该算法的优点是不需要预先知道声源个数,利用先验信息和当前量测信息可以直接对当前声源进行跟踪。仿真结果表明,该算法能有效跟踪脉冲噪声环境下单一AVS声源的数目和状态。      

一种雷达脉内常规脉冲信号频率快速计算算法

频率是雷达脉内信号的主要特征参数,也是影响雷达识别的关键参数之一。过零判别检测法是一种简单实用的脉内常规脉冲信号频率快速计算方法,但受噪声影响较大,限制了该方法在精确分析中的应用。针对现有技术在实际应用中过零点辨别困难的问题,提出了一种基于一元线性回归分析、对噪声及干扰抑制能力强并能有效提高脉内常规脉冲信号频率准确度的脉内常规脉冲信号频率计算方法。