基于压缩感知的阅卷系统手写汉字识别算法

针对阅卷系统中手写汉字识别率和识别精度低的问题,文中提出一种基于压缩感知理论的阅卷系统手写汉字识别算法。该算法首先对阅卷系统手写汉字图像进行随机采样得到其特征;然后对其进行稀疏表示,并最小化其l1范数以得到样本的稀疏解;最后利用该稀疏解的系数判别测试样本的类别。该方法用对信号的随机采样替代了传统的特征提取方法,简化了算法的实现过程,同时用现有的训练样本组成训练字典,避免了复杂的训练过程。该算法在手写汉字数据库ETL9B上的识别率达到99.1%。     

基于局部结构变换域稀疏外观模型的目标跟踪

[目的]为了降低稀疏表示目标跟踪算法的计算复杂度,[方法]在粒子滤波框架下提出了基于局部结构变换域稀疏外观模型的视觉目标跟踪算法.[结果]该算法在目标区域附近提取重叠的局部图像块,并计算出所有局部图像块的二维离散余弦变换,获得图像块的变换域系数.变换域的能量集中特性被采用来降低字典的维度与候选样本的数量,并且对系数压缩一定的自由度可以抑制噪声与遮挡影响.采用被裁剪的样本与字典获得局部图像块的稀疏编码,然后将当前目标区域中所有小图像块的稀疏向量加权融合得到目标区域的稀疏表示值,并通过决策模型获取最优跟踪结果.与现有三种最新的跟踪算法比较的实验结果表明,[结论]所提算法的跟踪性能接近或超过对比算法,同时大大减小了f1范数最小化的计算复杂度.     

基于非负稀疏表示的SAR图像目标识别方法

针对合成孔径雷达(SAR)图像目标识别中存在物体遮挡的情况,该文提出一种基于非负稀疏表示的分类方法。通过分析L0范数和L1范数最小化在求解非负稀疏表示问题上的区别,证明在一定条件下,L1范数最小化方法除了保持解的稀疏性还能得到与输入信号更加相似的原子集合,因此也更加适用于分类问题中。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,采用L1范数的非负稀疏表示分类方法能达到较好的识别性能,并且相对传统方法对存在遮挡情况下的识别问题更稳健。     

一种基于匹配追踪的语音盲源分离算法

研究基于Gabor的过完备字典的匹配追踪（Matching Pursuit,MP）稀疏分解算法,首先对混合语音信号进行稀疏分解。针对传统MP算法运行时间长,占用存储范围大以及语音信号稀疏分解特性的特点,利用快速傅里叶变换（Fast Fourier Transformation,FFT）的MP稀疏分解缩小了最佳原子的搜索范围,提高运行速度。然后基于峭度的自适应盲源分离算法,通过自适应地学习算法中的激活函数最终实现语音信号的盲源分离。此算法经过仿真实验,证明分离效果比传统算法有了一定的改进,实验结果证实算法的有效性。     

组合正交基字典稀疏分解快速匹配追踪算法

组合正交基字典稀疏分解通过正交基的级联来构造完备字典,实现稀疏分解。针对稀疏分解的常见算法计算复杂度高的问题,提出一种快速匹配追踪算法。该算法首先求出并存储正交基向量之间的内积,然后根据向量正交基展开系数为其与正交基向量内积的性质将内积运算转化为代数运算,得到一种快速匹配追踪算法。实验结果表明,基于Dirac基和DCT基构成的完备字典对信号leleccum进行稀疏分解时,与匹配追踪(MP)算法相比,该算法的计算速度提高了大约10倍。     

基于稀疏优化的图像压缩感知重建算法

在信号的稀疏表示方法中,传统的基于变换基的稀疏逼近不能自适应性地提取图像的纹理特征,而基于过完备字典的稀疏逼近算法复杂度过高.针对该问题,文章提出了一种基于小波变换稀疏字典优化的图像稀疏表示方法.该算法在图像小波变换的基础上构建图像过完备字典,利用同一场景图像的小波变换在纹理上具有内部和外部相似的属性,对过完备字典进行灰色关联度的分类,有效提高了图像表示的稀疏性.将该新算法应用于图像信号进行稀疏表示,以及基于压缩感知理论的图像采样和重建实验,结果表明新算法总体上提升了重建图像的峰值信噪比与结构相似度,并能有效缩短图像重建时间.     

基于稀疏表示的目标跟踪方法

提出了一个新的基于稀疏表示的目标跟踪方法。在粒子滤波框架下,将目标模板线性表示为所有目标候选的线性组合。当假设目标候选中存在与目标模板相似的候选时,线性表示的系数满足稀疏性约束,可以通过L1范式最小化求解。每一个目标候选在线性表示中的系数反映了该候选与目标模板的相似程度,因此可以将系数作为目标候选的权重。目标跟踪的结果为权重最大的候选。实验结果表明本文提出的算法比文献中现有的基于L1范式最小化的跟踪方法性能更稳定、计算效率更高。     

利用FFT实现基于MP的信号稀疏分解

该文研究基于Matching Pursuit（MP）方法实现的信号稀疏分解算法，通过对信号稀疏分解中使用的过完备原子库结构特性的分析，提出了一种新的信号稀疏分解算法。该算法首先通过利用原子库的结构特性，很好地处理了稀疏分解过程中计算量和存储量之间的关系。在此基础上，把信号稀疏分解中计算量很大的内积运算转换成互相关运算，最后用FFT实现互相关运算，从而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。     

基于压缩感知的探地雷达成像算法研究

压缩感知理论通过从一系列非自适应线性测量中求解一个凸L_1最小化问题,从而对稀疏信号进行重构。该文基于压缩感知理论对宽带合成孔径雷达成像,利用空间目标信号成像的稀疏性,提出了一种全新的低采样率数据采集重构算法。此算法在获取雷达信号原始数据时采用压缩感知的算法,减少了原始信号数据的采样量,并且用少量的测量数据和测量孔径获得重建测量目标的信息。最后将此算法与传统的反投影成像进行了比较,其仿真试验数据表明,基于压缩感知的探地雷达成像算法比传统反向投影算法成像效果好,且所需数据量少。     

基于信号稀疏表示的Chirp信号参数估计方法

单自由度多分量线性调频信号的参数估计是SAR/ISAR成像中的重要问题。文中在一组含参数的过完备基上展开信号,提出了一种基于信号稀疏表示估计单自由度多分量线性调频信号参数的新方法。并将该方法应用于目前流行的BP算法、FOCUSS算法和稀疏贝叶斯学习算法中,分析比较了以上算法的估计性能。仿真实验结果验证了该方法的有效性,并表明稀疏贝叶斯学习算法具有更好的稀疏表示能力,从而可以更有效地估计信号参数。     

基于过完备结构字典的跳频信号稀疏分解

过完备字典下的信号稀疏分解能够充分利用信号的结构特征,具有更好的稀疏分解性能。主要研究了跳频信号在过完备字典下的稀疏分解,提出了过完备结构字典下的跳频信号稀疏分解方法。利用跳频信号固有的结构特性,构造更加接近跳频信号结构特征的过完备字典,并采用FFT改进的匹配追踪算法对跳频信号进行稀疏分解。仿真结果表明该方法在分解效果和分解所需时间方面都有很大改善。     

自适应环境变化的RSS室内定位方法

根据定位问题的天然稀疏性,提出一种基于两步字典学习的定位方法,依据测量值动态调整字典,使稀疏模型能够自适应RSS的变化。同时提出一种改进的加权l1范数稀疏重构算法,提高低信噪比情况下的重构精度。实验结果表明该方法可以在目标数量未知的情况下实现多目标定位,并具有较强的抗噪声能力。     

基于子空间的三阶多项式相位信号快速稀疏分解算法

针对稀疏分解冗余字典中原子数量庞大的缺点,该文提出一种三阶多项式相位信号的快速稀疏分解算法。该算法根据三阶多项式相位信号的特点,把原有信号变换成两个子空间信号,并根据这两个子空间信号构建相应的冗余字典,然后采用正交匹配追踪法来完成其稀疏分解,最后利用稀疏分解原理完成原有信号的稀疏分解。该算法把原有信号变换成两个不同子空间信号,构建了两个不同的冗余字典,对比采用一个冗余字典库,这种采用两个冗余字典的算法大大减少了原子数量,并且通过快速傅里叶变换,在一个冗余字典进行稀疏分解时,同时找到另一个冗余字典中的最匹配的原子。因此该算法通过减少原子数量和采用快速傅里叶变换大大加快了稀疏分解速度。实验结果表明,相比于采用Gabor原子构建的冗余字典,采用匹配追踪算法与遗传算法及最近提出的基于调制相关划分的快速稀疏分解,它的稀疏分解速度更快,并且具有更好的收敛性。     

基于支持向量回归的图像超分辨率重建算法

文章提出一种新的基于支持向量回归(SVR)和稀疏表示的图像超分辨重建算法。SVR对输入数据有良好预测输出类别能力。图像统计表明,图像块可以从过完备字典中通过稀疏线性组合很好的表示。对一幅低分辨率输入图像,可以将图像超分辨问题视为在高分辨图像中估计其像素位置。与传统的支持向量回归方法相比,本文采用的特征是不同类型的图像块的稀疏表示。研究表明,稀疏表示作为特征对噪声有一定的鲁棒性。实验结果表明,本文方法与传统支持向量回归方法相比在图像重建质量上有一定的优势。     

基于稀疏信号重构的DOA和极化角度估计算法

现有的波达方向(Direction Of Arrival,DOA)和极化参数估计方法大多基于子空间理论.本文从稀疏信号重构角度出发,提出了一种新的DOA和极化角度估计算法.该算法首先构建一个只包含DOA信息的累积量矩阵模型,然后基于加权l?₁范数最小化获得DOA估计.在DOA估计的基础上,进一步通过求和平均运算构建三个包含不同极化信息的累积量向量模型,利用Zhang惩罚进行稀疏性约束,获得近似无偏的极化角度估计.阐述了如何利用极化信息来区分两个入射角度一样的信源信号.计算机仿真结果验证了所提算法的有效性.     

Universal regularizers for robust sparse coding and modeling

Sparse data models, where data is assumed to be well represented as a linear combination of a few elements from a dictionary, have gained considerable attention in recent years, and their use has led to state-of-the-art results in many signal and image processing tasks. It is now well understood that the choice of the sparsity regularization term is critical in the success of such models. Based on a codelength minimization interpretation of sparse coding, and using tools from universal coding theory, we propose a framework for designing sparsity regularization terms which have theoretical and practical advantages when compared with the more standard l(0) or l(1) ones. The presentation of the framework and theoretical foundations is complemented with examples that show its practical advantages in image denoising, zooming and classification.     

基于改进SAMP算法的UWB多径信道估计

稀疏度自适应匹配追踪（SAMP）算法重构过程中存在其迭代终止条件设置不够合理的情况,需要对SAMP算法进行改进.在信道稀疏度未知时,改进SAMP算法依据残差之差的相对能量小于设定的停止门限来终止迭代过程,通过自适应调整可变步长逐步逼近信道的稀疏度,从而实现了重构UWB信道.仿真结果表明,改进SAMP算法低信噪比时重构精度高于SAMP算法,具有更好的重构性能和广泛的实用性.     

基于近似l0范数的稳健稀疏重构算法

针对测量值受噪声污染的稀疏重构问题,本文提出了稳健近似l0范数最小化算法.该算法首先利用反正切函数近似l0范数,然后建立基于近似l0范数的含噪稀疏重构模型,最后通过拟牛顿法求解该模型,并分析了算法的收敛性.数值仿真表明,本文提出的算法重构稀疏向量时需要较少的测量值,且具有较高的计算精度.