基于贝叶斯预测密度的弱匹配追踪频谱检测

针对在低信噪比、观测点数较少情况下稀疏度的欠估计问题,提出了一种基于贝叶斯预测密度的弱匹配追踪频谱检测算法.该算法利用贝叶斯预测密度理论推导出罚函数,然后引入弱匹配策略于CoSaMP算法,提高频谱支撑集估计性能,且减弱受稀疏度估计准确度的影响.仿真结果表明,当信噪比高于3 dB时,利用400个观测样本该算法就能获得90％以上的频谱检测概率,宽带频谱感知性能优于已有算法.     

基于随机矩阵最大特征值分布的频谱感知算法

现有频谱感知算法在低信噪比时检测性能较低且受虚警概率影响大,针对此问题,提出了一种基于wishart矩阵样本协方差矩阵最大特征值的分布特性的频谱感知算法。该算法利用最大特征值与几何平均特征值的比值,不需要主用户的先验知识,不敏感于噪声,对相关信号和独立同分布信号均具有较高的检测性能。仿真结果表明,所提算法受虚警概率的影响较小,检测性能高,并且在采样点数、协作用户数、信噪比及虚警概率较小的情况下,也能获得较好的检测性能。     

基于特征值对数分布的频谱感知算法

利用样本协方差矩阵几何平均特征值的对数分布特性,提出了一种新的频谱感知算法。该算法基于样本协方差矩阵最大最小特征值之差与几何平均特征值的比值,通过比较该比值与门限的大小来判断主用户是否占用分配频谱,不需要知道主用户信号和噪声的先验信息,得到了十分简单的判决门限表达闭式。仿真结果表明,在低信噪比、低协作用户数以及低样本点数的条件下,所提算法能获得更优的感知性能;并且所提算法的感知性能较为稳定,受样本中极端值和虚警概率的影响均较小。     

基于改进型能量检测的加权协作频谱感知算法

针对单节点能量检测法存在的“隐藏终端”和检测准确性低以及协作频谱感知算法大多采用等权重进行数据融合,未考虑不同节点所处的通信环境对检测性能的影响等问题,提出一种基于改进型能量检测的自适应加权协作频谱感知算法。该算法通过对单节点能量检测方法的改进,在单节点检测错误概率最小的条件下,导出了信噪比与判决门限的关系式,利用二分法求得不同信噪比下的动态门限值,得到相应的虚警概率和检测概率,以虚警概率和检测概率的函数作为加权因子进行数据融合。仿真结果表明,所提算法使协作感知系统在低信噪比条件下也能获得可靠的检测性能。     

基于MUSIC算法的宽带频谱感知

利用MUSIC算法进行宽带频谱感知时,主用户信号个数估计是关键问题。为此,提出一种动态门限搜索匹配的信号个数估计算法。利用信号子空间和噪声子空间的正交性动态调整门限,搜索与预设维度最匹配的信号个数作为最终的估计值。仿真结果表明,在低信噪比的情况下,该算法能准确估计信号个数,提高宽带频谱感知性能。     

一种基于稀疏度估计的自适应压缩频谱感知算法

针对现有的频谱感知存在信号稀疏度估计所需压缩观测值不能满足信号稀疏度变化时实时跟踪的问题,研究一种基于稀疏系数信息估计的自适应宽带频谱压缩感知方法,在流信号进行稀疏度未知的压缩时,先采集由先验信息得到的观测值数目.在采集到的观测值数目上自适应调整,得到信号稀疏度估计所需的观测值数目,并精确估计信号的稀疏度.仿真结果表明,SCI-CSS算法对流信号频谱能够保持良好的收敛性和较快的跟踪速度,且能有效地确定使信号稀疏度估计所需压缩观测值数目并随信号稀疏度自适应调整,实现对信号稀疏度变化的实时跟踪.     

基于最小特征值分布的频谱感知算法

现有的频谱感知算法中,能量检测容易实现,但检测性能依赖噪声功率。基于随机矩阵理论的频谱感知算法巧妙地规避了噪声不确定性对检测性能带来的影响,但大都采用的是最大特征值的近似分布规律,所得到阈值表达式的精度有待进一步提高。针对上述问题,通过利用随机矩阵理论的最新研究成果,提出一种基于接收信号样本协方差矩阵最小特征值分布的频谱感知算法。最小特征值的分布函数不基于渐近假设,更加符合实际的通信情境。推导所得的阈值表达式是虚警概率的函数,在小样本情况下,对它的有效性和优越性进行了分析与验证。根据单一变量原则,分别在低样本点、低协作用户数、低信噪比和低虚警概率条件下对提出算法与最大最小特征值算法的检测性能进行了仿真比较,检测概率最多可以提高0.2左右。结果表明,该算法能够显著改善系统的检测性能。     

基于P-Ifourier观测矩阵的宽带压缩感知方法

针对压缩感知理论在宽带频谱感知领域应用时重构精度差的问题,根据平稳信号在频域所表现出的稀疏特性,提出了一种基于P-Ifourier(Partial-Inverse fourier)观测矩阵的宽带压缩频谱感知方法。新方法首先将频谱感知问题建模为一个典型的压缩感知问题,利用相关性能优良的标准正交傅里叶基构造观测矩阵,使观测矩阵具有良好的重构性能和重构精度。仿真结果表明,相比于高斯随机观测矩阵和嵌入式混沌序列-循环Toeplitz结构观测矩阵,该方法在较低信噪比环境下能够明显降低信号重构的均方误差,并且在相同条件下的重构概率得到了明显改善。     

稀疏补分析子空间追踪算法

针对压缩感知理论的稀疏分析模型下的子空间追踪算法信号重构概率不高、重构性能不佳的缺点,研究了此模型下的稀疏补子空间追踪信号重构算法;通过选用随机紧支框架作为分析字典,设计了目标优化函数,改进优化了稀疏补取值方法,改进了算法迭代过程,实现了改进的稀疏补分析子空间追踪新算法(IASP).实验结果证明,所提算法的信号完全重构概率明显高于分析子空间跟踪(ASP)等5种算法的信号完全重构概率;对于含高斯噪声的信号,所提算法重构信号的整体平均峰值信噪比明显超过ASP等3种算法整体平均峰值信噪比(PSNR),但略低于贪婪分析追踪(GAP)等2种算法的整体平均峰值信噪比.所提算法可用于语音和图像信号处理等领域.     

基于信噪比估计的自适应频谱感知算法

针对传统能量检测不能对低信噪比条件下的信号进行准确感知,容易造成误判的缺点。为了提高在低信噪比条件下的频谱感知性能并缩短感知时间,结合循环特征检测具有较高的检测性能和鲁棒性但计算复杂度高的特点,提出了基于信噪比预估计的自适应频谱感知算法。该算法通过预估计待检信号与信道噪声的信噪比,当高于信噪比选择阈值时,采用改进后的自适应门限能量检测,降低运算复杂度;若低于选择阈值则进行循环特征检测,保证良好的检测精度;并可以根据系统对检测精度和感知速率的要求,自适应调整选择阈值的大小。仿真结果表明,所提算法有效的提高了低信噪比条件下频谱感知的准确性,缩短了平均感知时间。     

基于压缩感知的多小区MASSIVE MIMO信道估计

针对多小区多用户大规模多输入多输出（MASSIVE MIMO）系统信道估计在低信噪比情况下估计精度较差的问题,提出了一种基于群智能搜索的果蝇分段正交匹配追踪（FF-StOMP）压缩感知算法。该算法在分段正交匹配追踪（StOMP）求解不同阈值下的信道矩阵参数与归一化最小均方误差的基础上,采用果蝇优化算法动态搜索出最小归一化均方误差与其对应的阈值,达到自适应参数设定的目的。仿真结果表明,与StOMP算法相比,信噪比在0~10 dB情况下,所提出的FF-StOMP算法信道估计性能能够提升0.5~1 dB;信噪比在11~20 dB时,信道估计性能能够提升0.2~0.3 dB。当小区用户数发生变化时,所提出的算法能实现自适应信道估计,能够有效提升MASSIVE MIMO系统低信噪比情况下的信道估计精度。     

基于压缩感知的大规模多输入多输出空间共稀疏信道估计

针对频分复用双工方式的大规模多输入多输出（MASSIVE MIMO）系统在虚拟角域信道中估计精度较差的问题,提出一种基于门限的稀疏度自适应匹配追踪（BT-SAMP）算法。该算法融合了回溯正交匹配追踪（BAOMP）算法的原子选择特性和稀疏度自适应匹配追踪（SAMP）算法的自适应特性,将BAOMP算法的"添加原子"规则作为SAMP算法的原子选择预处理,通过合理的阈值添加固定的原子,然后延续SAMP算法的步长迭代自适应特性,寻找到信道矩阵近似系数最大,达到了提高SAMP算法估计精度、加快算法收敛的目的。仿真结果表明,在低信噪比（SNR）情况下,与SAMP算法相比,信道估计精度均有提高,特别是信噪比在0~10 dB时,其估计精度提升4 dB,算法的运行时间减少约61%。     

基于压缩感知的大规模MIMO系统导频优化及信道估计算法

针对频分双工（FDD）大规模MIMO系统下行信道估计过程中由于导频数和基站天线数成正比会造成巨大的导频开销这一问题,首先提出一种基于压缩感知（CS）技术的伪随机导频优化方案,该方案令基站发射非正交导频信号,并且以最小化观测矩阵的互相关为优化目标,通过引入交叉、变异判断机制和内、外循环机制以实现对导频序列的优化;其次,联合利用无线MIMO信道的空间公共稀疏性和时间相关性提出一种基于压缩感知技术的信道状态信息（CSI）估计算法,利用线性最小均方误差（LMMSE）算法进行矩阵估计以精确获取CSI。分析和仿真结果表明,与随机搜索算法、逐位置优化方案、局部公共支撑算法、自适应结构子追踪（ASSP）算法、正交匹配追踪（OMP）算法以及逐步正交匹配追踪（StOMP）算法相比,所提算法在低导频开销比和低信噪比（SNR）的情况下均可以维持良好的信道估计性能。     

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CS-CoSaAMP的超宽带多径信道估计

针对匹配追踪类算法要求稀疏度作先验条件的不足,提出压缩采样自适应匹配追踪（CoSaAMP）新算法。结合完备的冗余字典,算法在稀疏度未知时,可以通过自适应调整可变步长逐步逼近信道的稀疏度,用于解决超宽带信道的重建问题。仿真结果表明,提出的CoSaAMP算法性能收敛速度快,估计效果好,可有效用于实际超宽带信道估计。     

优化正交匹配追踪和短时谱估计用于声音识别

声音事件识别时受到各种环境声的影响,采用优化正交匹配跟踪（Orthogonal Matching Pursuit,OMP）和短时谱估计对声音信号进行二次重构,能有效提高识别性能。采用粒子群算法（Particle Swarm Optimization,PSO）优化OMP稀疏分解作首次重构,保留声音信号的主体;采用短时谱估计对首次重构后的残余信号作声音增强处理,完成二次重构,去除非平稳噪声和提高重构声音信号的精度;对重构信号提取梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）特征、优化OMP时-频特征和基频（Pitch）特征,组成复合抗噪特征集OOMP;使用深度置信网络（Deep Belief Network,DBN）对OOMP特征进行学习,并对40种声音事件在不同环境不同信噪比下进行识别。实验结果表明,该方法在不同信噪比的各种环境声中平均识别率为70.44%,且在?5?dB的情况下仍然可以达到49.90%的识别率,从而说明所提方法能有效地识别各种环境下的声音事件。     

用于CS的广义稀疏度自适应匹配追踪算法

压缩感知理论的基本思想是原始信号在某一变换域是稀疏的或者是可压缩的,并将奈奎斯特采样定理中的采样过程和压缩过程合二为一。稀疏度自适应匹配追踪（SAMP）算法能够实现稀疏度未知情况下的重构,而广义正交匹配追踪算法每次迭代时选择多个原子,提高了算法的收敛速度。基于上述两种重构算法的优势,提出了广义稀疏度自适应匹配追踪（Generalized Sparse Adaptive Matching Pursuit,gSAMP）算法。针对重构图像的峰值信噪比、重构时间、相对误差等客观评价指标,以及主观视觉上对所提算法与传统的贪婪算法进行对比。在压缩比固定为0.5时,gSAMP算法的重构效果优于传统的MP、OMP、ROMP、SAMP以及gOMP贪婪类重构算法的效果。     

大规模MIMO加权正交匹配追踪信道估计算法

针对大规模多输入多输出系统基站天线数目众多,移动用户很难实时精确完成信道估计等问题。提出了一种加权的正交匹配追踪算法。该算法在每次迭代过程中,计算得到的估计信号值由当前残差信号估计值和迭代之前估计值两部分组合而成;分别对当前残差信号估计值和迭代之前估计值设置不同的权值,以提高信号在低信噪比情况下的估值精度;通过调整不同迭代次数权值大小,可以提升信号在不同信噪比情况下的计算精度。仿真结果表明,在不同的信噪比情况下,该算法都可以获得比标准正交匹配追踪算法更高的估计精度。     

基于压缩感知改进算法的MIMO-OFDM稀疏信道估计

结合压缩感知理论（CS）,针对压缩采样匹配追踪算法在多输入多输出正交频分复用（MIMO_OFDM）系统信道估计应用中需要利用信号稀疏度的先验条件,而实际中稀疏度又难获得的情况,提出一种信号稀疏度自适应的压缩采样改进匹配追踪算法（CoMSaMP）。该算法采用具有理论支撑的原子弱选择标准作为预选方案,并设置首次裁剪阈值来减少算法多余的迭代,降低算法在信道估计中的复杂度,裁剪方式的改进保证了重构精度的提高,最终实现MIMO-OFDM稀疏信道估计中信号的稀疏度自适应。仿真结果表明：与原算法相比,该算法在同等信噪比条件下具有更优的信道估计性能,从而提高了频谱利用率,同时降低了复杂度,在稀疏度较高时,提出的算法具有更好的对噪声的抗干扰能力。