基于贪婪-快速阈值迭代的SAR地面动目标稀疏表征算法

合成孔径雷达地面动目标成像(Synthetic Aperture Radar Ground Moving Target Imaging, SAR-GMTIm)技术通过在静止场景的SAR图像中检测运动目标响应,实现针对运动目标的重聚焦成像。通常情况下,地面运动目标回波响应相对于静止场景的回波(即杂波)具有较强的稀疏性,增强SAR-GMTIm成像结果的稀疏特征有利于目标分类和识别。现有的一阶算法如阈值迭代算法(Iterative Shrinkage-thresholding Algorithm,ISTA)及其改进方法,快速阈值迭代算法(Fast Iterative Shrinkage-thresholding Algorithm,FISTA)都可用于SAR-GMTIm稀疏特征增强,但都存在运算效率偏低,收敛速度较慢的问题。针对以上问题,本文提出了一种贪婪-快速阈值迭代算法(Greedy Fast Iterative Shrinkage-thresholding Algorithm,Greedy FISTA)用于SAR-GMTIm稀疏特征恢复。该算法基于重启动框架对FISTA进行改进,缩短了算法重启间隔和振荡周期,拥有比FISTA更快的收敛速度。本文利用Greedy FISTA针对SAR-GMTIm的仿真复数据以及美国空军实验室的Gotcha实测雷达数据进行成像实验,并对比Greedy FISTA和FISTA、ISTA在SAR动目标成像中达到同等精度所需的迭代次数,再结合相变热力图分析法对比三种算法的恢复性能。实验结果表明Greedy FISTA应用于SAR-GMTIm系统具有良好的成像效果, 且在收敛速度和稀疏信号恢复方面相较传统阈值迭代算法及快速阈值迭代算法有明显优势。      

语音重构的DCT域加速Landweber迭代硬阈值算法

重构信号的最基本理论依据是该信号在某个变换域是稀疏的或近似稀疏的。基于语音信号在DCT域的近似稀疏性,可以采用压缩感知(Compressed Sensing, CS)理论对其进行重构。压缩感知理论中的迭代硬阈值(Iterative hard thresholding, IHT)算法以其较好的性能被广泛用来重构信号,但其收敛速度比较慢,如何提高收敛速度,一直是迭代硬阈值算法研究的重点之一。针对压缩感知理论中的IHT算法收敛速度相当慢的问题,提出了语音重构的DCT域加速Landweber迭代硬阈值(Accelerated Landweber iterative hard thresholding, ALIHT)算法。该算法对原始语音信号做DCT变换,然后在DCT域将每一步Landweber迭代分解为矩阵计算和求解两步,通过修改其中的矩阵计算部分实现Landweber迭代加速,最后通过迭代硬阈值对信号做阈值处理。实验结果表明,加速Landweber迭代硬阈值算法加快了收敛速度、减少了计算量。      

稀疏信号重构的阈值化迭代检测估计

研究压缩传感(Compressed Sensing,CS)的稀疏信号重构算法,该文提出一种新的算法框架阈值化迭代检测估计(Iterative Detection Estimation with Thresholding,IDET)。算法框架包括两个方面:选择单阶段阈值化(One-Stage Thresholding,OST)算法的迭代步作为支持集检测的参考;根据稀疏信号的特征设计支持集检测方法。同时,提出该算法框架的实现算法,实现算法先检测由迭代硬阈值化(Iterative Hard Thresholding,IHT)迭代步得到一个支持集,然后通过求解支持集上的最小二乘问题来估计待重构的稀疏信号,迭代上述两个步骤直至满足条件停止。IDET算法的关键在于支持集检测,该文提出3种适用于快速衰减信号的支持集检测方法。实验结果表明,IDET稀疏重构性能优于IHT的其他加速算法。     

基于AI通信的大规模MIMO信道状态信息反馈网络

在大规模多输入多输出系统中，由于天线数量的增加导致信道状态信息反馈带宽开销增大。为了减少反馈开销，提出了一种基于深度学习的反馈网络。该网络将卷积注意力模块和快速迭代收缩阈值算法(Fast Iterative Shrinkage Thresholding Algorithm,FISTA)进行了结合。为了贴合实际应用，考虑到了噪声情况，分析了阈值敏感度。仿真结果表明，该网络在不同环境下其性能和鲁棒性可以得到进一步提高。     

一种改进的毫米波图像超分辨率重建算法

针对毫米波成像时,由于天线孔径受限使得获取的图像空间分辨率很低、高频信息损失严重的问题,提出一种改进的非凸集投影超分辨算法。该算法以非凸集阈值收缩迭代算法(Non-convex Shrinking Iteration,NCSHI)为基础,采用具有平移不变特性的双树复数小波作为稀疏基,引入了两步迭代过程,有效地利用了前两次的迭代信息。实验仿真结果表明,该算法有效地改善了伪吉布斯效应,收敛速度更快,具有良好的超分辨性能。     

脉冲噪声环境下基于洛伦兹范数软阈值迭代的压缩感知算法

观测值受脉冲噪声干扰情况下,传统的压缩感知算法基本失效,基于洛伦兹范数的硬阈值迭代(LIHT)算法是有效途径,但是硬阈值迭代过程会误判信号支撑集,随着脉冲数目增加,算法性能明显下降。针对这一问题,提出了一种基于洛伦兹范数的软阈值迭代(LIST)压缩感知重构算法。利用洛伦兹范数有效约束脉冲噪声,引入信号稀疏度度量函数,采用梯度下降法降低重构信号的稀疏度,实现软阈值迭代,并通过拟牛顿法求解该模型,加快算法收敛,运算量与其他算法是同一数量级,数值仿真表明,重构信噪比优于LIHT算法。     

基于Huber正则化二阶加速Richardson-Lucy湍流图像复原算法

为了快速准确地恢复湍流退化图像,提出了Huber正则化Richardson-Lucy(R-L)加速迭代盲反卷积(IBD)算法。根据图像滤波处理结果,采用Huber函数自适应地选择一阶范数和二阶范数正则化约束,增加算法收敛速度同时提高图像细节和边界复原质量。引入基于泰勒级数的二阶矢量外推加速方法,进一步增加迭代的收敛速度。实验结果表明,采用提议的算法需要的迭代次数较少,适用于实时性要求较高的场合,复原图像的主客观质量均有所提高。     

基于CV-FISTA网络的稀疏孔径ISAR成像方法

逆合成孔径雷达(inverse synthetic aperture radar,ISAR)在雷达目标识别、空间监视和弹道导弹防御等领域发挥着重要作用。针对传统稀疏孔径ISAR成像算法对参数敏感和收敛速度慢的问题,提出一种基于复值快速迭代收缩阈值算法网络的稀疏孔径ISAR成像恢复方法。将加速近端梯度方法引入稀疏重构算法中,并将其迭代步骤构建为深度展开网络的隐藏层,构建初始参数相同的随机散射点和飞机散射点的数据集,将复值一维距离像作为网络的输入,利用ISAR像对应的标签对网络进行训练和验证。该方法直接处理复数数据替代传统的分实虚部两路计算方法,显著减少了计算负担。仿真实验表明,相较于传统模型驱动算法,通过对网络进行训练避免了手动调参过程,收敛速度更快,成像质量更高,而且对于特征差异较大的数据具有更好的泛化能力。     

二维稀疏信号的联合压缩感知方法研究

传统的压缩感知理论主要考虑一维稀疏信号的感知和重构。当待处理信号是二维(2 dimension, 2D)或多维时,若直接将信号向量化处理,会造成感知矩阵维度急剧变大,使得存储和后续的重构复杂度大大增加,同时重构性能下降。为实现对2D信号的高效感知和快速重构,本文首先构建一个针对2D信号的模拟信息转换(Analog-to-Information Conversion, AIC)感知框架,通过行、列同时感知的策略实现量测值获取,以达到降低量测值存储维度的目的;其次针对压缩采样后的量测数据,提出一种2D快速迭代收缩阈值算法(2D Fast Iterative Shrinkage-Thresholding Algorithm, 2D-FISTA),并对该算法的基本迭代格式、收敛条件、参数选择以及算法收敛速度等问题进行了详细分析。仿真结果表明,所研究的算法可直接处理2D信号,具有重构速度快和存储量低等优势。      

图像恢复的小波域加速Landweber迭代阈值方法

该文利用对忠诚项的二次逼近方法,提出了一种小波域加速Landweber迭代阈值算法。该算法的每次迭代是对前两次迭代结果的线性组合做阈值处理。与标准的迭代阈值算法相比,该方法收敛速度更快。由于参数的可选择性,新算法更有灵活性。数值实验表明新算法能够有效地提高恢复图像的质量,是一种行之有效的图像恢复方法。     

一种基于压缩感知的迭代重建算法

迭代重建算法是一种经典的CT图像重建算法,适合于不完全投影数据的图像重建,其缺点是重建速度慢。为提高图像重建的质量和速度,文中利用压缩感知理论提出了一种改进的基于图像全变差最小的迭代重建算法。该算法在迭代的不同阶段对迭代初始值做不同处理,并在每次迭代结束后采用梯度下降法调整全变差。实验结果表明,该算法不但提高了图像重建质量,同时也加快了迭代图像的收敛速度。     

General choice of the regularization functional in regularizedimage restoration

The determination of the regularization parameter is an important issue in regularized image restoration, since it controls the trade-off between fidelity to the data and smoothness of the solution. A number of approaches have been developed in determining this parameter. In this paper, a new paradigm is adopted, according to which the required prior information is extracted from the available data at the previous iteration step, i.e., the partially restored image at each step. We propose the use of a regularization functional instead of a constant regularization parameter. The properties such a regularization functional should satisfy are investigated, and two specific forms of it are proposed. An iterative algorithm is proposed for obtaining a restored image. The regularization functional is defined in terms of the restored image at each iteration step, therefore allowing for the simultaneous determination of its value and the restoration of the degraded image. Both proposed iteration adaptive regularization functionals are shown to result in a smoothing functional with a global minimum, so that its iterative optimization does not depend on the initial conditions. The convergence of the algorithm is established and experimental results are shown.     

Iterative reconstruction methods using regularization and optimal current patterns in electrical impedance tomography

An iterative reconstruction method which minimizes the effects of ill-conditioning is discussed. Based on the modified Newton-Raphson algorithm, a regularization method which integrates prior information into the image reconstruction was developed. This improves the conditioning of the information matrix in the modified Newton-Raphson algorithm. Optimal current patterns were used to obtain voltages with maximal signal-to-noise ratio (SNR). A complete finite element model (FEM) was used for both the internal and the boundary electric fields. Reconstructed images from phantom data show that the use of regularization optimal current patterns, and a complete FEM model improves image accuracy. The authors also investigated factors affecting the image quality of the iterative algorithm such as the initial guess, image iteration, and optimal current updating.     

A quadratically convergent algorithm for convex-set constrainedsignal recovery

This paper addresses the problem of recovering a signal that is constrained to lie in a convex set, from linear measurements. The current standard is the alternating projections paradigm (POCS), which has only first-order convergence in general. We present a quadratically convergent iterative algorithm (Newton algorithm) for signal recovery from linear measurements and convex-set constraints. A new result on the existence and construction of the derivative of the projection operator onto a convex set is obtained, which is used in the Newton algorithm. An interesting feature of the new algorithm is that each iteration requires the solution of a simpler subspace-constrained reconstruction problem. A computation- and memory-efficient version of the algorithm is also obtained by using the conjugate-gradient algorithm within each Newton iteration to avoid matrix inversion and storage. From a computational point of view, the computation per iteration of this algorithm is similar to the computation per iteration of the standard alternating projections algorithm. The faster rate of convergence (compared to alternating projections) enables us to obtain a high-resolution reconstruction with fewer computations. The algorithm is thus well suited for large-scale problems that typically arise in image recovery applications. The algorithm is demonstrated in several applications     

特征聚类的局部敏感稀疏图像修复

针对图像修复过程中单一的字典迭代时间长、适应性差、修复效果不理想的缺点,提出了一种结合图像特征聚类与字典学习的改进的图像修复方式。首先破损的图像被分割成小块,并产生索引矩阵。然后使用控制核回归权值算法,对其进行图像聚类。通过对图像内在结构与未破损区域信息的挖掘,分割的图像块根据SKRW的相似性进行了分类。之后针对不同类型结构的图像,通过自适应局部明感字典学习的方式,获取每类字典的过完备字典。然后,通过构建自适应局部配适器,提高字典更新的收敛速度与稀疏字典的适应性。因为是通过多个字典匹配不同结构的图像,因此图像的稀疏表示更为准确。各个字典在达到收敛之前不断进行更新,而图像的稀疏因子也会随着改变。在对破损区域进行补丁更换之后,实现了对破损图像的修复。实验结果表明,该算法相较于目前的修复算法,视觉效果和客观评价上更好,且所需的修复时间更短。     

基于深度迭代网络的穿墙雷达成像方法

联合墙杂波抑制及图像重建迭代求解方法为当前较前沿的穿墙雷达成像(through-the-wall radar imaging, TWRI)算法,能够同时抑制墙体杂波和重构目标图像,但仍存在收敛速度慢、人工干预过多以及对初值的选取敏感等问题,难以快速精确地进行目标成像. 针对上述问题,本文提出一种联合低秩与稀疏分解驱动的可学习深度迭代网络的TWRI方法. 该方法利用穿墙雷达场景下墙体杂波的低秩特性以及待重建目标图像的稀疏特性,首先将穿墙雷达成像问题建模为联合低秩与稀疏分解的正则化优化问题,然后采用变分框架和轮换策略将优化问题转化成两个准线性优化子问题并推导其更新公式,最后将上述迭代更新公式映射到网络结构中,展开成深度迭代网络模型并采用端到端学习策略,形成融合物理模型的可学习深度迭代网络框架. 仿真结果表明该方法能够有效抑制墙体杂波,相对于其他方法显著提高了目标成像精度和速度.     

基于子带分解和比例归一化算法的回声消除器设计与仿真

针对稀疏信道条件下的网络回声抵消问题。提出了一种比例归一化子带自适应滤波算法。该算法基于子带分解结构,并利用网络中回声路径的稀疏特性,使得各个系数的步长与该系数的绝对值成比例,加快了活动系数的收敛速度,从而改善了子带分解算法在稀疏信道条件下的性能。仿真结果表明：将所提算法应用于网络回声消除器,能够获得很快的收敛速度和很低的稳态失调。