原子簇快速匹配追踪算法

针对稀疏表示中匹配追踪算法计算复杂度过大的问题,提出了基于冗余字典原子相关性的匹配追踪算法.该算法利用相邻迭代过程中匹配原子的相关性对冗余字典进行簇化,得到M个多原子集合(原子簇);每次迭代过程中利用LVQ神经网络的快速学习能力从原子簇中选取目标簇;最后在目标簇中选取匹配信号结构的若干原子进行信号的稀疏逼近.实验采用一维稀疏信号进行仿真,结果表明与匹配追踪算法相比,其逼近性能相近,同时稀疏分解速度大大提高.     

基于随机支撑挑选的广义正交匹配追踪算法

针对广义正交匹配追踪（GOMP）算法复杂度高、重构时间长的问题,提出了一种基于随机支撑挑选的GOMP（StoGOMP）算法。首先引入随机支撑挑选的策略,在每次迭代中随机生成一个概率值。然后通过比较此概率值与预设概率值的大小来决定候选支撑集的挑选方式：若此概率值小于预设概率值,则采用匹配计算方式;否则,采用随机选择方式。最后根据得到的候选支撑来更新残差。这种方式充分考虑了算法单次迭代复杂度和迭代次数之间的平衡,减少了算法的计算量。一维随机信号重构实验结果表明,在预设概率值为0.5、稀疏度为20时,StoGOMP算法相较GOMP算法达到100%重构成功率所需的采样数减少了9.5%。实际图像重构实验结果表明,所提出的算法具有与GOMP算法相当的重构精度,且在采样率为0.5时,所提算法的重构时间相较于原算法减少了27%以上,这说明StoGOMP算法能够有效减少信号的重构时间。     

利用FFT实现对LFM信号的快速稀疏分解

针对传统稀疏分解算法致使冗余字典中原子数量巨大的缺陷,提出一种线性调频信号的快速稀疏分解算法。这种算法根据线性调频信号本身的特点构建冗余字典中的原子,构建了两个冗余字典,通过级联的方式,完成了线性调频信号的快速稀疏分解。通过分析,采用这种级联的方式使得总的原子数量远小于一个冗余字典中的原子数量。在利用第一个冗余字典进行稀疏分解时,该算法通过快速傅里叶变换寻找最大值在另一个冗余字典中同时得到最匹配的原子。实验结果证实这种算法比其他3种采用单一冗余字典的稀疏分解算法,不仅加快了稀疏分解速度,而且具有更好的收敛性。     

基于免疫匹配追踪的语音稀疏分解算法

针对标准匹配追踪(MP)算法在寻找最佳原子时计算量大的问题,提出一种基于免疫匹配追踪(IA-MP)的语音稀疏分解算法。该算法采用免疫克隆优化机制搜索最佳原子,利用抗体的种群规模控制冗余字典的大小,选择实数交叉与非均匀变异方法保证字典的完备性。仿真实验结果表明,与标准MP算法和遗传匹配算法相比,IA-MP算法可明显降低匹配追踪的计算量,算法性能较稳定,利用该算法分解后的稀疏信号具有较高的重构精度。     

一阶实值多项式相位信号快速稀疏分解算法

针对稀疏分解运算量巨大的问题,提出了一种针对一阶实值多项式相位信号(PPS)运算量较小的稀疏分解算法,从而实现了稀疏分解的快速性。该算法采用如下策略：首先采用级联字典的方式,即字典D由Df和Dp级联而成,其中字典Df的原子主要考虑一阶实值多项式相位信号的频率成分,不考虑相位因素,而字典Dp的原子主要考虑一阶实值多项式相位信号的相位成分,不考虑频率因素;其次对字典Df的原子与信号进行匹配测试,测试采用群测试算法搜索匹配的原子,并采用二次测试的方法来达到测试的准确性;最后根据测得的匹配频率原子,构造字典Dp,并通过匹配追踪（MP）算法搜索到匹配的相位原子,从而完成了信号的稀疏分解。仿真结果表明该算法的效率约为匹配追踪算法的604倍和遗传算法的139倍,具有运算量小、稀疏分解快的特点,复杂度仅为O(N),而且不具有智能计算的随机性。     

学习字典下自适应稀疏度估计的分解去噪算法

针对固定字典下稀疏分解在图像去噪过程中缺乏自适应稀疏度估计和回溯优化等问题,本文在K-SVD学习字典下,利用自适应稀疏度估计匹配追踪(ASMP)方法自适应估计图像的稀疏度,并对原子进行回溯优化选择。算法不仅改善了固定字典的表示性能,同时减少了图像稀疏度人为设定的盲目性又提高了算法鲁棒性。实验表明,与传统的稀疏分解去噪算法相比,学习字典下自适应稀疏度估计的分解去噪算法能获得更高的峰值信噪比。     

基于多种群离散差分进化的图像稀疏分解算法

从过完备字典中得到图像的最稀疏表示是一个NP难问题,即使是次优的匹配追踪也相当复杂.针对Gabor多成份字典,提出基于多种群离散差分进化的图像稀疏分解算法.该算法采用3个子种群在不同成份子字典中搜索最佳匹配原子,父代通过多种变异算子生成多个子代,保持群体多样性,同时引入相关系数避免残差更新时多原子匹配重叠的问题.实验表明相比于快速匹配追踪算法,在稀疏逼近性能相当的情况下,文中算法的稀疏分解速度更快;与其他基于进化算法的稀疏分解方法相比,文中算法的稀疏逼近性能更优.最后的结果分析验证文中算法参数设置的合理性.     

GOMP改进算法在信道估计中的应用

广义正交匹配追踪GOMP(Generalized Orthogonal Matching Pursuit)算法作为压缩感知理论中的重要组成部分,在信道估计领域早有应用。但由于无法解决信道稀疏度的获取问题,限制了这一算法的发展。针对这一问题,提出一种通过变步长实现稀疏自适应匹配的改进算法,并利用傅里叶变换的共轭对称性在选择原子方面加以完善,从而提高了算法的精度和效率,增强了该算法在实际信道估计中的可行性。     

一种新的跳频信号重构算法

为解决跳频信号压缩感知重构中稀疏度未知和稀疏字典规模庞大的问题,提出了一种基于多峰值匹配的压缩感知重构算法。该算法借鉴传统匹配追踪类算法结构,采用多峰值匹配原则进行原子选择,通过一次迭代确定候选集,然后利用回溯思想对候选集进行二次筛选获得支撑集,实现了跳频信号的精确重构。仿真结果表明,该算法重构性能与传统正交匹配追踪算法相近,同时重构速度大大提高。     

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.