一种lp正则化改进的车辆轨迹学习算法

车辆轨迹学习可用于视频监控系统,以识别正常和异常车辆运动模式,用于交通运营、公共服务和执法管理.本文的目的是研究一种新的基于视频监控系统的车辆轨迹学习自适应稀疏重构方法.由于l_1和l_2最小化的解的稀疏性会受到范数中项的值的损害,在实践中不能保证得到足够稀疏的解,本文提出了一种改进的基于l_p(0p1)最小化的车辆轨迹学习方法,应用l_p范数的下限理论获得更稀疏的重构系数向量,以获得比l_1或l_2最小化更稀疏的解.通过实验分析,所提出的方法可以解决过拟合问题,获得更稀疏的解.     

自适应匹配追踪的OFDM系统窄带干扰检测

针对在OFDM通信系统中,基于压缩感知的窄带干扰检测时间过长的问题,提出了将自适应匹配追踪算法应用到压缩感知理论的信号重构过程中的算法。该算法可在未知干扰稀疏度的情况下,自适应地调整候选集原子的个数,在低于奈奎斯特采样频率前提下,快速实现单个及多个窄带干扰信号检测。仿真结果表明:所提算法能够有效地实现窄带干扰检测且运行速度快,改善了OFDM通信系统的性能。     

基于改进稀疏度自适应匹配追踪算法的压缩感知DOA估计

由于传统子空间类算法在少快拍数、低信噪比(signal noise ratio, SNR)、信源相干等条件下波达方向(direction of arrival, DOA)估计精度低甚至无法估计,因此,研究压缩感知理论在DOA估计中的应用.针对稀疏度自适应匹配追踪算法在噪声环境下无法有效估计以及选择大的初始步长会导致过估计的问题,在该算法的基础上进行改进,利用迭代残差的变化规律优化算法的迭代终止条件,同时通过对步长大小进行自适应调整来快速准确逼近信源稀疏度.仿真结果表明,所提算法具有估计精度高、运行速度快、对噪声有较好的鲁棒性等优势,促进实际情况下压缩感知与DOA估计的进一步融合.     

一种稀疏度自适应超宽带信道估计算法

针对在超宽带信道估计中应用压缩感知理论需要预知信道稀疏度的问题,利用超宽带信道在时域上的稀疏性,将信道估计问题转化为压缩感知理论中的稀疏向量重构问题,提出了稀疏度自适应正则化压缩采样匹配追踪（SARCoSaMP）算法。该算法在压缩采样匹配追踪（CoSaMP）算法的基础上,引入自适应和正则化方法,自动调整所选原子数目,逐步逼近信道稀疏度K,在稀疏度未知的情况下精确地实现信道估计。仿真结果表明,该算法可有效应用于超宽带系统的信道估计,并且其性能明显优于CoSaMP算法和稀疏自适应匹配追踪（SAMP）算法。     

图像去噪的改进自适应全变差正则化模型

针对经典全变差正则化模型在去噪时图像边缘易模糊的不足,在全变差正则化模型与调和去噪模型的基础上构建了一种改进的自适应全变差正则化模型,并利用旋转不变性更好的梯度模值确定其自适应参数,降低该自适应正则化模型对噪声的敏感性,以兼顾图像的平滑去噪与边缘保留。数值实验结果表明,与MARQUINA的改进全变差正则化模型相比,自适应全变差正则化模型的复原图像在视觉效果和峰值信噪比上都有显著提高。     

一种自适应的拟牛顿投影稀疏信号恢复算法

针对稀疏恢复中贪婪类算法需要提前已知稀疏度的问题,提出了一种自适应拟牛顿投影稀疏恢复算法。该算法分为两层循环:外层循环主要是利用阈值算子估计信号的稀疏度,内层循环在外层迭代估计的当前稀疏度下,基于拟牛顿投影算法完成稀疏信号恢复。仿真实验表明:该方法相对于需要事先已知稀疏度的贪婪算法,可在稀疏度未知的情况下获得稀疏信号的较优逼近性与恢复率。     

基于斜投影算子的压缩采样匹配追踪算法

斜投影匹配追踪算法较正交匹配追踪算法针对非正交字典的重构能力有了大幅提高,但受噪声影响大。该文通过投影矩阵迭代公式导出斜投影匹配追踪算法,并引入回溯的思想,提出基于斜投影算子的压缩采样匹配追踪算法,有效降低了噪声的影响和非正交投影产生的误差,提高了重构精度。仿真结果表明,算法的重构效果优于其它同类算法。     

压缩感知中四种贪婪类算法重构信号性能研究

鉴于贪婪类算法是压缩感知(CS)信号重构中应用最为广泛的一类算法,对该类中最典型的四种算法进行了综合比较与分析.首先从理论上对四种算法进行了分析,比较了四种算法之间的关系,分别给出了相应的实现过程;然后给出了综合衡量CS重构算法的指标,根据指标全面地比较了四种算法的性能.根据理论分析结果和仿真结果,给出了相应的结论.     

压缩感知OMP算法与IRLS算法在计算鬼成像中的对比分析

将压缩感知技术和鬼成像系统相结合,能够大幅度地降低成像所需的测量次数,并能有效地提高重构图像的峰值信噪比。本文将离散余弦变换（DCT）矩阵作为图像稀疏化矩阵,采用正交匹配追踪算法（OMP）和迭代加权最小二乘算法（IRLS）两种压缩感知算法作为压缩感知鬼成像系统图像重构的算法。通过对两种算法在改变稀疏度和测量次数时重构结果的峰值信噪比变化的比较,探究了这两个变量对峰值信噪比的影响。发现IRLS算法重构精度更高,图像质量更好,而OMP算法迭代速度比IRLS更快,重构图像所需的时间较少。     

一种改进的Sunday匹配算法

字符串的模式匹配算法在多协议识别技术中,起着至关重要的作用,为了提高多协议识别效率,该文在分析几种经典模式匹配算法的基础上,提出一种基于Sunday算法的改进算法。算法主要是在每次匹配开始前通过一个条件判断语句,判断主串中的相应后缀是否在模式串中,从而减少了无意义的匹配次数,提高了算法的执行效率,通过对比实验证明了该算法的有效性。     

移动机器人环境视觉图像小波稀疏压缩传感与恢复重构

基于最新压缩传感技术理论,采用小波稀疏方法和正交匹配跟踪算法,对移动机器人常规环境视觉图像压缩传感存储与恢复重构进行了研究.结果表明：进行小波稀疏的压缩传感编码可以大大减少机器人环境视觉图像信息量,降低存储与传输代价,通过正交匹配追踪算法恢复的视觉图像,可以满足机器人常规环境视觉探测.     

基于迭代Tikhonov正则化的电容层析成像图像重建

电容层析成像图像重建是一个典型的病态问题,其图像重建是一个非线性的求解过程,Tikhonov正则化方法是处理病态问题的有效方法之一,由于标准Tikhonov泛函的过度光滑,导致重建图像的细节信息丢失,重建的图像质量并非理想．以标准的Tikhonov算法为基础,给出了一种新的迭代算子,利用该算子可以使重建的图像细节进行一定的修正,通过仿真证明其在速度和图像重建准确度上得到了提高．     

基于奇异值分解的测量矩阵优化

针对压缩感知理论中通用的测量矩阵(如随机高斯、伯努利等)不具有最优性能保证的问题,本文通过引入奇异值分解,提出基于奇异值分解的测量矩阵优化方法,对压缩感知中一般线性测量模型中的测量矩阵与测量向量进行优化,再利用优化后的测量矩阵与测量向量重建原稀疏信号。经典的随机高斯测量矩阵和伯努利测量矩阵的数值实验结果表明本文提出的方法可以显著地提高重建成功恢复概率以及对高斯噪声的鲁棒性。该方法适用于一般线性测量系统,成功地实现了测量矩阵和重建矩阵的分离,可在不改变前端测量模型的前提下使重建矩阵接近最优配置。     

Gabor和Chirplet字典中的子空间匹配追踪算法对比

对比了Gabor和Chirplet字典中的时频原子,研究了Chirplet时频字典中的子空间匹配追踪算法.该算法由时频分布确定chirp原子的时频中心,然后在时频中心保持不变的条件下搜索原子的尺度和调频率.同Gabor字典中的标准匹配追踪算法、子空间匹配追踪算法相比,Chirplet字典中的子空间匹配追踪算法对信号的逼近所需原子数更少,对实测语音信号的数值计算证实了这一点.     

基于混沌序列构造测量矩阵优化算法

针对混沌序列具有良好伪随机性的特点来构造测量矩阵,提出了两种基于调整混沌测量矩阵列向量顺序的优化算法。第一种具体方法是通过对信号稀疏向量中系数的分析,针对恢复信号贡献值最大的系数,设计选用混沌自适应测量矩阵最优的向量去采样。另外提出一种对稀疏向量通过不均匀进行采样的方法。实验结果表明：采用混沌测量矩阵通过理论证明可行性和实验仿真结果证明恢复效果比随机测量矩阵更好,并且两种优化算法在相同的压缩比下能显著地提高信号恢复的效果。     

用于锻压模拟的动力项调整准逆算法

实体成形过程的数值模拟如锻压过程的模拟,由于所采用的算法导致很高计算代价,所以提高计算效率和稳定性,仍然是一个需要努力解决的问题.通常采用的两大类算法,即准静态隐式算法和动力显式算法,难以很有效地应用于这类问题的模拟,基于Newmark类的动力问题算法也会导致庞大的计算量.针对这类问题提出一种特定的算法.该算法基于准静态模型,又加入动力调整项.该方法使用动力项调整加强了刚度矩阵的对角线元素,因而可以使用一种准逆算法代替传统技术求解线性方程组.由于求解代价的显著降低,可以使用显式Runge-Kutta方法进行模拟过程的时间积分.这一方法预计可用于以合理的代价实现锻压过程的稳定和可靠模拟.