基于低秩矩阵恢复的DOA稀疏重构方法

为提高非均匀噪声下波达方向（direction of arrival,DOA）角估计算法的估计精度和分辨率,基于低秩矩阵恢复理论,提出了一种二阶统计量域下的加权L1稀疏重构DOA估计算法。该算法基于低秩矩阵恢复方法,引入弹性正则化因子将接收信号协方差矩阵重构问题转换为可获得高效求解的半定规划（semidefinite programming,SDP）问题以重构无噪声协方差矩阵;而后在二阶统计量域下利用稀疏重构加权L1范数实现DOA参数估计。数值仿真表明,与传统MUSIC、L1-SVD及加权L1算法相比,所提算法能显著抑制非均匀噪声影响,具有较好的DOA参数估计性能,且在低信噪比条件下,所提算法具有较高的角度分辨力和估计精度。     

基于稀疏重建的信号DOA估计

从稀疏信号重建角度提出了一种改进的波达方向(DOA)估计方法。由于最小冗余线阵(MRLA)能以较少的阵元数获得较大的阵列孔径,将MRLA与l1-SVD方法相结合估计信号的DOA。仿真结果表明,经多次实验验证,所提方法是有效的,相比l1-SVD方法可以估计出更多信源的DOA,并且可以用较少的阵元数估计更多的信源DOA,具有信源过载能力。     

基于局部结构相似与协同表示的超分辨率图像重建

提出一种基于局部几何结构相似性和协同表示的超分辨率图像重建算法.该算法利用l2范数正则化的协同表示和局部几何相似约束模型求解低分辨率图像块在低分辨率字典下的线性表示系数,并利用这一系数重构出高分辨率图像块.文中基于l2范数的系数求解模型可得到解析解而不涉及局部最小解,相较于l1稀疏性约束具有较低的复杂度.实验结果表明,该算法对小尺寸超分辨率图像重建可行且有效,并在重构效果上具有明显的优越性.进一步研究表明,在放大因子增大和存在噪声的情况下,该算法较传统算法重构效果也有显著提高.     

基于改进块稀疏贝叶斯学习算法的波达方向估计

针对传统的基于稀疏表示的DOA估计算法单纯利用信号的空域稀疏性,导致在低信噪比时稀疏性能变差,影响信号稀疏重构效果的问题,使用分块稀疏理论对信号进行稀疏分解。随着目标增多及作战任务改变,DOA估计往往呈现目标群测向的特点,为了能够更好地利用信号的结构特征和统计特征,提出了基于空时联合的块稀疏DOA估计算法,使用块稀疏理论挖掘信号的内部结构,充分利用了信号的块内稀疏性和块间相关性,提高稀疏重构性能,进而对DOA估计效果有很大的提升。仿真实验表明,相比于经典的DOA方法,本方法有更好的估计效果。     

基于压缩传感的超分辨率红外成像研究

为解决红外图像系统复杂度与成像分辨率之间的矛盾,采用压缩传感(compressive sensing,CS)理论对红外成像系统进行研究.通过对原始红外图像进行稀疏化,构造基于高斯随机噪声的测量矩阵,实现对目标的压缩感知,以较少数目的测量信号表示目标,获取目标的稀疏表达,基于对目标的稀疏表达,构造基于正交匹配追踪的重构算法对目标信号进行重构,实现以较少的测量信号构造较高分辨率的图像.在几种典型红外目标图像上的分析表明,压缩传感理论可实现对目标的超分辨率成像,以较低分辨率的传感器获得较高分辨率的目标信息,重构出的目标红外图像与相应高分辨率传感器所获得的图像之间误差较低.     

基于改进遗传算法的稀疏重构算法

稀疏重构算法中凸松弛法在恢复效率方面、贪婪追踪法在恢复精度方面存在不足,基于遗传算法迭代优化的思想,结合模拟退火以及多种群算法的优势,提出了基于模拟退火遗传算法和基于多种群遗传算法的启发式稀疏重构算法。所提算法均从传统遗传算法易陷入局部最优解的缺陷出发,分别通过保持个体间的差异性和提高种群多样性来搜索待求稀疏信号的全局最优解,并通过理论分析证明了所提算法参数选取及搜索策略的有效性。此外,以阵列信号处理中空间信源的波达方向（DOA）估计问题为例,验证所提算法的有效性。仿真结果表明,相较于正交匹配追踪OMP算法和基于l1范数奇异值分解的l1-SVD算法,所提算法提高了DOA估计的精度,且降低了运算复杂度,使其快速收敛至全局最优解。     

基于低秩稀疏分解的自适应运动目标检测算法

传统的低秩稀疏分解方法使用[l1]范数把场景中的运动目标建模为稀疏离群值,分离出低秩的背景成分与稀疏的运动目标成分。然而,在许多实际场景中往往会有动态背景的情形（例如水面波纹、树木摇动）,[l1]范数并不能区分出这些干扰与真实目标,从而大大影响检测效果。实际上,运动目标区域中的像素不仅仅具有稀疏性,还具有空间分布上的连续性。通过引入空间融合稀疏约束,在空间连续性和稀疏性两方面对运动目标进行建模,使模型更符合目标像素的分布规律。同时,设计了一种自适应的参数更新方法,使算法的鲁棒性进一步提升。在公共数据集上的大量实验表明,相比于传统方法,该算法在准确率和鲁棒性方法有很大提高。     

基于联合稀疏的阵列信号LOFAR谱重构

LOFAR谱广泛应用于被动声纳的阵列信号分析系统,针对阵列信号采用基于稀疏贝叶斯概率模型的联合稀疏方法,可同时实现目标高分辨DOA估计和目标信号LOFAR谱重构。该方法通过对宽带信号不同频率对应的角度域进行对联合稀疏约束,在不牺牲角度分辨能力的前提下,对不同频率获得一致的空域响应,实现恒定束宽效果。基于阵列实测数据的实验表明,该方法相比常规波束形成方法,能够提高水下目标信号LOFAR谱重构质量,并能有效抑制干扰混叠。     

基于压缩感知的声纳图像超分辨率重建算法

超分辨率重建通用方法中,图像分解后对应小波基只能有效稀疏表示单一成分,往往只侧重边缘成分而忽略了光滑成分等。针对这个问题,本文改进了一种基于压缩感知的声纳图像超分辨率重建算法。该算法基于三种不同稀疏字典小波变换模型,运用一种基于K-均值聚类算法的结构化字典训练法,并采用Newton-Raphson法进行迭代算法处理,实现声纳图像压缩感知的超分辨率重建。最后通过仿真实验,验证了此种算法的可行性和有效性。实验结果表明,该算法获得的超分辨率图像能够很好地重建并保持原图像的特征,能高效地改善并提高重建质量。     

超分辨率重构技术需要考虑的几个因素

超分辨率重构指的是用低分辨率的视频重构高分辨率的视频和图像,以获得更好的视觉效果。该文分别从成像过程和压缩过程两个方面讨论了超分辨率重构过程需要考虑的因素,同时指出了运动估计和运动补偿在超分辨率重构中的重要性。文章还分析了运动估计在超分辨率重构技术中所面临的新的难题。最后,对于超分辨率算法的具体实现进行了探讨性的研究。     

基于压缩感知理论的声矢量阵方位估计方法

水下目标在方位估计搜索空间中具有稀疏性,基于声矢量传感器阵空间稀疏模型实现小样本条件下的方位估计,结合压缩感知(CS)理论框架下方位估计的特点,通过对平滑l0范数快速精确的求解来估计目标方位角,该方法具有运算速度快、高分辨的特点.通过实验仿真从运算时间、分辨力等方面与常规波束形成(CBF)算法和最小方差无失真响应(MVDR)算法进行比较分析,验证了该方法的可行性与有效性.     

合成孔径声纳成像改进距离-多普勒算法研究

在合成孔径声纳成像优化的研究中,传统距离-多普勒算法主要应用于窄带窄波束信号合成孔径成像,而在合成孔径声纳领域,由于信号带宽较大,波束较宽,使得成像效果较差.研究了经典距离-多普勒算法的原理,提出了其局限性,针对合成孔径声纳的宽带宽波束信号特点改进了传统算法.放弃窄带信号条件下的Fresnel近似,利用更精确的适用于宽带宽波束信号的距离双曲线模型对算法进行了推导,并在推导结果的基础上对成像区域中任意点目标上进了仿真.仿真结果表明,改进算法具有更高的分辨率和适中的运算量,比传统距离-多普勒算法更适合应用在合成孔径声纳成像中.     

基于奇异值分解的压缩感知核磁共振图像重构算法

针对传统压缩感知在核磁共振成像中存在着重构算法慢、成像时间长的缺点,利用核磁共振图像自身非满秩的特点,在压缩感知框架下以奇异值分解作为基底对图像稀疏表示进行了研究,并对重构算法进行了优化。实验结果表明,提出的奇异值方法在重构效果上能达到与小波稀疏变换法相近的峰值性噪比,且能有效缩短图像重构时间,达到加速核磁共振成像的目的。     

判别稀疏表示与在线字典学习的运动目标跟踪

针对传统稀疏表示不能有效区分目标和背景的缺点,提出一种判别稀疏表示算法,这种算法在传统稀疏表示目标函数中加入一个判别函数,大大降低干扰因素对目标跟踪的影响。基于判别稀疏表示和[?1]约束,提出一种在线字典学习算法升级目标模板,有效降低背景信息对目标模板的影响。提取目标梯度方向的直方图（HOG）特征,利用其对光照和形变等复杂环境具有较强鲁棒性的优点,实现对目标更稳定的跟踪。实验结果表明,与现有跟踪方法相比,该算法的跟踪效果更好。     

稀疏互质阵列的迭代加权l_1范数约束来波方向估计

在阵元数确定的情况下,稀疏互质阵列能增大阵列孔径。为利用阵列的互质关系形成具有更多自由度的互质差合成阵列,采用稀疏重构方法,提出一种迭代加权l_1范数约束波达方向(DOA)估计算法。通过矢量化对稀疏互质阵列进行孔径扩展,进而在相应的过完备基下获得观测模型的l_0范数约束稀疏重构,再用加权l_1范数约束代替l_0范数约束重构方法,采用多次迭代运算求取最优解实现DOA估计。实验结果表明,该算法能够更好地利用稀疏互质阵列的阵列孔径,提高测向精度,并且通过迭代运算来弥合l_1范数约束与l_0范数约束之间的差别,克服传统l_1范数约束类算法存在估计偏差的缺点。     

基于稀疏度自适应算法的MIMO-OFDM稀疏信道估计研究

无线信道在时域上具有稀疏性,为压缩感知理论提供了应用前提。多输入多输出正交频分复用(MIMO-OFDM)系统的信道估计问题就转变为稀疏信号的重建。压缩感知重构算法中的压缩采样匹配追踪(Co Sa MP)算法在MIMO-OFDM的信道估计中表现出较好的抗噪性能和较高的重构精度,但其需要稀疏度作为已知信息,而在实际中很难获得信道的稀疏度。为此提出一种基于稀疏度自适应算法(Co Sa SAMP)的MIMO-OFDM系统信道估计,同时在原算法的基础上使用了矩阵分块的方法,提高了其重构精度。仿真结果表明,与传统算法相比,该算法具有更好的估计性能和更高的频谱利用率,并将矩阵分块前后的估计性能进行了对比,结果表明分块后的估计精度更高。     

基于稀疏表示的快速图像超分辨率算法

针对传统基于超完备字典的图像超分辨率重建算法训练样本庞大、训练时间长、稀疏度固定,且迭代时间长的问题,提出一种快速的图像超分辨率重建算法。该算法在字典训练阶段引入快速核密度估计算法对训练样本规模进行估计,得到数量合理的训练样本,在稀疏表示阶段使用改进的广义正交匹配追踪算法,克服稀疏表示算法中固定稀疏度的缺陷。实验结果表明,相比传统字典训练算法,该算法能提高超分辨率重构的精度,且平均迭代时间较少。     

宽带大规模MIMO-OFDM系统自适应稀疏信道估计方案

大规模MIMO-OFDM系统下行链路利用压缩感知算法获得信道状态信息需要已知信号的稀疏度作为先验条件,然而实际环境中,无线信道的稀疏度是未知的。利用大规模MIMO信道的空时共同稀疏性的特点与不同SNR下设置不同停止迭代阈值的思想改进压缩感知重构算法,目的在于使所提算法不仅提升估计性能,还可以准确获得信道的动态稀疏度。通过实验可知,相比传统的CoSaMP算法和S-CoSaMP算法,SSA-CoSaMP算法在同等信噪比下具有更良好的信道估计性能,并且可以自适应地获取稀疏度。更适合实际工程中应用。     

帧间连续结构稀疏表示的目标跟踪算法

目标跟踪技术在日常生活和生产中有着广泛的应用,但是设计一种具有鲁棒性、准确性和实时性的跟踪算法仍具有很大的难度。为了提高跟踪算法的性能,设计了一种帧间连续结构稀疏表示目标跟踪算法。该算法在粒子滤波框架下进行,采用结构稀疏表示的原理重构候选目标。首先采用目标和背景样本构建稀疏字典, 以提高算法对目标和背景的区分能力。然后,构建含有帧间连续约束项的结构稀疏表示目标方程,该目标方程可以有效利用目标状态的连续性来确定目标状态。进而,根据重构残差设计了一种相似度描述方法,与传统方法相比,该方法对相似目标不敏感。最后,通过6组对比实验证明该算法具有较高的鲁棒性和准确性。     

基于视觉特性的图像稀疏表示

提出利用过完备多分辨率变换并结合视觉特性的图像稀疏表示方法。该算法用双树复数小波模拟视觉皮层简单细胞的感受野,结合相邻细胞间抑制和增强特性,用局部竞争抑制的方法从变换系数中选取少量系数稀疏表示图像。实验结果表明,其重构图像的效果较其他方法有明显的改善。