基于稀疏贝叶斯的流形学习

针对当前监督学习算法在流形数据集上分类性能的缺陷,如分类精度低且稀疏性有限,本文在稀疏贝叶斯方法和流行正则化框架的基础上,提出一种稀疏流形学习算法（Manifold Learning Based on Sparse Bayesian Approach,MLSBA）.该算法是对稀疏贝叶斯模型的扩展,通过在模型的权值上定义稀疏流形先验,有效利用了样本数据的流形信息,提高了算法的分类准确率.在多种数据集上进行实验,结果表明：MLSBA不仅在流形数据集上取得良好的分类性能,而且在非流形数据集上效果也比较好;同时算法在两类数据集上均具有良好的稀疏性能.     

基于张量结构的快速三维稀疏贝叶斯学习STAP方法

当机载雷达处于非正侧视工作模式时,非平稳杂波会对运动目标检测造成严重干扰。传统三维空时自适应处理(3D-STAP)方法通过构造俯仰-方位-多普勒三维自适应滤波器,可有效抑制非平稳杂波,然而巨大的系统自由度导致其在非均匀杂波环境下训练样本严重不足。虽然稀疏恢复(SR)技术可有效改善样本需求,但庞大的运算开销又使得该技术难以应用于实际。针对上述问题,该文结合机载雷达回3阶张量结构提出一种新的快速三维稀疏贝叶斯学习STAP方法,通过采用运算开销更低的张量处理将大规模矩阵求解拆分为多个小规模矩阵计算,从而大幅降低运算复杂度。详尽的数值实验验证了所提张量基SR-STAP方法可在维持SR-STAP小样本处理性能不变的基础上,将运行时间直接降低数个量级,因此是一种更适用于实际工程的SR-STAP处理方式。      

基于稀疏贝叶斯学习的网格自适应多源定位

多源定位是信号处理中的重要问题。该文针对目标偏离初始网格点引起的基不匹配问题,构建具有Laplace先验的稀疏贝叶斯学习框架,提出基于稀疏贝叶斯学习的网格自适应多源定位算法AGMTL。本质上,AGMTL实现了稀疏信号重建和网格自适应定位字典的学习。仿真结果表明,AGMTL通过网格自适应调整,在定位误差,估计可靠性,抗噪性能上均远远优于传统的压缩感知定位算法。     

利用稀疏贝叶斯推理估计干扰导向矢量和功率的稳健自适应波束形成方法

现有稳健自适应波束形成（Robust adaptive beamforming,RAB）方法对快拍数有较高要求,可用快拍数的不足可能会使RAB方法无效。稀疏贝叶斯推理（Sparse Bayesian Inference,SBI）从贝叶斯的角度,通过对信号的稀疏先验假设来利用稀疏信息,在建模稀疏信号方面具有较好的灵活性,可以提高解的稀疏性,即使在样本数较低的情况下也能取得很好的估计效果。本文使用SBI估计干扰信号的导向矢量和功率,提出了一种新颖的基于干扰加噪声协方差矩阵（Interference plus Noise Covariance Matrix,INCM）重建的RAB方法。所提方法利用SBI在建模稀疏信号方面的优越性,通过准确重建出INCM,实现高输出SINR。仿真结果表明,本文提出的方法在比较宽的输入SNR范围内和少量快拍情况下都实现了较好的性能。     

参数自适应调整的稀疏贝叶斯重构算法

稀疏表示模型中的正则化参数由未知的噪声和稀疏度共同决定,该参数的设置直接影响稀疏重构性能的好坏。然而目前稀疏表示问题优化求解算法或依靠主观、或依靠相关先验信息、或经过实验设置该参数,均无法自适应地设置调整该参数。针对这一问题,该文提出一种无需先验信息的参数自动调整的稀疏贝叶斯学习算法。首先对模型中各参数进行概率建模,然后在贝叶斯学习的框架下将参数设置及稀疏求解问题转化为一系列混合L1范数与加权L2范数之和的凸优化问题,最终通过迭代优化得到参数设置和问题求解。由理论推导和仿真实验可知,已知理想参数时,该算法与其它非自动设置参数的迭代重加权算法性能相当,甚至更优;在理想参数未知时,该算法的重构性能要明显优于其它算法。     

稀疏贝叶斯字典学习空时机动目标参数估计算法

针对基于稀疏恢复的空时自适应处理(STAP)目标参数估计方法中字典失配导致估计性能下降的问题,该文提出一种基于稀疏贝叶斯字典学习的高精度目标参数估计方法。该方法首先通过目标方位信息补偿多个阵元数据构建联合稀疏恢复数据,然后对补偿后的每个阵元数据利用双线性变换进行加速度和速度项分离。最后构建速度参数和加速度参数的泰勒级数动态字典,对机动目标参数进行高精度贝叶斯字典学习稀疏恢复。仿真实验证明,该方法能有效提高字典失配情况下目标参数估计精度,估计性能优于已有字典固定离散化的稀疏恢复空时目标参数估计方法。     

基于稀疏贝叶斯学习的高效DOA估计方法

针对采用l1范数优化的稀疏表示DOA估计算法正则化参数选取困难、计算复杂度高的问题,该文提出一种基于稀疏贝叶斯学习的高效算法。该算法首先利用均匀线阵的结构特性,将DOA估计联合稀疏模型的构建与求解转换到实数域进行。其次,通过优化稀疏贝叶斯学习的基消除机制,使该算法具有更快的收敛速度。仿真结果表明,与l1范数优化类算法相比,该文方法具有更高的空间分辨率和估计精度且计算复杂度低。     

基于稀疏贝叶斯学习的低空测角算法

为解决米波雷达低空测角的精度问题,该文结合稀疏贝叶斯学习方法,利用相邻快拍稀疏结构的相似性,将多观测向量模型通过Kronecker积变换成具有块稀疏结构的单观测向量模型,同时通过矩阵变换解决了贝叶斯准则在复数域中的应用。通过稀疏贝叶斯学习的不断迭代恢复出了信号在感知矩阵下的系数矩阵,得到了信源的角度信息。仿真实验验证了该方法相对于广义MUSIC和M-FOCUSS算法具有更好的性能,并且分析了快拍数变化对算法性能的影响。     

基于稀疏贝叶斯学习的稀疏信号 表示ISAR成像方法

作为一种新的稀疏信号表示算法,SBL(稀疏贝叶斯学习)方法没有BP方法的结构错误,也比FOCUSS方法具有少的多的局部最小点.ISAR成像问题可以转化为稀疏信号表示的问题,因此本文首次将SBL用于ISAR成像.真实数据的成像结果表明SBL是一种比BP和FOCUSS更有效的ISAR成像算法.     

基于稀疏重构的共形阵列稳健自适应波束形成算法

针对共形阵列天线自适应波束形成中存在的通用性差、主瓣保形困难、计算复杂度高等问题,该文提出一种基于稀疏重构的稳健自适应波束形成算法。该算法通过引入渐进最小方差准则,实现了干扰加噪声协方差矩阵的稀疏重构,并得到期望方向上的导向矢量估计,进而求得波束形成器的最优权矢量。该算法无需复杂的子阵分解或虚拟映射变换,适用于任意阵列形状。仿真实验验证了该算法不仅保证了期望的主瓣响应,同时对指向误差有较好的稳健性。与现有算法相比,该算法所需采样快拍数少,计算复杂度低,收敛速度快,在较大的输入信噪比范围内达到了较好的阵列输出性能。     

基于稀疏最小二乘支持向量回归的非线性自适应波束形成

该文基于最小二乘支持向量回归(LS-SVR)模型提出一种非线性自适应波束形成算法,以提高模型失配、小样本数、复杂多干扰等情况下的自适应波束形成器的鲁棒性。推导了高维矩阵逆矩阵求解的递推快速算法,实现了回归参数的实时求解。采用奇异性准则实时寻找输入样本集的具有较小信息冗余度的子集,并在该子集上完成波束形成计算,使得LS-SVR波束形成的求解得以稀疏化,提高了学习效率,降低了计算复杂度与系统存储空间需求。对比仿真结果验证了所提算法的正确性和有效性。     

联合稀疏信号恢复的贪婪增强贝叶斯算法

本文针对联合稀疏信号恢复问题,提出了一种贪婪增强贝叶斯算法.算法首先利用联合稀疏的特点对信号进行建模,然后在贝叶斯框架下,提出一种贪婪推理方式对信号恢复问题进行迭代求解.在迭代过程中,提出算法利用贝叶斯估计的方差信息来增强支撑恢复的结果,极大地提高了算法对信号恢复性能.理论分析表明:提出算法与同步正交匹配追踪算法具有相同的计算复杂度,远低于其他联合稀疏信号恢复算法.提出方法在具有高恢复精度和较低计算复杂度的同时,兼具贝叶斯方法和贪婪算法的优点.数值仿真验证了理论分析的有效性.     

基于稀疏贝叶斯学习的码元速率估计

现有的相位编码信号码元速率估计方法在样本点足够多的情况下才能准确估计出参数,且算法复杂度高。针对此问题,该文详细分析了BPSK信号的结构特征,并以此为先验信息对其循环自相关(CA)向量进行压缩采样,降低了传统贝叶斯复数处理方法的维度。利用压缩传感中离散傅里叶变换矩阵的奇偶性,分解传感矩阵为正弦和余弦变换,分别将CA向量的实虚部转换到对应变换域测量,根据复数信号实虚部具有相同支撑集这一特点,采用多任务稀疏贝叶斯重构时延积向量的单边谱分量,从而估计出码元频率。理论分析和仿真结果表明,相较于其它基于稀疏贝叶斯学习的参数估计算法,所提方法在测量数量较少的情况下也能准确估计出循环频率,且算法实时性显著提高。     

基于稀疏贝叶斯学习的CT图像重构

计算机断层成像是医学检查的常用方法,但是检查中过量的辐射可能对病人造成二次伤害.基于此提出了一种稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)的肺部计算机断层成像(Computed Tomography,CT)图像重构方法,首先应用高斯随机分布矩阵对肺部图像进行测量,并建立基于小波变换的稀疏...     

DOA Estimation Using Block Variational Sparse Bayesian Learning

In Direction-of-arrival (DOA) estimation, the real-valued sparse Bayesian algorithm degrades the es-timation performance by decomposing the complex value into real and imaginary components and combining them independently. We directly use complex probability density functions to model the noise and complex-valued sparse direction weights. Based on the Multiple measurement vectors (MMV), block sparse structure for the direction weights is integrated into the variational Bayesian learning to provide accurate source direction estimates. The pro-posed algorithm can be used for arbitrary array geome-tries and does not need the prior information of the in-cident signal number. Simulation results demonstrate the better performance of the proposed method compared with the real-valued sparse Bayesian algorithm, the Orthogo-nal matching pursuit (OMP) and l1 norm based complex-valued methods.     

A Bayesian Approach to Adaptive Detection in Nonhomogeneous Environments

We consider the adaptive detection of a signal of interest embedded in colored noise, when the environment is nonhomogeneous, i.e., when the training samples used for adaptation do not share the same covariance matrix as the vector under test. A Bayesian framework is proposed where the covariance matrices of the primary and the secondary data are assumed to be random, with some appropriate joint distribution. The prior distributions of these matrices require a rough knowledge about the environment. This provides a flexible, yet simple, knowledge-aided model where the degree of nonhomogeneity can be tuned through some scalar variables. Within this framework, an approximate generalized likelihood ratio test is formulated. Accordingly, two Bayesian versions of the adaptive matched filter are presented, where the conventional maximum likelihood estimate of the primary data covariance matrix is replaced either by its minimum mean-square error estimate or by its maximum a posteriori estimate. Two detectors require generating samples distributed according to the joint posterior distribution of primary and secondary data covariance matrices. This is achieved through the use of a Gibbs sampling strategy. Numerical simulations illustrate the performances of these detectors, and compare them with those of the conventional adaptive matched filter.     

一种天波超视距雷达自适应波束形成方法

天波超视距雷达利用自适应波束形成技术抑制短波干扰以增强探测性能,但是在相干处理间隔内电离层运动通常会使干扰呈现明显的空间非平稳性,增加了自适应处理的难度.由于在距离-多普勒域上进行自适应波束形成时电离层的影响显著降低,文中提出了在距离-多普勒域上对雷达阵列接收信号进行自适应波束形成的方法.实测数据处理表明,该方法能有效地克服干扰的非平稳性以抑制干扰,而且易于工程实现.     

稀疏信道下基于稀疏贝叶斯学习的精简星座盲均衡算法

针对稀疏信道的盲均衡问题,在精简星座均衡算法框架下建立线性模型,利用稀疏信道下均衡器固有的稀疏特性,引入具有稀疏促进作用的先验分布对均衡器系数加以约束,使用稀疏贝叶斯学习方法迭代求解均衡器系数得到最大后验估计值。该文提出的均衡方法属于数据复用类均衡算法的范畴,能够适用于数据较短的应用场合。与随机梯度方法相比,算法性能受均衡器长度影响较小,收敛后误符号率性能更好,仿真实验验证了算法的有效性。     

基于稀疏贝叶斯学习的双基雷达关联成像

双基雷达具有隐蔽性高、抗干扰性能强等优点,在现代电子战中发挥重要作用。基于雷达关联成像原理,该文研究运动目标双基雷达关联成像问题。首先,针对采用均匀线性阵列作为收发天线的双基雷达系统,在发射随机频率调制信号条件下,分析运动目标雷达回波信号特点,建立双基雷达关联成像参数化稀疏表征模型;其次,针对建立的参数化稀疏表征模型,提出一种基于稀疏贝叶斯学习的迭代关联成像算法。该算法在建立贝叶斯模型基础上,通过贝叶斯推理,得到稀疏重构信号,从而实现对运动目标成像和运动参数的精确估计。最后,通过仿真实验验证所提方法的有效性。     

Adaptive Minimum Symbol Error Rate Beamforming Assisted Detection for Quadrature Amplitude Modulation

We consider beamforming assisted detection for multiple antenna aided multiuser systems that employ the bandwidth efficient quadrature amplitude modulation scheme. A minimum symbol error rate (MSER) design is proposed for the beamforming assisted receiver, and it is shown that this MSER design provides significant performance enhancement, in terms of achievable symbol error rate, over the standard minimum mean square error (MMSE) design. A sample-by-sample adaptive algorithm, referred to as the least symbol error rate, is derived for adaptive implementation of the MSER beamforming solution. The proposed adaptive MSER scheme is evaluated in simulation using Rayleigh fading channels, in comparison with the adaptive MMSE benchmarker.