基于外辐射源的分布式无源雷达成像算法

针对利用非合作外辐射源对空中运动目标进行成像这种新体制无源雷达系统,提出了一种基于二维傅里叶变换进行目标重建的分布式无源雷达成像算法.该算法通过接收来自多个外辐射源的回波数据,经过坐标变换和二维插值运算,直接在接收数据空间利用二维傅里叶变换重建目标的散射函数分布.分别选取了12个电视台信号在目标转动30°和10个电视台信号在目标转动11°两种典型情况进行了仿真实验,结果验证了算法的可行性.     

盲稀疏源信号分离算法的恢复性研究

基于一种两步稀疏表示的方法,利用随机框架讨论欠定盲源分离的恢复能力.盲稀疏源信号分离算法一般假设源信号是充分稀疏的,讨论了在源信号不充分稀疏的情况下欠定盲源分离的恢复能力的概率估计,进一步刻画了源的稀疏性与恢复能力的关系,揭示了利用两步法处理盲源分离问题的有效性.     

基于加权l1范数稀疏信号表示的DOA估计

为了在小样本、低信噪比以及高信源相关性的条件下都能对波达方向(direction of arrival,DOA)进行精确估计,基于压缩感知理论,利用目标信号空间分布的稀疏性,提出了基于加权l_1范数稀疏信号表示的DOA估计算法.该算法对l_1-奇异值分解(singular value decomposition,SVD)算法进行改进,对接收矩阵进行预处理,根据子空间的正交性确定加权矩阵,以加权l_1范数作为最小化的目标函数进行优化得到稀疏信号,进而得到信号的DOA.仿真结果表明,通过加权处理的l_1范数下稀疏信号重构方法能有效抑制偏差,在低信噪比下能够准确稳定地估计出DOA,并且能够提高估计精度.     

一种基于l1范数的欠定盲源分离算法

提出了一种基于两步法的欠定盲源分离新算法.在混叠矩阵估计阶段,采用基于势函数的聚类方法,在源信号恢复阶段,提出一种快速的稀疏信号重构算法.系统方程As(t)=x(t)的任一解,由它的一个特解与其相对应的齐次线性方程组的一组基的线性组合之和表示,从而使原来直接估计有n个独立变量的源信号s(t)转化为估计只有n-m个独立变量的系数向量z.再借助稀疏表示实现盲源信号的分离.仿真实验验证了新算法容易实现,分离速度快,能够很好地满足盲分离对速度的要求.     

DOA矩阵方法及其性能分析

为了在小样本、低信噪比以及高信源相关性的条件下都能对波达方向（direction of arrival,DOA）进行精确估计,基于压缩感知理论,利用目标信号空间分布的稀疏性,提出了基于加权l₁范数稀疏信号表示的DOA估计算法.该算法对l₁-奇异值分解（singular value decomposition,SVD）算法进行改进,对接收矩阵进行预处理,根据子空间的正交性确定加权矩阵,以加权l₁范数作为最小化的目标函数进行优化得到稀疏信号,进而得到信号的DOA.仿真结果表明,通过加权处理的l₁范数下稀疏信号重构方法能有效抑制偏差,在低信噪比下能够准确稳定地估计出DOA,并且能够提高估计精度.

     

基于冗余字典的高光谱图像超分辨率复原算法

为了提高高光谱图像的空间分辨率,将基于冗余字典的信号稀疏表示理论应用到高光谱图像的超分辨率复原领域,提出一种基于冗余字典的高光谱图像超分辨率复原算法.该算法通过训练一组高低分辨率相对应的冗余字典对,使得高低分辨率相对应的像元曲线在基于各自的冗余字典进行稀疏分解时,具有相同的稀疏表示系数.超分辨率复原过程中,将待复原的低分辨率高光谱图像基于低分辨率冗余字典进行稀疏分解,利用所得的稀疏表示系数和对应的高分辨率字典,重建高分辨率的图像.实验结果表明:与基于图像块字典的超分辨率复原算法及传统的双线性插值图像放大方法相比,重建图像的峰值信噪比(peak signal to noise radio,PSNR)得到了显著提高.该算法将高光谱图像沿光谱维方向进行整体稀疏分解,避免了传统算法逐波段进行超分辨率复原带来的波段间的光谱失真问题,显著降低了算法的运算量.     

一种基于L1范数的目标源测向算法

在高维信号处理中,为了有效地估计信号的角度,提出了基于L1范数的二阶锥规划算法(L1-SVD).该算法将稀疏重构用于目标源测向技术,在窄带信号的模型基础上,引进稀疏域模型,将一个高维信号的角度估计问题抽象成欠定方程组求解问题.经Matlab仿真验证,与其他最小范数法以及经典多重信号分类算法相比,该算法在较大的信噪比范围内都能取得较低的重构误差和较高的成功概率,对相关性较大的信号也能进行识别.这证明了该算法能够有效地实现目标源测向.     

压缩编码孔径红外成像超分辨重建

为了利用低分辨率红外探测器获取高质量图像信息,对基于频谱面的压缩编码孔径成像方法和超分辨率图像重建算法进行了研究。首先,在频谱面加入孔径编码器,通过傅里叶变换对采样图像信号进行编码压缩。然后,利用光学成像系统的分片光滑性,实现信号在傅里叶变换域的稀疏表示。最后,提出了两点步长梯度法与自适应非单调线搜索策略相结合的梯度投影并行加速算法,用于完成对稀疏信号的超分辨重建。实验结果表明,该算法能够以远小于原始信号的数据量重建出高分辨率图像信息。     

基于交替下降求解的稀疏信号重建算法

压缩感知理论（CS）是现代信号处理领域中一个崭新的研究方向,信号的快速优化重建是该理论的研究热点。实际工程应用中,由于各种误差不可避免,信号重建过程中字典矩阵只是近似知道,因此降低了信号重建质量。为有效解决字典矩阵和观测数据同时含有噪声的多测量矢量（MMV）稀疏重建问题,基于多测量矢量欠定系统正则化聚焦求解（RM-FOCUSS）算法,提出一种交替下降稀疏重建算法,迭代过程中在稀疏解和字典误差之间交替下降求得最优稀疏解。仿真结果表明,文章算法较大程度地提高了信号的重建质量。     

基于KR积的稀疏重构近场源定位

针对声源数多于阵元数的近场信源定位问题,该文提出一种基于Khatri-Rao（KR）积的稀疏重构近场源定位方法。该方法首先假设信号是准平稳的,然后通过KR积得到虚拟阵列结构,增加了阵列的自由度;接着在虚拟阵列结构下对虚拟信号进行稀疏表示,最后通过l₁范数约束得到声源的空间谱估计。仿真表明,此稀疏重构定位方法可以实现信源定位的欠定估计,且性能优于基于KR积的子空间方法。     

Robust Deep 3D Convolutional Autoencoder for Hyperspectral Unmixing with Hypergraph Learning

基于超图学习的鲁棒深度3D卷积自动编码器高光谱解混方法

贾培源,张淼,沈毅

（哈尔滨工业大学 控制科学与工程系,哈尔滨 150001）

创新点说明：

1） 提出一种深度解混网络模型R3dCAE。深度学习能够通过深层非线性映射,实现高阶特征提取与数据变换,在解混领域展现出了巨大的应用价值。为去除影像内高噪声对解混带来的不利影响,通过去噪自编码网络与非负自编码网络级联,实现数据恢复与高精度解混工作。

2） 针对高光谱三维体数据特殊结构,将去噪自编码网络和三维卷积网络相结合,通过构建三维卷积层/反卷积层与三维池化/反池化层,深层解混模型R3dCAE能够无监督学习鲁棒的空谱联合特征信息;采用一系列噪声抽样的影像数据对网络参数进行训练优化,该模型能够对含噪数据输入实现高精度数据重建。

3） R3dCAE模型采用结合超图约束的自编码网络同步提取端元与丰度信息。通过邻域光谱相似性度量,超图结构能够描述物质分布的低维流形关系,从而表示物质分布的空间一致性信息;同时引入l2,1范数稀疏约束,在网络的迭代优化中实现精确的端元提取与丰度反演任务。

研究目的：

针对现有高光谱解混算法处理光谱混合数据,端元提取受噪声影响大,鲁棒性差,并且获得的丰度无法提现物质空间分布相关性信息,解混精度受限,探索一种基于深度学习的高光谱解混网络架构,通过网络的深层学习与优化,实现端元与丰度信息的高精度求取任务。

研究方法：

所提出深度解混框架R3dCAE由三维去噪卷积自编码网络与结合超图学习的非负稀疏自编码网络级联构成。三维去噪卷积自编码网络通过在编码层搭建卷积层与池化层,在解码层搭建反卷积层与反池化层,从而实现无监督提取光谱维与空间维的联合特征信息,通过学习含噪数据获得去噪影像光谱信息;非负稀疏自编码网络以三层网络映射的方式实现端元与丰度信息的联合优化,引入超图约束和稀疏约束,以更好实现端元特征提取和丰度信息求取。

研究结果：

采用仿真数据集对所提出解混框架和目前先进解混算法,包括MVSA, RCo-NMF, MVC-NMF, SGSNMF, 与uDAs等进行比较,对比各算法端元提取与丰度反演结果与参考端元和丰度信息的误差,结果显示R3dCAE在不同信噪比下都具有优异的性能表现;针对实际高光谱遥感数据集,对比各算法获得的端元信号误差,从而展示了所提出解混网络的有效性与鲁棒性。

结论：

本文针对高光谱图像数据光谱混合问题,提出一种新型的结合空间信息的高光谱深层自编码解混网络框架。该深度解混框架由三维去噪卷积自编码网络与结合超图学习的非负稀疏自编码网络级联构成。通过三维卷积与池化操作,三维去噪卷积自编码网络能够以无监督的方式提取光谱维与空间维的联合特征信息,并通过解码层的构建获得去噪影像数据;在非负稀疏自编码网络中,为保证丰度解的稀疏性和丰度在空间分布相关性,在网络上构建中引入超图学习和l2,1范数稀疏约束,从而使得求取的端元与丰度不仅满足非负性与和为一约束,同时丰度具有空间分布相关性信息。在实验验证中采用仿真数据集和真实高光谱影像对所提出解混框架和其他先进解混算法进行比较,展示了所提出解混网络的有效性与鲁棒性。

关键词：深度学习;无监督解混;卷积自编码网络;超图;高光谱图像;

     

稀疏盲源分离问题的恢复性研究

采用稀疏分量分析方法,研究了基于稀疏表示的欠定混叠盲信号分离的可恢复性,给出了在l2范数下,源信号可恢复的充分必要条件,并进一步讨论了l2范数解对噪声的鲁棒性.     

基于双重正则化支持向量机的肿瘤基因选择

针对标准L2范数支持向量机和L1范数支持向量机在肿瘤基因分类分析中表现出的优缺点,在利用Bhattacharyya距离剔除部分对分类无关紧要特征基因,从而得到少数高相关至关重要特征基因的基础上,将一种双重正则化支持向量机应用到DNA微阵列分类中。用一种二次多项式损失函数把这种有约束的优化问题改变为无约束且可微的优化问题,这可以用BFGS算法来求解,通过对两种肿瘤特征基因数据集实验分析知,该算法对肿瘤特征基因分类具有较强的可行性和有效性。     

非相干解扩解调信号的范数计算方法

依据向量范数等价性原理，将正交码扩频系统中非相干解扩解调信号的能量计算推广为向量范数的计算．由于不同的向量范数所需的运算量和计算的复杂程度各不相同，所以可根据实际情况选择最合适的向量范数来衡量各支路解扩信号向量的大小，以简化硬件电路．讨论了采用2范数，1范数和∞范数方法实现的3种非相干解扩解调信号处理单元的FPGA设计，并给出了误码性能曲线．     

Robust elastic impedance inversion using L1-norm misfit function and constraint regularization

The classical elastic impedance (EI) inversion method, however, is based on the L2-norm misfit function and considerably sensitive to outliers, assuming the noise of the seismic data to be the Guassian-distribution. So we have developed a more robust elastic impedance inversion based on the L1-norm misfit function, and the noise is assumed to be non-Gaussian. Meanwhile, some regularization methods including the sparse constraint regularization and elastic impedance point constraint regularization are incorporated to improve the ill-posed characteristics of the seismic inversion problem. Firstly, we create the L1-norm misfit objective function of pre-stack inversion problem based on the Bayesian scheme within the sparse constraint regularization and elastic impedance point constraint regularization. And then, we obtain more robust elastic impedances of different angles which are less sensitive to outliers in seismic data by using the IRLS strategy. Finally, we extract the P-wave and S-wave velocity and density by using the more stable parameter extraction method. Tests on synthetic data show that the P-wave and S-wave velocity and density parameters are still estimated reasonable with moderate noise. A test on the real data set shows that compared to the results of the classical elastic impedance inversion method, the estimated results using the proposed method can get better lateral continuity and more distinct show of the gas, verifying the feasibility and stability of the method.

     

电阻抗成像的稀疏重建算法

针对电阻抗成像空间分辨率低和对测量噪声敏感的问题,将传统Tikhonov正则化问题中目标函数的L2范数正则项修正为L1范数,将动态电阻抗图像中非均匀的电导率具有稀疏性作为先验信息添加到L1范数正则项中,由此提出一种电阻抗成像的稀疏重建算法。建立基于总变差法、正交匹配追踪法以及L1范数最小二乘法的电阻抗成像模型,并借助实验可知,新算法成像质量好,对测量噪声不敏感,且成像速度较快。     

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。     

改进型双频相关的整周模糊度单历元解算算法

双频相关法根据双频载波相位测量值之间的相关特性,通过构造模糊度误差带实现了对整周模糊度的快速解算．但由于该算法需要提前设定伪距测量精度,易导致模糊度真值漏搜或者误差带筛选效率下降．基于此,提出了一种改进算法：首先利用基线长度与观测向量信息构造双差几何相关模型,从而定量解算整周模糊度搜索范围;随后分析了模糊度搜索空间稀疏性与载波相位波长、误差带带长、误差带带宽之间的相互关系;最后采用宽巷整周模糊度作为误差带坐标系的横轴,以进一步增强搜索空间稀疏性．多次试验结果表明,在单历元情形下,改进算法的单维模糊度平均筛选效率提高85.71%,平均解算耗时缩短至原先的0.46%,成功率由95.28%提高至99.78%,有效地提高了模糊度解算的快速性与可靠性．     

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。     

带稀疏惩罚的LCNN盲目图像复原

为了加强算法的稀疏性和稳定性,在SCAD基础上提出了一种新的稀疏惩罚函数,并加入到拉格朗日约束神经网络中,以克服传统盲源分离方法和独立分量分析方法的缺陷,有效地避免了方程的病态问题,提高盲目图像复原的稀疏性、稳定性和准确性。通过人工数据和真实数据的不同复原算法对比实验,证明了带稀疏惩罚的拉格朗日约束神经网络盲目图像复原技术具有良好的图像复原效果。