稀疏的归一化功放模型及预失真应用*

针对射频功放的非线性特性进行了研究,提出一种新的稀疏化的Volterra级数模型。该模型基于压缩感知算法,将稀疏系统的辨识等效为信号的重构问题,利用正则正交匹配（ROMP）算法对核系数进行稀疏化并选择出活跃的核系数。将提出的模型与记忆多项式（MP）模型、通用记忆多项式（GMP）模型进行比较,较MP模型的建模精度提升10.7dB,模型系数减少25%,较GMP模型的建模精度提升3.9dB,但模型系数减少84.58%。仿真结果表明：提出的方法实现良好的预失真线性化性能,极大地降低模型系数,优于传统的功放行为模型。由此验证对功放的线性化技术发展具有参考价值。     

面向ECG的二分法稀疏度自适应匹配追踪重构算法

为了减少无线传感器网络(WSNs)心电信号的压缩感知重构时间,提出一种面向心电(ECG)信号的二分法稀疏度自适应匹配追踪重构算法.基于二分法快速接近真实稀疏度的值,并通过相邻迭代之间残差范数值差的绝对值确定下一轮迭代计算区间.实验结果表明:与传统稀疏自适应匹配追踪重构算法相比较,改进算法可显著降低重构时间并接近子空间追...     

基于压缩感知的图像自适应子空间追踪算法

针对稀疏自适应匹配追踪（SAMP）算法中存在的运行速度慢、重建效果欠佳的问题,提出了一种新的自适应的子空间追踪算法（MASP）。采用SAMP算法中分段的思想,先对半减小预估稀疏度,再逐一增加,得到真实稀疏度后,再利用子空间追踪算法对原始信号进行重构。实验表明,相比于SAMP算法,该算法在相同观测数量的情况下,具有较快的运行时间和较好的重建效果,其中,在重构信噪比方面平均提高8.2%。     

一种变步长稀疏度自适应子空间追踪算法

针对压缩感知（Compressive sensing,CS）中未知稀疏度信号的重建问题,本文提出一种变步长稀疏度自适应子空间追踪算法.首先,采用一种匹配测试的方法确定固定步长,然后以该固定步长与变步长方式相结合,通过不同支撑集原子个数下的重建残差变化确定信号稀疏度,算法采用子空间追踪方法确定相应支撑集原子,并完成原始信号准确重建.实验结果表明,与同类算法相比,该算法可以更准确重建原始信号,且信号稀疏度值较高时,运算量低于同类算法.     

组合结构设计的双频带数字预失真方法

双频带射频功放的数字预失真技术(DPD)要求支持更宽的带宽.为了保证功放输出的线性指标并降低预失真系统的实现开销,设计一种组合结构的双频带宽带数字预失真方法.该方法采用一维整频带数字预失真模型与四个一维分频带数字预失真模型的组合结构来综合处理双频带的发射信号.仿真实验结果表明,采用90 MHz的双频带LTE信号,临道泄露比(ACLR)指标较改进的二维记忆多项式DPD有1 dB提升,与二维DPD有0.5 dB差别,满足系统指标要求.     

基于差分的稀疏度自适应重构算法

针对压缩感知贪婪迭代重构算法要求给定信号稀疏度或迭代阈值的缺点,提出一种基于差分的稀疏度自适应重构算法.该算法在信号稀疏度未知的情况下,利用测量矩阵Φ与残差的相关系数的变化的不均衡特性,来选择重构信号的支撑集,以此逼近原始信号的稀疏度,达到重构的效果.仿真结果表明,在相同采样率下,文中算法可以获得较好的重构效果,尤其在采样率较低(采样率≤0.5)的情况下,这种优势更加明显.     

一种快速的自适应预失真算法

研究了一种快速有效的算法用来加快预失真算法的收敛速度,即线性迭代法。并通过计算机仿真来验证这种方法的有效性和可行性,通过计算机的仿真可以使三阶交调分量抑制大概15个dB。理论分析和仿真结果可以表明,该算法使功率放大器的线性化得到很好的改善。     

基于一次投影子空间追踪的压缩感知信号重构

为了降低信号重构算法的复杂度,实现对稀疏度未知信号的重构,提出了一种基于一次投影子空间追踪(OPSP)的信号重构方法。首先根据约束等距性质确定信号稀疏度的上下界,并将最接近上下界中值的整数作为稀疏度的估计值;然后在子空间追踪(SP)算法的框架下,去掉了迭代中观测向量在支撑集上的投影过程,降低了算法的复杂度。为了更准确地衡量算法的重构性能,提出用完整信号的重构概率作为衡量算法重构性能的指标。与传统的SP算法相比,所提算法可以重构稀疏度未知的信号,且重构时间短,重构概率高。仿真结果验证了该算法的有效性。     

基于直接学习法的一种新预失真器

为了克服宽带信号经过记忆放大器的非线性失真,针对有记忆非线性功放的多项式模型,提出了一种新的基于直接学习法的自适应算法.该算法采用无记忆预失真器的级联扩展,具有横向滤波器结构,与记忆多项式有相似的线性化效果.并且针对信号噪声对自适应算法的扰动和收敛速度慢等缺点,采用归一化LMS算法加以改进.在非线性功放的记忆多项式模型下,通过宽带信号验证了基于直接学习法的记忆型预失真器算法的有效性.     

模块化模型功率放大器的自适应预失真

为补偿正交频分复用（OFDM）通信系统中由记忆高功率放大器（HPA）引起的失真,提出了一种自适应数字预失真方法。对Wiener、Hammerstein和Wiener-Hammerstein模块化模型的HPA各自构成了一个有记忆自适应预失真器。仿真结果表明,利用模块化模型能快速、简便地实现记忆放大器的线性化,而且具有满意的性能。     

记忆非线性功率放大器的高效预失真

记忆非线性放大器的预失真问题一直是预失真技术的难点。通常采用Volterra级数、Hammerstein模型和神经网络等模型的记忆预失真都存在形式复杂、自适应困难的缺点。文章通过增加两个延时环节将基于多项式的无记忆放大器的高效预失真结构推广到有记忆放大器的预失真中,并联合一种简单的带抽头延时的非线性多项式模型作为记忆预失真器模型实现了记忆非线性放大器的快速、高效的线性化。仿真结果表明,利用所提出的预失真方案能快速实现记忆放大器的预失真,而且显著提高了线性化性能。     

一种自适应观测矩阵下的信号重构算法*

为提高压缩感知的性能,设计了一种自适应的稀疏观测矩阵,该观测矩阵由0和1组成。信号重构时,利用观测值的位置信息,避免了求解不定方程组,提高了重构速度。采用具有频域稀疏特性的深海隔水管受力参数作为仿真信号,仿真结果表明,观测值数目相同时,自适应观测矩阵下重构算法的平均误差比随机观测矩阵下基追踪算法的平均误差小。     

一种BP逆模型离线训练自适应预失真方法

为了进一步改善非线性功率放大器系统的线性度,提出了一种基于BP神经网络逆向建模的离线训练自适应预失真方法。利用BP神经网络对功放逆向建模,并将建立好的逆模型参数作为预失真器模型初值。为了提高在初始预失真系统中预失真器的线性化效果及系统自适应进程的速度,在建立自适应预失真系统之前,利用BP逆向模型对预失真器进行离线训练。最后采用直接结构和最小均方（LMS）算法调节神经网络预失真器的权值,以消除放大器非线性的扰动。仿真结果显示,此方案可使邻道互调功率降低约18 dB,而经典的直接—非直接结构只降低了8 dB,表明此预失真方案能够更好地改善功率放大器的线性度。     

稀疏MR图像重构的快速算法

提出小波稀疏的MR图像重构的交替最小化方法,分析证明了这一方法的收敛性。利用半二次罚函数方法将小波稀疏的MR图像重构最优化问题分裂成两个子最优化问题：X-子问题和Y-子问题,通过对两个子问题的交替最小化得到原问题的最优解。利用1维软阈值收缩方法求解Y-子问题,利用Fourier变换的方法求解X-子问题解,进而给出原问题求解的分裂算法。利用Phantom图像和一些实际的MR图像与最新的算子分裂算法进行数值实验比较,其结果是交替最小化方法重构的图像的信噪比比算子分裂算法的高,而相对误差和CPU时间较低,从而表明交替最小化方法是稀疏MR图像重构的一种快速算法。     

稀疏信号欠Nyquist采样与重构研究现状分析

传统的信号采样理论要求采样频率需高于Nyquist频率(信号最高频率)的两倍,给射频及超宽带领域的信号采样、存储和传输造成巨大压力。近年来针对可以进行稀疏表示的信号,欠Nyquist采样技术取得了很大的发展,大大降低了精确重构原始信号所需的采样率。综述性地归纳了目前可以进行欠Nyquist采样的信号模型,将出现的各种欠Nyquist采样总结为一个基本模型,并针对频域稀疏和时域稀疏信号分别对采样模型及原理进行了阐述,分析了采样信号的子空间探测和重建方法,讨论了稀疏信号欠Nyquist采样与重构的实现与应用现状,并对研究前景进行了展望。     

过完备字典稀疏表示下的RAMP重构算法

压缩感知理论将采样理论与压缩理论合二为一,成为最近几年来的研究热点。主要依据图像的稀疏性或是可压缩性的特点,使用K-均值奇异值分解（K-Means Singular Value Decomposition,K-SVD）算法训练获得过完备字典,使用高斯随机矩阵作为测量矩阵,最后通过正则化自适应匹配追踪算法作为压缩感知重构算法,提出了K-SVD过完备字典的正则化自适应匹配追踪算法（KSVD Regularized Adaptive Matching Pursuit,KSVD-RAMP）。通过对重构图像的峰值信噪比、重构时间、相对误差等客观评价指标以及主观视觉上对所提算法以及传统的贪婪算法做对比。实验结果表明,该算法比基于离散小波稀疏表示的RAMP算法的峰值信噪比提升了2~6 dB。因此,该算法重构出的图像不管在视觉效果上,还是在客观评价指标上都有一定的改善。     

自适应压缩感知的语音压缩重构算法研究

根据传统语音信号的处理过程和语音信号的特征,提出了利用自适应冗余字典KSVD算法、自适应观测矩阵和SAMP重构算法的压缩重构方法,通过仿真分析,并与普通压缩感知对比平均帧重构信噪比、相对误差,验证了压缩感知自适应算法的优越性。