基于块稀疏贝叶斯学习的人体运动模式识别

在人体运动模式识别中, 传统稀疏表示分类算法未考虑待测试样本相应稀疏系数向量内在块结构相关性信息,影响了算法识别性能。为此,提出一种基于块稀疏模型的人体运动模式识别方法。该方法充分利用人体运动模式内在块稀疏结构,将人体运动模式识别问题转化为稀疏表示问题,采用块稀疏贝叶斯学习算法,求解基于样本训练集优化稀疏表示待测样本的稀疏系数, 并根据稀疏系数重构残差判定待识别动作类别,能有效提高人体运动模式识别率。选用包含多类别人体动作行为模式的USC-HAD数据库对所提算法性能进行了验证。实验结果表明,所提算法能够有效捕获不同运动模式内在差异信息,平均动作识别率达到97.86%,比传统动作识别方法平均提高近5%,有效提高了动作识别准确率。     

导向矢量失配情况下基于稀疏表示的波达方向估计算法

提出了一种传感器阵列导向矢量失配情况下的基于稀疏表示的信号源波达方向DOA估计算法。针对一些实际环境中噪声重尾现象严重的特点,采用合成圆对称广义高斯噪声分布对其进行模拟。考虑到实际环境中传感器自身运动以及外界环境因素的改变可能会导致传感器导向矢量产生波动,利用加权最小二乘法对波动生成的增益值进行最优估计。然后,构建信号模型的分数低阶矩FLOM矩阵,进行矢量化处理,以提高其数组维数。最后,利用稀疏表示方法重构信号模型,将信号源DOA估计转化为二阶锥规划问题进行求解,并采用奇异值分解降低运算量。仿真结果表明,本算法的信号源DOA估计具有很高的分辨率,且有效地避免了导向矢量失配对DOA估计产生的影响。     

基于子空间和稀疏贝叶斯学习的低信噪比下波达角估计方法

为研究低信噪比条件下阵列信号处理中的波达角(Direction of arrival,DOA)估计问题,分析了低信噪比条件下信号子空间和噪声子空间的特征值表现,探讨了随机观测对子空间特征值的影响。提出了在低信噪比条件下对接收信号先进行子空间分离,后进行随机观测的降维处理方法,并将稀疏贝叶斯学习应用到DOA中,降低了DOA估计的复杂度,同时保证估计的精度。仿真实验表明,本算法在低信噪比条件下性能良好,对非相干源和相干源均有良好的估计性能。     

基于块稀疏贝叶斯学习的体域网心电压缩采样

为有效提高体域网的实时性和降低体域网的功耗,提出一种基于块稀疏贝叶斯学习的体域网心电压缩采样方法。该方法在体域网框架下,利用压缩采样理论,在体域网的传感节点利用二进制随机观测矩阵对心电信号进行压缩采样,远程监护中心获得采样值之后,利用块稀疏贝叶斯学习重构算法和离散余弦稀疏变换矩阵对心电信号进行重构。实验结果表明,当心电信号压缩率在70%~90%时,基于块稀疏贝叶斯学习的重构算法要比其他重构算法的重构信噪比高出3 dB~21 dB。该方法能有效减少数据采样,减轻后续的数据存储、数据传输压力,提高体域网的实时性。同时该方法具有功耗低,易于硬件实现的优点。     

基于块稀疏贝叶斯学习压缩感知的心音重构

为提高体域网远程传输心音信号的重构精度、运行时间及处理数据量,对一种基于块稀疏贝叶斯学习的压缩感知重构心音方法进行研究。在传感节点端对心音信号做分块处理,进行离散余弦变换字典训练;通过稀疏二进制矩阵对心音信号进行压缩,并传送至终端;利用块稀疏贝叶斯学习对终端压缩的心音重构,将重构结果与传统的正交匹配追踪结果比较。实验结果表明,块稀疏贝叶斯学习算法比正交匹配追踪算法重构的结构相似度高0.2-0.3,在信噪比方面高10db-30db,所提方法具有重构精度高,处理心音数据量大,运行时间快的显著优势。     

用块稀疏贝叶斯学习算法重构识别体域网步态模式

针对低功耗体域网步态远程监测终端非稀疏加速度数据重构和步态模式识别性能优化问题,提出了一种基于块稀疏贝叶斯学习的体域网远程步态模式重构识别新方法,该方法基于体域网远程步态监测系统架构和压缩感知框架,在体域网传感节点利用线性稀疏矩阵压缩原始加速度数据,减少传输数据量,降低其功耗,同时在远程终端基于块稀疏贝叶斯学习算法充分利用加速度数据块结构内在相关性,获取加速度数据内在稀疏性,有效提高非稀疏加速度数据重构性能,为准确识别步态模式提供可靠的数据支撑.采用USC-HAD数据库中行走、跑、跳、上楼、下楼五种步态运动的加速度数据验证新方法的有效性,实验结果表明,基于所提算法的加速度数据重构性能明显优于传统压缩感知重构算法性能,使基于支持向量机多步态分类器识别准确率可达98%,显著提高体域网远程步态模式识别性能.所提新方法不仅有效提高非稀疏加速度数据重构和步态模式识别性能,并且也有助于设计低功耗、低成本的体域网加速度数据采集系统,为体域网远程监测步态模式变化提供一个新方法和新思路.     

基于自适应LASSO先验的稀疏贝叶斯学习算法

为了提高稀疏信号恢复的准确性, 开展了基于自适应套索算子(Least absolute shrinkage and selection operator, LASSO)先验的稀疏贝叶斯学习(Sparse Bayesian learning, SBL)算法研究. 1) 在稀疏贝叶斯模型构建阶段, 构造了一种新的多层贝叶斯框架, 赋予信号中元素独立的LASSO先验. 该先验比现有稀疏先验更有效地鼓励稀疏并且该模型中所有参数更新存在闭合解. 然后在该多层贝叶斯框架的基础上提出了一种基于自适应LASSO先验的SBL算法. 2) 为降低提出的算法的计算复杂度, 在贝叶斯推断阶段利用空间轮换变元方法对提出的算法进行改进, 避免了矩阵求逆运算, 使参数更新快速高效, 从而提出了一种基于自适应LASSO先验的快速SBL算法. 本文提出的算法的稀疏恢复性能通过实验进行了验证, 分别针对不同大小测量矩阵的稀疏信号恢复以及单快拍波达方向(Direction of arrival, DOA)估计开展了实验. 实验结果表明: 提出基于自适应LASSO先验的SBL算法比现有算法具有更高的稀疏恢复准确度; 提出的快速算法的准确度略低于提出的基于自适应LASSO先验的SBL算法, 但计算复杂度明显降低.     

基于SURE估计的图像块稀疏收缩去噪算法

针对图像过完备稀疏收缩去噪的阈值选取问题,根据图像的常规稀疏模型,提出一种基于SURE无偏估计的自适应阈值选择算法。在一阶可导收缩函数的基础上,推导阈值选择的优化目标函数,证明该函数是关于阈值的凸函数,利用黄金分割法搜索其全局最小值。仿真结果表明,该算法选择的阈值接近峰值信噪比-阈值曲线的极大值点,将该算法应用于图像的块稀疏模型,可取得比常规稀疏模型更好的去噪效果。     

基于稀疏表示和约束优化的波达方向估计方法

对于噪声环境中信号源的波达方向(DOA)估计,传统的多信号分类(MUSIC)算法只对不相干信号有效,且所需较多样本。针对此问题,将进行DOA估计的搜索范围看作冗余字典,从而待估计的DOA成为该冗余字典中的某些元素,可以由冗余字典对其进行稀疏表示;其次,利用单次快拍数据,应用二阶锥(SOC)约束优化的方法对该稀疏表示问题进行描述,并进而转化为标准的二阶锥形式,采用有效的优化工具SeDuMi来实现DOA的估计。仿真结果表明,与现有的子空间方法相比,该方法只需单拍数据即可得到较好的估计结果,且无需对信源个数有先验知识,同时适用于相干和非相干信号。     

基于冗余字典稀疏表示的二维DOA估计

针对互成一定角度的双线阵列,提出基于空间合成角冗余字典稀疏表示的二维波达方向估计新方法。将方位角和俯仰角余弦乘积用空间合成角代替,通过空间合成角构造冗余字典降低字典维数和长度,并将子阵接收数据矢量转化为稀疏表示问题,进而利用改进正交匹配追踪算法稀疏求解空间合成角,解算出方位角和俯仰角。与传统高分辨空间谱估计算法相比,无需特征分解和多维谱峰搜索,能在低信噪比、单快拍条件下精确估计相关或非相干信源空间角度,且需要子阵阵元数目较少。     

基于稀疏表示的OFDM信号的DOA估计

针对正交频分复用（OFDM）, 宽带信号波达方向(DOA)估计问题, 提出一种基于宽带信号协方差矩阵稀疏表示的DOA估计方法。该方法是在协方差矩阵主对角线下对左下角三角形元素按各条对角线取平均值后形成一个新的向量, 然后将该向量写成冗余字典形式。在冗余字典下对信号进行稀疏性约束形成二阶锥约束优化问题, 再用工具箱SeDuMi来实现DOA估计。理论分析和仿真结果表明, 该方法在低信噪比和少快拍数下分辨率很高, 是一种有效的宽带信号DOA估计算法, 此方法优于基于高阶累积量算法和宽带聚焦算法的DOA估计方法。     

宽带信号DOA估计自回归迭代算法

基于最小均方误差(MMSE)准则提出一种宽带信号波达方向(DOA)估计算法。将宽带信号通过窄带滤波器组转化为窄带信号,采用自回归迭代方法恢复窄带信号的稀疏表示,根据稀疏表示得到信号源个数和DOA估计。该算法不仅有超分辨率能力,而且不必预先知道信号源个数。此外,本算法能对相干信号源进行DOA估计而不需要解相关预处理。仿真结果验证了该算法的有效性。     

一种基于预估计的稀疏表示DOA估计快速算法

稀疏表示DOA估计算法具有很高的分辨率,但是其计算量较大.为此,提出一种基于预估计的稀疏表示DOA估计快速算法.首先,利用阵列协方差矩阵特征向量的性质,通过DFT对入射信号进行DOA预估计;其次,利用预估计结果降低过完备字典的长度;最后,进行稀疏分解得到DOA估计的精确结果.由于采用的字典长度较短,该算法的计算量非常小.仿真实验结果表明,该算法具有较高的成功概率、较快的估计速度和较低的估计误差.因此,提出的算法在工程实际中应用前景广阔.     

基于贝叶斯压缩感知的正交频分复用信道估计改进

为了获得理想的正交频分复用信道估计结果,针对传统算法没有充分利用无线信道时域的固有稀疏性,导致估计精度不高且频谱利用率低等难题,提出了改进贝叶斯算法感知的正交频分复用信道估计算法。首先在详细介绍本文算法的原理和步骤基础上,与传统信道估计算法进行仿真对比实验。仿真结果表明,相对于其它信道估计算法,本算法可获得更高的信道估计精度,在使用较少导频的条件下获得很好的信道估计性能。