基于Monte Carlo采样的压缩感知弱匹配去噪重构

最小二乘是现有贪婪迭代类压缩感知重构算法中通用的信号估计方法,其未考虑到可能将量测噪声引入信号估计的情况.针对以上不足,提出一种基于Monte Carlo采样的压缩感知弱匹配去噪重构算法.该算法在未知信号稀疏度先验的条件下,通过引入递推Bayesian估计减小量测噪声的干扰;同时,以弱匹配的方式筛选出有效的原子,并剔除冗余原子进而重构原信号.新算法继承了现有贪婪迭代类算法的有效性,同时避免了因噪声干扰或稀疏度未知导致的重构失败.理论分析和实验表明,新算法在同等条件,尤其是非高斯噪声情况下,重构性能优于现有典型贪婪迭代类算法,且其运算时间低于BPDN算法和同类的KF-SAMP算法.     

基于稀疏贝叶斯学习的时域流信号鲁棒动态压缩感知算法

块效应和未知且时变的噪声强度会降低时域流信号动态稀疏重构的性能,为解决该问题,本文基于重叠正交变换和稀疏贝叶斯学习框架,提出一种对时域流信号进行动态压缩感知的鲁棒稀疏贝叶斯学习重构算法.该算法在消除块效应的同时,能够处理噪声强度未知且时变情形下的动态稀疏重构问题,相比现有的流信号稀疏贝叶斯学习算法具有更强的抗噪鲁棒性.尽管现有的时域流信号压缩感知的有效算法并不多,但实验表明,本文算法的重构信误比和重构成功率均明显高于现有的基于稀疏贝叶斯学习的流信号重构算法和基于L1-同伦的流信号重构算法,且达到相同的重构成功率所需的观测数目少于另两种算法,计算量和运行效率则与稀疏贝叶斯学习算法相近.     

含脉冲噪声的洛伦兹双阈值余量追踪信号重构

在压缩感知(CS)技术中,基于最小洛伦兹范数的重构算法在脉冲噪声环境下具有较强的鲁棒性。但是,洛伦兹硬阈值追踪(LHTP)算法采用残差的负梯度更新信号的估计量,从中引入了噪声的影响。基于此,提出了洛伦兹双阈值余量追踪(LDTRP)算法,通过迭代估计的重构误差来修正信号的估计量,并利用残差设置新的野点阈值。实验结果表明,无论信号是否受到噪声影响,LDTRP算法均能获得更好的信号重构质量。另外,在含有脉冲噪声的环境中,相比洛伦兹迭代硬阈值(LIHT)算法与LHTP算法,所提算法降低了对脉冲数量以及脉冲功率变化的敏感度,提高了重构性能。     

基于卡尔曼滤波的压缩感知弱匹配去噪重构

现有的贪婪迭代类压缩感知重构算法均基于最小二乘对信号进行波形估计,未考虑到可能将量测噪声引入信号估计的情况.针对以上不足,提出了一种基于线性Kalman滤波的压缩感知弱匹配去噪重构算法.该算法不需已知稀疏度先验,通过引入Kalman滤波,在最小均方误差准则下,每次迭代都获得最佳信号估计;并以弱匹配的方式同时筛选出有效的原子,并剔除冗余原子进而重构原信号.新算法继承了现有贪婪迭代类算法的有效性,同时避免了因噪声干扰或稀疏度未知导致的重构失败.理论分析和实验表明,新算法在同等条件下,重构性能优于现有典型贪婪迭代类算法,且其运算时间低于BPDN算法和同类的KFCS算法.     

自适应稀疏度的1 bit压缩重构算法

1 bit压缩感知技术日益受到关注.1 bit信号往往有符号跳变,同时信号重构还需要稀疏度先验信息,如何有效地克服信号重构对稀疏度的依赖性,提高重构算法对噪声的鲁棒性,这是该领域面临的重大挑战.本文在二进制迭代硬阈值算法基础上,引入自适应稀疏度,利用残差能量的大小,通过对信号和噪声的学习,解决稀疏度依赖问题,通过引入弹...     

改进的基于拉普拉斯先验的贝叶斯压缩感知算法

贝叶斯压缩感知(Bayesian Compressed Sensing,BCS)通过稀疏贝叶斯回归模型中相关向量机(Relevance Vector Machine,RVM)的学习来解决压缩感知(Compressed Sensing,CS)中的信号重构问题。本文通过修正基于拉普拉斯先验BCS的噪声模型,较好地实现了含噪CS信号的重构。它主要利用稳健型相关向量机(Robust RVM,RRVM),改进了基于拉普拉斯先验的BCS算法。它通过对每个观测噪声方差系数进行最优化估计,来消除内外部噪声对信号重构的影响。相关的仿真验证了在外部脉冲噪声以及内部高斯白噪声共同干扰条件下,相比原始BCS算法,改进算法具有更好的重构性能和稳定性。     

冲击噪声下基于混合LL2 -L1 优化求解的CSR 参数估计

针对冲击噪声环境下压缩感知雷达参数估计性能急剧下降的问题,提出一种新的鲁棒性参数估计方法。首先,根据压缩感知雷达参数估计的稀疏线性模型,基于Lorentzian 范数和L1 范数稀疏正则化构造冲击噪声背景下稀疏重构的混合LL2-L1 范数优化模型;然后,利用迭代加权最小二乘法和阈值收缩函数推导上述模型优化求解的一步迭代公式;最后,从理论上对文中算法的收敛性进行证明,并给出算法计算复杂度的定量分析。计算机仿真实验表明,文中算法在冲击噪声下支撑集的重构更精确、重构信号的精度更高、重构的计算量更小。     

冲击噪声下基于矩阵预处理的稀疏重构DoA估计

针对冲击噪声下用稀疏重构的方法不能准确估计波达方向的问题,该文提出基于多项式矩阵预处理的稀疏重构的波达方向(DoA)估计方法。由于冲击噪声的二阶矩不存在,基于二阶矩估计的子空间类算法和稀疏重构类算法不能有效估计出波达方向,且不能很好地处理相干信源。为了解决这个问题,采用多项式预处理技术对接收信号的自相关函数和方向矢量进行预处理,并在此基础上利用稀疏重构技术进行DoA估计。多项式预处理可以缩小矩阵的奇异值分布,使得反映噪声能量的奇异值分布更加明显,从而有利于减小冲击噪声的影响。仿真结果表明,算法在冲击噪声环境下能准确稳定地估计出两种信源的波达方向,尤其是在冲击噪声较强的情况下表现出灵敏度高、鲁棒性好的优点。     

基于改进广义正交匹配追踪的OFDM稀疏信道估计

在OFDM稀疏信道中,将压缩感知中的广义正交匹配追踪(GOMP)重构算法用到OFDM信道估计中.由于其信道重构的精度比较低,根据其特点做出了改进,提出了一种用于OFDM稀疏信道估计的改进广义正交匹配追踪算法.该改进算法能够在不需要预知信道稀疏度的情况下准确恢复出信号.根据实验和仿真结果可以看出,该改进算法与LS算法、OMP算法、GOMP算法相比,在同样的环境下误比特率以及均方误差相对比较低,而且运算速度比较快,具有一定的实用性.     

基于簇的块稀疏压缩感知的60GHz信道估计

基于压缩感知设计适用于60 GHz毫米波通信系统的信道估计方案,深入研究了正交匹配追踪(OMP)算法和正则正交匹配追踪(Regularized OMP)算法的60 GHz信道估计性能;在此基础上,充分发掘60 GHz无线多径信道所呈现出的分簇特性,提出一种新颖的基于簇分级的稀疏压缩感知重构算法。新算法在有效减少重构迭代次数的前提下,亦能显著降低信道估计误差。综合对比分析了基于簇分块稀疏压缩感知重构算法和现有压缩感知算法在60 GHz信道估计应用中的重构性能,仿真结果表明,压缩感知算法可有效应用于60 GHz系统信道估计,而新设计的基于簇分级的稀疏压缩感知算法则在估计精度和实现复杂度方面具更优越性能。     

Bayesian Sparse Reconstruction Method of Compressed Sensing in the Presence of Impulsive Noise

The majority of existing recovery algorithms in the framework of compressed sensing are not robust to the impulsive noise. However, the impulsive noise is always present in the actual communication and signal processing system. In this paper, we propose a method named ‘Bayesian sparse reconstruction’ to recover the sparse signal from the measurement vector which is corrupted by the impulsive noise. The Bayesian sparse reconstruction method is composed of five parts, which are the preliminary detection of the location set of impulses, the impulsive noise fast relevance vector machine algorithm, the step of pruning, Bayesian impulse detection algorithm and the maximum a posteriori estimate of the sparse vector. The Bayesian sparse reconstruction method can achieve effective signal recovery in the presence of impulsive noise, depending on the mutual influence of the impulsive noise fast relevance vector machine algorithm, the step of pruning and the Bayesian impulse detection algorithm. Experimental results show that the Bayesian sparse reconstruction method is robust to the impulsive noise and effective in the additive white Gaussian noise environment.     

脉冲噪声环境下改进的顽健循环时延估计算法

研究了脉冲噪声环境下循环平稳信号的时延估计问题,针对脉冲噪声环境中基于传统二阶谱相关函数的时延估计方法性能退化问题,提出了基于分数低阶循环谱的改进顽健算法。相对于传统算法,新算法对脉冲噪声、高斯噪声、干扰信号都具有较好的抑制作用。仿真结果证明了算法的有效性和顽健性。     

基于l1-范数约束的递归互相关熵的稀疏系统辨识

为了有效解决脉冲噪声环境下的稀疏系统辨识(Sparse system identification, SSI)问题,以l1 -范数为约束构建稀疏递归互相关熵准则(Recursive maximum correntropy criterion, RMCC)算法来解决脉冲噪声对于辨识性能的影响。结合带遗忘算子的互相关熵准则和l1 -范数作为代价函数,推导出一种递归形式的算法,其相对于传统的最大相关熵算法具有快的收敛速度及小的稳态误差。仿真实验结果表明:该算法对于脉冲噪声干扰环境下的SSI问题具有强的鲁棒性。      

脉冲噪声环境中基于clipping方法的鲁棒LPFT及其重排算法

为了更好地处理脉冲噪声环境中的时变信号,本文提出了基于clipping方法的鲁棒局部多项式傅里叶变换(LPFT)及其重排算法。首先利用clipping方法对信号中掺杂的脉冲噪声进行抑制,得到较好的信号时频分布表示,然后将重排算法与该鲁棒LPFT相结合,以提高信号的时频聚集性。通过实验仿真可以看出,与基于中值滤波器的鲁棒LPFT相比,基于clipping方法的鲁棒LPFT同样能对被脉冲噪声干扰的信号给出较好的时频表示,而且其瞬时频率估计的最小均方误差(MSE)较低,计算量较小。并且,本文在基于clipping方法的鲁棒LPFT对掺杂脉冲噪声的信号进行处理的基础上,利用重排算法与其结合,有效增强了信号的时频聚集性。因此基于clipping方法的鲁棒LPFT及其重排算法是一种高效的处理脉冲噪声干扰信号及提高信号时频聚集性的方法。     

脉冲噪声下基于循环相关熵和稀疏重构的宽带信号DOA估计

针对脉冲噪声与同频带干扰并存时宽带信号的波达方向(DOA)估计问题,该文提出一种结合循环相关熵(CCE)与稀疏重构的算法。首先,分析了宽带信源的接收信号模型,并利用循环相关熵的性质构造出对脉冲噪声与同频带干扰具有抑制能力的宽带信号虚拟输出阵列。随后对该虚拟输出阵列进行稀疏表示,并通过归一化迭代硬阈值(NIHT)算法进行稀疏重构,从而估计宽带信号的波达方向。实验结果表明,该算法对脉冲噪声和同频带干扰具有很好的抑制作用,并且相较已有算法在估计性能方面有明显的改善。     

A robust past algorithm for subspace tracking in impulsive noise

The PAST algorithm is an effective and low complexity method for adaptive subspace tracking. However, due to the use of the recursive least squares (RLS) algorithm in estimating the conventional correlation matrix, like other RLS algorithms, it is very sensitive to impulsive noise and the performance can be degraded substantially. To overcome this problem, a new robust correlation matrix estimate, based on robust statistics concept, is proposed in this paper. It is derived from the maximum-likelihood (ML) estimate of a multivariate Gaussian process in contaminated Gaussian noise (CG) similar to the M-estimates in robust statistics. This new estimator is incorporated into the PAST algorithm for robust subspace tracking in impulsive noise. Furthermore, a new restoring mechanism is proposed to combat the hostile effect of long burst of impulses, which sporadically occur in communications systems. The convergence of this new algorithm is analyzed by extending a previous ordinary differential equation (ODE)-based method for PAST. Both theoretical and simulation results show that the proposed algorithm offers improved robustness against impulsive noise over the PAST algorithm. The performance of the new algorithm in nominal Gaussian noise is very close to that of the PAST algorithm.     

基于联合稀疏谱重构的PPG信号降噪算法

针对光电容积脉搏波（Photoplethysmography,PPG）传感器数据采集降噪问题,本文提出一种基于联合稀疏重构的PPG信号运动噪声降噪算法.该算法通过构建同时间段内PPG信号和加速度信号的频谱矩阵,提取频谱矩阵稀疏特征和该矩阵行稀疏特征,利用压缩感知方法,将PPG信号运动噪声去除过程建模为联合稀疏信号重构过程,并将该过程进一步建模为最优化模型,通过迭代寻优来获得该模型的最优解,结合谱减法,从而有效去除PPG信号中的运动噪声,降低噪声对PPG信号的影响.仿真分析表明,本文提出的算法能有效去除PPG信号中的运动噪声,获得较好的降噪效果.