光滑lp范数压缩感知图像重构优化算法

针对已有压缩感知重构算法重构精度不高、消耗时间长的问题,在研究[lp]范数和光滑[l0]范数压缩感知重构算法的基础上提出改进算法。通过极大熵函数构造一种光滑函数来逼近最小[lp] 范数,对解序列进行离散化来近似最小[lp]范数的最优解,结合图像分块压缩感知技术（BCS）,在MATLAB中对测试图像进行仿真实验。结果表明,与传统的BOMP（Block Orthogonal Matching Pursuit）算法和IRLS（Iteratively Reweighted Least Squares）算法相比,改进后的算法不仅提高了重构精度,而且大大降低运行时间。     

基于SL0范数的改进稀疏信号重构算法

平滑范数（Smoothed l0,SL0）压缩感知重构算法通过引入平滑函数序列将求解最小l0范数问题转化为平滑 函数优化问题,可以有效地用于稀疏信号重构。针对平滑函数的选取和算法稳健性问题,提出一种新的平滑函数序列近似范数,结合梯度投影法优化求解,并进一步提出采用奇异值分解（Singular value decomposition, SVD）方法改进算法的稳健性,实现稀疏度信号的精确重构。仿真结果表明,在相同的测试条件下,本文算法相比OMP算法、SL0算法以及L1-magic算法在重构精度、峰值信噪比方面都有较大改善。     

基于FR共轭梯度的SAR图像重构方法

合成孔径雷达(SAR)图像含有丰富的高频细节纹理信息。结合这一特点,提出了一种基于Fletcher-Reeves(FR)光滑零范数(FRSL0)的压缩感知SAR图像重构方法。该方法的基础理论为光滑L0范数算法(SL0)思想以及压缩感知理论。使用简单的分式函数对离散的L0范数进行拟合,从而对这一问题进行优化处理。相对于SL0算法中使用的高斯拟合函数,在迭代计算过程中能极大地减少运算量与计算复杂度。为了提高求解函数最优化的效率,利用梯度投影原理以及FR共轭梯度法对其下降方向进行推导,进而使问题的求解更加接近最优。相关仿真试验证明,在试验外部条件相同的情况下,与其他同一类型的SAR图像重构算法相比,在重构精度以及收敛速度等方面,这一算法均表现优异。     

利用块稀疏特性的压缩感知麦克风阵列声源定位

与传统声源定位算法如相位变换加权、时延累加定位不同,压缩感知麦克风阵列声源定位算法可将声源定位转化为稀疏重构问题从而获得较高的性能。但在实际应用环境下,由于远场声源自身指向性、空间混响等原因,声源方向向量往往呈现块稀疏度结构,导致采用传统稀疏恢复算法如正交匹配追踪算法（Orthogonal matching pursuit,OMP）等进行压缩感知定位性能下降。本文在压缩感知声源定位算法中引入块稀疏似零范数,以压缩感知为基本框架,采用块稀疏似零范数稀疏恢复进行声源方向向量的重构,获取声源的方位。实验结果表明,相较于传统声源定位算法和基于OMP的压缩感知声源定位算法,本文算法具有更高的定位精度。     

基于压缩感知的高效视频解码算法

无线多媒体传感器网络系统存在无线信道随机衰落以及高误码率等问题,对视频应用的影响尤为突出。压缩感知理论应用于视频信号编码提供了一种抗无线信道随机衰落以及降低误码率的思路,但由于压缩感知重构算法的高复杂度,使得在解码端很难高效实时地恢复出视频序列。本文通过改进SL0算法的迭代搜索方向、迭代搜索方法 以及循环终止条件等提出了一种快速高效的基于平滑范数的压缩感知视频解码算法（Accurate direction smooth l0 algorithm,ADSL0）。算法采用严格的下降方向以及修正的迭代步长,保证了迭代路径的最优。实验结果表明,本文所提算法在重构精度和重构耗时上都明显优于其他同类算法。     

基于光滑l0范数和修正牛顿法的压缩感知重建算法

基于光滑l0范数最小的压缩感知重建算法——SL0算法,通过引入光滑函数序列去逼近l0范数,从而将l0范数最小的问题转化为光滑函数的最优化问题.针对光滑函数的选取以及求解该函数的最优化问题,提出一种基于光滑l0范数和修正牛顿法的重建算法——NSL0算法.首先采用双曲正切函数序列来逼近l0范数,得到一个新的最优化问题;为了提高该优化问题的计算效率,推导出针对双曲正切函数的修正牛顿方向,并采用修正牛顿法进行求解.实验结果表明,在相同的测试条件下,NSL0算法无论在重建效果还是在计算时间方面都明显优于其他同类算法.     

稀疏信号重构的罚函数神经网络模型

在压缩感知理论中,针对未知信号的稀疏性和信号非零元素位置的不确定性使得稀疏信号的重构比较困难,以及基于贪婪迭代方法的匹配追踪算法和基于凸松弛方法的基追踪算法对稀疏信号的重构概率不高的问题,提出一个罚函数神经网络模型.首先在感知矩阵满足有限等距性(RIP)的前提下,压缩感知问题可以转化为等价的l1-范数最小化问题.然后基于罚函数的思想构造能量函数,建立了解决稀疏信号重构的神经网络模型,并对其收敛性和优化能力进行了理论分析.仿真实验结果表明,仅需较少的观测数,稀疏信号的重构概率就能接近100％;特别是在不同的观测数下,所提出的神经网络模型与正交匹配追踪(OMP)算法、压缩采样匹配追踪(CoSaMP)算法及l1-正则化最小二乘法(l1-LS)相比,信号的重构概率分别平均提高了4.93个百分点、14.07个百分点和2.73个百分点.     

基于平滑l0范数的OFDM系统稀疏信道估计

信道估计是无线通信系统的关键技术.为了提高信道估计的精确性,针对现有压缩传感的信道估计算法需预先知道信道稀疏度的问题,提出了一种新的基于压缩传感理论的正交频分复用系统信道估计平滑l0范数(Smoothed l0 Norm,SLO)算法,并引入双曲正切函数对SL0算法进行改进.仿真结果表明,在相同条件下,与传统最小二乘(LS)以及匹配追踪(MP)和压缩采样匹配追踪(CoSaMP)算法比较,改进算法收敛速度快,估计值均方误差小,降低了系统复杂度.     

基于变步长的正则回溯SAMP压缩感知重构算法

稀疏度自适应正则回溯匹配追踪算法（SAMP algorithm based on Regularized Backtracking ,SAMP-RB）是一种有效的压缩感知重构算法,在原子选择阶段引入回溯的思想,提高了重构精度,减少了重构时间。但SAMP-RB算法重构时采用步长不变的思想,容易因步长设置不合理而导致过估计或欠估计的问题。针对该问题,本文为提高残差大时的逼近速度,及残差小时的逼近精度,提出抛物线函数步长选择方法,并将其引入SAMP-RB算法。理论分析与仿真结果表明,改进后的变步长的正则回溯稀疏度自适应匹配追踪算法在提高重构精度的同时,重构时间降低了20%左右,因此验证了改进算法的有效性。     

基于IALM的穿墙雷达成像算法

针对传统压缩感知穿墙雷达成像算法存在的计算过程复杂、对噪声较敏感等问题,提出一种压缩感知框架下的基于非精确增广拉格朗日乘子（Inexact Augmented Lagrange Multiplier,IALM）的穿墙成像算法。考虑到墙体回波信号的低秩性和目标信号的稀疏性,将穿墙成像视为正则化最小二乘优化问题,并转化为一个含核范数和[l1]范数的复合优化问题。通过非精确增广拉格朗日乘子法交替更新迭代求解墙杂波矩阵和目标矩阵,从而完成目标重构。仿真结果表明所提算法的信杂比较好,并在显著提高目标成像精度的同时提高了处理速度。     

基于l0范数近似最小化的稀疏信号重构方法

针对稀疏信号的重构问题,提出了[l0]范数近似最小化算法。利用反正切函数近似[l0]范数建立相应的非凸优化问题。通过构造快速的不动点迭代格式求解该问题,分析了所提出算法的收敛性能。数值仿真表明,该算法具有重构信号需要测量值少、计算精度高且计算量较小的优点。     

基于稀疏表示的信号DOA估计

将信号DOA的估计问题转换为一个联合稀疏表示的求解问题.通过对接收数据矩阵的奇异值分解实现各时间和频率快拍数据的联合;然后通过求解一个平滑l0范数稀疏约束的联合优化问题实现信号源DOA的估计.基于稀疏表示的信号DOA估计方法不仅能够有效地减少数据量,而且具有以下优点:更好的抗噪声性能、更高的计算效率、适用于相关和非相关信号.通过与其他DOA估计方法的比较,表明了该方法的有效性和优越性.     

基于光滑lp范数的压缩感知图像重构算法

针对压缩感知理论中的图像重构问题,提出一种基于光滑lp(0＜p＜1)范数的图像重构算法.首先,将重构问题转化为基于最小lp范数的优化问题进行求解;其次,构造光滑函数逼近lp范数;接着,通过离散化光滑函数的解序列来逼近最小lp范数的最优解;最后,以Lena图像为例对算法进行了仿真研究.结果表明,相比于传统的OMP(Orthogonal Matching Pursuit)算法和IRLS (Iteratively Reweighted Least Squares)算法,该算法不仅提高了图像重构质量,而且大幅减少了重构时间.     

压缩感知下的自适应声源定位估计

声源定位是一个应用非常广泛的研究课题。针对阵列定位精度不高的问题,提出一种基于压缩感知的声源定位算法。通过构建冗余字典,该算法将网络中的多个未知源节点的位置作为一个系数向量,然后采用稀疏贝叶斯学习算法估计声源位置。为了增快算法的运行速度,提出一种有效的多分辨率字典构建方法,并迭代地减小定位空间,提高定位精度。实验结果显示,基于压缩感知的声源定位算法可以改善多源节点的定位能力,且有效地减少所需的传感器节点。此外,与基于子空间的算法比较显示,该算法的性能更优越。     

基于平滑l0范数正交子空间非负矩阵分解

为了能够提升分解矩阵的稀疏表达能力,提出了一种新的基于平滑l0范数的正交子空间非负矩阵分解方法。通过将分解矩阵的正交性及平滑l0范数约束同时引入矩阵分解的目标函数中一起进行优化,大大降低了计算复杂度,并提升了分解矩阵的稀疏表达能力。同时给出了分解矩阵的乘积更新迭代规则。通过在三个真实数据库(Iris,UCI,ORL)上的实验表明,该方法在分解所得矩阵的稀疏表示方面及将其应用于聚类问题所取得的聚类效果方面优于其他方法。     

一种迭代加权l1范数的信号优化恢复方法

稀疏信号的快速优化恢复是压缩感知理论（Compressed Sensing,CS）研究的热点。讨论了参数选取对迭代加权l1范数优化算法恢复效果的影响,并将参数规则化过程引入到算法中,提出了带有参数规则化过程的迭代加权l1范数优化算法。最后通过数值实验,表明改进的算法较大程度地提升了对稀疏信号的恢复能力。