稀疏信号结构性噪声干扰下的感知矩阵优化

针对具有结构性噪声干扰的稀疏信号处理问题,该文提出一种基于贝叶斯理论的感知矩阵优化设计方法。结合具有加性干扰的稀疏信号模型,通过对感知矩阵进行能量约束,最小化信号的后验协方差矩阵的迹,实现感知矩阵的优化设计。仿真不同信号稀疏度和重构算法时,感知矩阵优化对信号重构误差和重构时间的影响;分析信号先验信息存在偏差时,感知矩阵优化对重构效果的影响。仿真结果表明,优化后的感知矩阵能够更好地获取稀疏信号中的重要信息,信号重构精度的均方误差减小约15～25 dB,重构时间减少约40%。

     

自适应字典学习的卷积稀疏表示遥感图像融合

基于细节注入方案的遥感图像融合主要包括两个步骤:空间细节提取与注入。为保证被提取细节的质量与确定合适的调制系数,本文提出一种基于自适应字典学习的卷积稀疏表示遥感图像融合方法。该方法先利用引导滤波和非抽取小波变换来分别获取全色图像和多光谱图像的空间细节;然后自适应地学习提取空间细节的字典,并将其引入卷积稀疏表示模型来重构联合细节图像;最后,将联合细节通过联合判别调制系数注入到上采样的多光谱图像中得到最终融合结果。实验结果表明,本文方法的融合结果无论从主观效果还是客观定量评价,都优于一些主流的遥感图像融合方法。      

结合字典学习技术的ISAR稀疏成像方法

鉴于稀疏ISAR成像方法的成像质量受到待成像场景的稀疏表示不准确的限制,该文将字典学习(DL)技术引入到ISAR稀疏成像中,以提升目标成像质量。该文给出基于离线DL和在线DL两种ISAR稀疏成像方法。前者通过已有同类目标ISAR图像进行学习,获得更优稀疏表示,后者在成像过程中从现有数据中通过优化获得稀疏表示。仿真和实测ISAR数据成像结果表明,结合离线DL和在线DL的成像方法均可获得比现有方法更优的成像结果,离线DL成像优于在线DL成像,而且前者计算效率优于后者。     

联合感知矩阵优化的穿墙MIMO阵列稀疏成像方法

采用压缩感知理论的穿墙稀疏成像恢复算法需要感知矩阵满足有限等距性质(RIP),最直接的验证方法是判定感知矩阵的相干系数是否较小。针对现有的穿墙多输入多输出(MIMO)阵列稀疏成像方法没有验证感知矩阵是否满足RIP 性质而容易出现重构失败并导致成像模糊的问题,提出一种联合感知矩阵优化的穿墙MIMO阵列稀疏成像方法。该方法首先依据配置指标将阵元配置为两端发中间收和分时复用的模式,既能使感知矩阵的相干系数最小,又能获得均匀而不冗余的等效虚拟阵元;然后,从中选取部分能够满足感知矩阵相干系数最小的虚拟阵元组合,使用可分离逼近结构稀疏恢复算法充分考虑扩展目标信号的结构稀疏先验信息对其进行稀疏成像重构;最后,选取成像性能指标较好的一组作为成像结果。仿真和实验结果表明,该方法降低了运算量和虚拟阵元间的干扰,节约了硬件成本,提高了算法的稀疏重构性能,获得了高分辨的穿墙扩展目标成像。     

稀疏线性调频步进信号ISAR成像观测矩阵自适应优化方法

基于压缩感知(CS)理论的稀疏线性调频步进信号(SFCS)逆合成孔径雷达(ISAR)成像技术能够从少量观测数据中高概率重构出目标像,其中,观测矩阵的优化设计是提高成像质量和减少观测数据量的有效途径。然而,现有的观测矩阵优化设计研究通常没有考虑目标特征信息的有效利用,对目标的自适应能力不足。因此,该文在充分利用目标特征信息的基础上,结合稀疏SFCS信号的实际物理观测过程,提出一种ISAR成像观测矩阵自适应优化方法。该方法首先建立参数化稀疏表征成像模型以解决稀疏SFCS信号多普勒敏感问题,在此基础上,以在达到成像质量要求条件下使用最少观测数据量获得最优成像结果为目标对观测矩阵进行自适应优化设计,最终能够利用最少的数据量获得满意的目标成像结果。仿真实验验证了该算法的有效性。     

压缩感知及其应用:从稀疏约束到低秩约束优化

压缩感知（或称压缩采样）是国际上近期出现的一种信息理论。其核心思想是只要某高维信号是可压缩的或在某个变换域上具有稀疏性,就可以用一个与变换基不相关的测量矩阵将该信号投影到一个低维空间上,然后通过求解一个最优化问题以较高的概率从这些少量的投影中重构出原始信号。压缩感知理论突破了香农定理对信号采样频率的限制,能够以较少的采样资源,较高的采样速度和较低的软硬件复杂度获得原始信号的测量值。该理论已经被广泛应用于数字相机、医学成像、遥感成像、地震勘探、多媒体混合编码、通讯、结构健康监测等领域。本文归纳了压缩感知研究中的关键问题,探讨压缩感知从稀疏约束到低秩约束优化的发展历程,对压缩感知在遥感、地震勘探等几个相关领域的应用研究进行了综述。      

Reconstruction of Complex Sparse Signals in Compressed Sensing with Real Sensing Matrices

The existing greedy algorithms for the reconstruction in compressed sensing were designed no matter which type the original sparse signals and sensing matrices have, real or complex. The reconstruction algorithms definitely apply to real sensing matrices and complex sparse signals, but they are not customized to this situation so that we could improve those algorithms further. In this paper, we elaborate on the compressed sensing with real sensing matrices when the original sparse signals are complex. We propose two reconstruction algorithms by modifying the orthogonal matching pursuit to include some procedures specialized to this setting. It is shown via analysis and simulation that the proposed algorithms have better reconstruction success probability than conventional reconstruction algorithms.

     

基于代理函数优化的稀疏性字典学习

稀疏性字典学习是指对在某个已知的基字典上具有稀疏表示的字典的学习.论文利用块松弛思想,将稀疏性字典学习问题转化为字典和系数的分别优化问题,利用代理函数优化方法分别对固定字典和固定系数情况下的目标函数进行优化处理,得到固定字典情况下的系数更新算法和固定系数情况下的字典更新算法,进而得到稀疏性字典学习算法.理论分析说明了本...     

基于混沌压缩感知的稀疏时变信号在线估计

混沌压缩感知是一种利用混沌系统实现非线性测量的压缩感知理论。针对稀疏时变信号的混沌压缩感知,该文提出稀疏时变信号的在线估计架构,构建一种递归最小二乘准则下的稀疏约束目标函数;通过利用迭代加权非线性最小二乘算法求解目标函数最小化问题,实现稀疏时变信号的参数估计。以Henon混沌系统为例仿真分析了频域时变稀疏信号的估计性能,数值模拟证明了该方法的有效性。     

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.     

基于优化字典学习的遥感图像融合方法

为提升全色图像和多光谱图像的融合效果,该文提出基于优化字典学习的遥感图像融合方法。首先将经典图像库中的图像分块作为训练样本,对其进行K均值聚类,根据聚类结果适度裁减数量较多且相似度较高的图像块,减少训练样本个数。接着对裁减后的训练样本进行训练,得到通用性字典,并标记出相似字典原子和较少使用的字典原子。然后用与原稀疏模型差异最大的全色图像块规范化后替换相似字典原子和较少使用的字典原子,得到自适应字典。使用自适应字典对多光谱图像经IHS变换后获取的亮度分量和源全色图像进行稀疏表示,把每一个图像块稀疏系数中的模极大值系数分离,得到极大值稀疏系数,将剩下的稀疏系数称为剩余稀疏系数。针对极大值稀疏系数和剩余稀疏系数分别选择不同的融合规则进行融合,以保留更多的光谱信息和空间细节信息,最后进行IHS逆变换获得融合图像。实验结果表明,与传统方法相比所提方法得到的融合图像主观视觉效果较好,且客观评价指标更优。     

基于稀疏稠密结构表示与在线鲁棒字典学习的视觉跟踪

L1跟踪对适度的遮挡具有鲁棒性,但是存在速度慢和易产生模型漂移的不足。为了解决上述两个问题,该文首先提出一种基于稀疏稠密结构的鲁棒表示模型。该模型对目标模板系数和小模板系数分别进行L2范数和L1范数正则化增强了对离群模板的鲁棒性。为了提高目标跟踪速度,基于块坐标优化原理,用岭回归和软阈值操作建立了该模型的快速算法。其次,为降低模型漂移的发生,该文提出一种在线鲁棒的字典学习算法用于模板更新。在粒子滤波框架下,用该表示模型和字典学习算法实现了鲁棒快速的跟踪方法。在多个具有挑战性的图像序列上的实验结果表明：与现有跟踪方法相比,所提跟踪方法具有较优的跟踪性能。     

基于Gabor特征和字典学习的高斯混合稀疏表示图像识别

为了克服图像识别中光照,姿态等变化带来的识别困难,同时提高稀疏表示图像识别的鲁棒性,本文提出了一种基于Gabor特征和字典学习的高斯混合稀疏表示图像识别算法.高斯混合稀疏表示是基于最大似然估计准则,将稀疏保真度表示为余项的最大似然函数,最终识别问题转化为求解加权范数的优化逼近问题.本文算法首先提取图像的Gabor特征;然后对Gabor特征集进行字典学习,由于在学习过程中引入了Fisher准则作为约束,学习得到具有类别标签的新字典;最后使用高斯混合稀疏表示识别方法进行分类识别.在3个公开数据库(人脸数据库AR库和FERET库以及USPS手写数字库)上的实验结果验证了该算法的有效性和鲁棒性.     

基于混合稀疏基字典学习的微波辐射图像重构方法

目前的微波辐射测量成像系统在一次观测中所采集的数据量大,基于奈奎斯特空间采样及常规微波辐射图像重构方法难以实现高分辨率要求。该文针对微波辐射干涉测量在频域中进行,采用傅里叶最优随机抽取的超稀疏干涉测量(低于奈奎斯特采样)对微波辐射图像进行线性压缩投影,降低数据采样。考虑微波辐射图像在总体差分域和小波中都具有可压缩特性,提出总体差分和小波混合正交基的K-SVD字典学习微波辐射图像重构模型,利用Bregman和交替迭代算法求解该模型,重构线性压缩投影信息从而获得微波辐射图像。仿真实验表明,该文提出的算法在微波辐射图像重构效果、噪声稳定性上优于DLMRI算法和GradDLRec算法。     

脉冲噪声环境下高斯稀疏信源贝叶斯压缩感知重构

 大多数现有的压缩感知重构算法对脉冲噪声不具有鲁棒性,在脉冲噪声环境下,重构性能急剧下降,使得整个重构系统崩溃.针对此问题,本文提出了一种脉冲噪声环境下的稀疏重构算法BINSR算法,其基于贝叶斯理论,可以有效地估计出信号的支撑集和脉冲噪声中脉冲的位置,并且根据压缩感知观测序列的democracy特性,利用最小均方误差MMSE估计量,有效地估计出原信号.在此基础上,本文结合鲁棒统计学,提出自适应的ABINSR算法,使其不再依赖于信号以及噪声的统计参数.实验结果表明,BINSR算法在脉冲噪声环境下可以有效地恢复出稀疏信号,很大程度上改善了脉冲噪声环境下算法的重构性能.ABINSR算法不仅对脉冲噪声具有鲁棒性,而且可以在高斯白噪声环境下实现有效的信号重构.     

局部感知下的稀疏优化目标跟踪方法

针对传统稀疏表示跟踪算法在复杂背景中易出现跟踪漂移问题,该文提出一种局部感知下的稀疏优化目标跟踪方法。首先,将首帧确定的目标区域进行非重叠均匀分割,并利用目标的全局特征和局部特征联合建模。然后,提出一种局部感知校验方法约束稀疏优化匹配过程,从而确定最优匹配样本。最后,在模板更新中提出一种决策方法对遮挡进行检测,并针对不同遮挡情况采取相应的更新策略,使得更新后的模板集更加完善。实验在10个标准库视频序列中测试,并与目前较流行的目标跟踪算法在跟踪效果、成功率等方面进行比较,实验结果表明,提出的跟踪方法在局部遮挡、目标形变、复杂背景等条件下跟踪准确、适应性强。     

基于稀疏贝叶斯学习的空间紧邻信号DOA估计算法

离格(off-grid)波达方向(DOA)估计解决的是实际DOA和假设网格点的失配问题。对于空间紧邻信号的DOA,稀疏的网格点会导致精度和分辨率的下降,密集的网格点虽然可以提高估计精度却显著增加计算负担。针对此问题,该文提出基于稀疏贝叶斯学习(SBL)的空间紧邻信号DOA估计算法,主要包括3个步骤。首先,通过最大化阵列输出的边缘似然函数,推导了信号在拉普拉斯先验下的新不动点迭代方法,进行超参数的预估计,相比其他经典SBL算法提高了收敛速度;其次,利用新网格插值方法优化网格点集,并二次估计噪声方差和信号功率以分辨空间紧邻信号的DOA;最后,推导了似然函数关于角度的最大化公式以改进离格DOA搜索。仿真表明该算法比其他经典SBL类算法对空间紧邻信号的DOA具有更高的精度和分辨率,同时有计算效率的提升。     

基于稀疏贝叶斯学习的空间紧邻信号DOA估计算法

离格(off-grid)波达方向(DOA)估计解决的是实际DOA和假设网格点的失配问题.对于空间紧邻信号的DOA,稀疏的网格点会导致精度和分辨率的下降,密集的网格点虽然可以提高估计精度却显著增加计算负担.针对此问题,该文提出基于稀疏贝叶斯学习(SBL)的空间紧邻信号DOA估计算法,主要包括3个步骤.首先,通过最大化阵列输出的边缘似然函数,推导了信号在拉普拉斯先验下的新不动点迭代方法,进行超参数的预估计,相比其他经典SBL算法提高了收敛速度;其次,利用新网格插值方法优化网格点集,并二次估计噪声方差和信号功率以分辨空间紧邻信号的DOA;最后,推导了似然函数关于角度的最大化公式以改进离格DOA搜索.仿真表明该算法比其他经典SBL类算法对空间紧邻信号的DOA具有更高的精度和分辨率,同时有计算效率的提升.     

稀疏贝叶斯字典学习空时机动目标参数估计算法

针对基于稀疏恢复的空时自适应处理(STAP)目标参数估计方法中字典失配导致估计性能下降的问题,该文提出一种基于稀疏贝叶斯字典学习的高精度目标参数估计方法。该方法首先通过目标方位信息补偿多个阵元数据构建联合稀疏恢复数据,然后对补偿后的每个阵元数据利用双线性变换进行加速度和速度项分离。最后构建速度参数和加速度参数的泰勒级数动态字典,对机动目标参数进行高精度贝叶斯字典学习稀疏恢复。仿真实验证明,该方法能有效提高字典失配情况下目标参数估计精度,估计性能优于已有字典固定离散化的稀疏恢复空时目标参数估计方法。     

基于贝叶斯稀疏学习的多跳频信号频率跟踪方法

以往的跳频信号参数盲估计方法大多难以适应多个信号同时存在的情况,且需要积累一定数量的样本以后才能从中提取所需要的信息.为了稳定实时地跟踪跳频信号的频率,该文提出一种利用贝叶斯稀疏学习的单/多通道跳频信号频率估计和跳变时刻检测方法来实现多跳频信号频率的实时跟踪.首先建立了多跳频信号的稀疏表示模型,然后介绍了多观测贝叶斯稀疏学习算法及跳变时刻实时检测方法,最后仿真结果验证方法的有效性.