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。     

混沌模拟信息转换基于多射法的稀疏信号重构

混沌压缩采样是应用混沌系统实现非线性测量的压缩采样理论。该文研究模拟信号的混沌压缩采样-混沌模拟信息转换。该转换通过稀疏信号激励混沌系统,低速采样系统输出实现;信号重构则以混沌系统参数估计理论为基础,通过稀疏正则化的非线性最小二乘问题进行求解。该文将多射法(MS)与迭代再加权非线性最小二乘算法(IRNLS)结合,给出混沌模拟信息转换的MS-IRNLS信号重构算法。文中以Lorenz系统为例,仿真验证了MS- IRNLS算法的重构性能,结果表明方法的有效性。     

混沌调制模信转换实验研究

混沌压缩感知是一种采用混沌系统实现随机测量,利用稀疏正则非线性最优化技术实现信号重构的非线性压缩感知理论;具有实现结构简单,测量数据保密性强等特点。混沌调制是一种基于混沌压缩感知理论的模拟信息转换方法,该方法将待采样信号调制到混沌系统的参数上,通过低速采样混沌系统状态输出实现压缩采样。本文设计了一个基于Lorenz系统的混沌调制实验系统,测试了实验系统对不同稀疏度的频率稀疏信号的重构性能,实验结果验证了混沌调制模信转换的可实现性。      

分块压缩感知的全变差正则化重构算法

针对分块压缩感知(BCS)重建图像质量较差问题,该文提出一种最小化l₀范数的分块压缩感知全变差(TV)正则化迭代阈值图像重构算法(BCS-TVIT)。BCS-TVIT算法考虑图像的局部平滑、有界变差等性质,将最小化l₀范数与图像的全变差TV正则项结合,构建目标函数。针对目标函数中l₀范数项和分块测量约束项无法直接优化问题,采用迭代阈值法使重构图像l₀范数最小化,并通过凸集投影保证满足约束条件,完成了目标函数的优化求解。实验表明,与基于l₀范数最小化的分块压缩感知平滑投影算法(BCS-SPL)相比,BCS-TVIT算法重构图像峰值信噪比提高2 dB,能消除BCS-SPL的“亮斑”效应,且在视觉效果上明显优于BCS-SPL算法;与最小全变差算法相比,BCS-TVIT算法重构图像峰值信噪比提升1 dB,且能降低重构时间约2个数量级。     

压缩感知理论与非凸优化方法研究

针对某些信号带宽较宽导致难以直接采样的问题,压缩感知理论提供了一种可行的低速采样方法。信号在特定变换域中拥有稀疏表示,通过低速采样得到少量的投影值,已经包含了重构所需的重要信息。利用压缩感知理论从投影值中重构出稀疏向量,进而重建原信号。同时介绍一种基于非凸优化的压缩感知重构算法。相比L1范数的凸优化和无稀疏约束的L2范数,非凸优化的Lp范数拥有对稀疏性更强的约束。实验结果表明,使用压缩感知理论可以显著降低对信号的采样速率,而使用非凸优化算法可以取得更好的重构效果。     

脉冲噪声环境下基于洛伦兹范数软阈值迭代的压缩感知算法

观测值受脉冲噪声干扰情况下,传统的压缩感知算法基本失效,基于洛伦兹范数的硬阈值迭代(LIHT)算法是有效途径,但是硬阈值迭代过程会误判信号支撑集,随着脉冲数目增加,算法性能明显下降。针对这一问题,提出了一种基于洛伦兹范数的软阈值迭代(LIST)压缩感知重构算法。利用洛伦兹范数有效约束脉冲噪声,引入信号稀疏度度量函数,采用梯度下降法降低重构信号的稀疏度,实现软阈值迭代,并通过拟牛顿法求解该模型,加快算法收敛,运算量与其他算法是同一数量级,数值仿真表明,重构信噪比优于LIHT算法。     

基于改进反余切函数的近似L0范数的重构算法

重构算法是压缩感知理论应用于实际的关键。其中 ,近似L0范数算法是通过选取一个 连续的平滑函数近似逼近L0范数,从而将离散的最小化L0范数问题转为平滑函数求最优值问 题。针对现有算法精度不高的缺点,采用了一种逼近程度更高的改进反余切函数族来近 似L0范数,并采用修正阻尼牛顿法求解。该算法结合了近似零范数算法的高收敛性和牛顿法 的高效寻优,获得了精度较高的重构信号。仿真实验表明,在不同压缩比下,该算法在一维 信号重建和二维图像重建的过程中,较SL0算法、NSL0算法和AL0算法的信噪比和重构精度都 有了较大的提升,提高了同等条件下信号恢复的质量,有效地改善了重建效果。     

基于压缩感知的通信信号频谱检测方法

频谱感知是无线通信网络中提高频谱利用率的关键。针对现有通信信号频谱检测方法抗噪性低的问题,文中提出一种基于压缩感知的频谱检测方法。该方法首先利用压缩感知理论对通信信号的宽频带进行稀疏采样,其次采用改进的平滑范数重构算法对信号循环谱进行重构,提高了信号循环谱的重构性能,最后在循环谱域实现频谱检测。仿真实验结果表明,改进的平滑范数重构算法对信号的重构精度优于正交匹配追踪算法,压缩感知信号频谱检测算法的抗噪性优于传统能量检测算法。     

基于基追踪-Moore-Penrose逆矩阵算法的稀疏信号重构

压缩感知(Compressed Sensing, CS)稀疏信号重构其本质就是在稀疏约束条件下求解欠定线性方程组,基于迭代加权Lp(001,p=2)类范数算法减小重构误差成为近来稀疏信号重构热点之一。该文提出了基追踪- Moore-Penrose逆矩阵(Basis Pursuit-Moore-Penrose Inverse Matrix, BP-MPIM)算法：(1)由基追踪(Basis Pursuit, BP)算法得到稀疏信号非零元素位置(亦称支撑集,对应于测量矩阵的列);(2)通过求解由支撑集所对应测量矩阵的子矩阵和CS测量值组成的超定线性方程组实现稀疏信号重构,并证明了由此重构的稀疏信号是其唯一最小二次范数解。仿真的稀疏信号和实测宽带雷达回波信号脉冲压缩结果表明,和原来算法相比,新算法具有更小的重构误差,且误差只存在于其支撑集内。     

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。     

基于块稀疏贝叶斯学习的雷达目标压缩感知(英文)

高速采样和传输是目前雷达系统面临的一个重要挑战。针对这一问题,该文提出一种利用信号块结构特性的雷达目标压缩感知方法。该方法采用一个简单的测量矩阵对信号进行采样,然后运用块稀疏贝叶斯学习算法恢复信号。经典的块稀疏贝叶斯学习算法适用于实信号,该文将其扩为可直接处理雷达信号的复数域稀疏贝叶斯算法。相对于现有压缩感知方法,该方法不仅具有更好的信号重构精度和鲁棒性,更重要的是其压缩测量矩阵形式简单、易于硬件实现。数值仿真实验结果验证了该方法的有效性。      

基于改进粒子群算法的压缩感知

在稀疏信号处理中,压缩感知能够用较低的采样频率对稀疏信号进行压缩采样,而信号重建的问题则可归结为一个最优化问题,并可采用粒子群算法进行求解。针对压缩感知问题,本文对传统的粒子群算法进行了深入的分析和改进,得到了粒子数目的下界,并提出了三维环形邻域结构和多群协作机制,依此建立了有效的感知压缩重建方法,且将其应用于二维稀疏信号的重建。最后,本文通过在模拟和真实数据上实验结果验证了这种新型感知压缩方法的有效性和优越性。      

用概率推导和加权迭代L1范数实现信号重构

在对信号稀疏性统计分析的基础上,将具有稀疏描述能力的拉普拉斯分布用于描述信号的先验分布,基于贝叶斯法,利用信号采样值、拉普拉斯先验分布和高斯似然模型,推导信号的后验概率密度估计;最后将最大后验概率(MAP)估计过程转化为加权迭代L1范数的最小化问题。在求解过程中,与非加权的L1范数法进行对比表明,信号重构性能明显提高;通过实验计算,详细讨论了其中一些参数的取值原则和范围;针对稀疏度不同的信号,随着信号非零点数的增加,本文算法重构结果明显优于基追踪(BP)和(OMP)法;与同类的IRL1算法相比较,本文算法更具普遍性和理论意义。     

一种基于小波分解和压缩感知的冲击声学无损检测方法

压缩感知理论对稀疏信号的采样与重构十分有效,该文将对携带信息量少的冲击声信号利用压缩感知理论进行采样,提出一种基于小波分解和压缩感知的冲击声学无损检测方法。首先,对冲击声信号进行小波分解构建观测矩阵,求解l1最优化问题,完成类别的稀疏表示,然后对表示误差进行分类,得到检测结果。仿真及实验结果表明,该方法实用有效,其检测系统性能稳定,在信噪比3 dB时可达到90%以上的正确率。     

基于改进正交匹配追踪的FBG传感信号处理方法

针对光纤布拉格光栅(FBG)传感信号易受外界噪声干扰从而导致信号丢失的问题,提出了一种改进型正交匹配追踪(OMP)算法。围绕FBG传感信号波长随应力漂移的本质特征,在压缩感知理论的框架下,通过去除稀疏系数中的虚部,并利用指数饱和法对非零元素进行拟合与排序,从而获取FBG信号的有效稀疏度。在此基础上,通过改进经典OMP算法迭代过程中的原子选择策略与终止条件,有效降低算法复杂度并提高信号的重构精度。对比实验结果表明,所提出的算法在时间复杂度、信噪比与信号重构精度等方面均具有突出的优势。     

A NEURAL-BASED NONLINEAR L_1-NORM OPTIMIZATION ALGORITHM FOR DIAGNOSIS OF NETWORKS*

Based on exact penalty function, a new neural network for solving the L1-norm optimization problem is proposed. In comparison with Kennedy and Chua's network(1988), it has better properties.Based on Bandler's fault location method(1982), a new nonlinearly constrained L1-norm problem is developed. It can be solved with less computing time through only one optimization processing. The proposed neural network can be used to solve the analog diagnosis L1 problem. The validity of the proposed neural networks and the fault location L1 method are illustrated by extensive computer simulations.