基于贝叶斯匹配追踪的SAR图像重构

结合稀疏贝叶斯学习和压缩感知(CS)理论,提出了一种基于贝叶斯匹配追踪的SAR图像重构的新方法。该方法将SAR图像的重构过程看做是一个线性回归问题,而待重建的图像是该回归模型中的未知权值参数。利用高斯混合参数对未知权值参数赋予确定的先验条件概率分布,用于限制权值参数的稀疏性。该方法能够得到重建图像所需要的一组具有较高后验概率密度的模型,从而实现图像在最小均方误差(MMSE)意义下的重构;对于高斯混合模型中参数未知的情况,可以采用基于EM的最大似然估计方法估计。实验结果表明,基于贝叶斯匹配追踪的SAR图像重构方法能够获得精确的重建图像,并且能够有效地保持图像的细节特征。     

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.     

快速稀疏分解在雷达目标识别中的应用

高分辨距离像目标识别算法很多,但利用高分辨距离像(HRRP)稀疏特点进行识别的方法却不多。为此,提出一种基于结构划分过完备字典完成雷达一维距离像稀疏分解,进而实现目标识别的算法。该算法首先依据字典原子的结构特点对其进行划分,简化字典表述的同时减少了原子数据存储量;随后,采用遗传匹配追踪算法(GAMP)对一维距离像训练样本进行稀疏分解以获得类别字典;最后,根据类别字典分析测试样本的重构误差实现目标识别。仿真实验证明,文中算法简洁、识别率高,即便受到噪声干扰依然能稳健地识别目标。     

基于压缩感知的自适应稀疏子脉冲成像方法

基于空中运动目标回波信号的稀疏特性,提出了一种基于压缩感知（CS）的线性调频步进信号（SFCS）稀疏子脉冲自适应高分辨雷达成像方法。在对目标进行稀疏成像时,根据目标回波稀疏特性与发射信号子脉冲数之间的关系,建立相应的稀疏子脉冲动态闭环反馈系统,实现发射信号子脉冲数量的自适应调整;结合各脉冲簇中子脉冲的稀疏情况,建立相应的部分逆傅里叶变换基矩阵,并利用正交匹配追踪（OMP）算法对目标高分辨距离像（HRRP）进行重构处理,进而实现对目标的高分辨成像。仿真结果验证了该方法的有效性。     

基于稀疏重构的前视声纳成像方法

基于稀疏重构的DOA估计算法可以通过加强表示稀疏性而获得更高分辨的空间谱估计,有助于实现相邻目标的区分,本文提出一种在每个距离上稀疏重构的声纳成像方法。该方法利用声纳成像中目标本身具有的稀疏性,以及稀疏重构算法中的范数约束,来获得更高的分辨率以最终实现成像效果的改善。在仿真和水池实验中,将l1-SVD和SpSF稀疏重构算法与传统方位估计方法 MUSIC、CBF、SFW-L21、NN-SpSF进行性能对比,实验结果表明l1-SVD算法和SpSF算法成像优于传统方法,有较窄的主瓣和较低的旁瓣,且对背景噪声有一定的抑制效果。同时,对2个相邻很近的目标,也可较好地区分出来,表明本文算法具有较高的分辨率。     

压缩感知图像重构中矩阵互相关性的研究

从测量矩阵和稀疏矩阵的互相关性角度出发,通过对测量矩阵和稀疏矩阵所构成的Gram矩阵进行门限选择,进而经过相应的缩放处理降低互相关性,这样不仅可以获取更多有信息量的测量值,而且可以完成对测量矩阵的优化改进.通过在DWT、DCT下的压缩感知图像重构实验验证了该方法的可行性,恢复效果得到一定程度的提高,相比于传统的小波恢复重构,达到了预期的效果.     

基于稀疏与低秩的核磁共振图像重构算法

已有的基于压缩感知的核磁共振图像重构算法仅利用了数据的稀疏性或矩阵的低秩性,并没有充分利用图像数据的相关性先验知识.针对这一问题,提出了一种新型的应用于二维核磁共振图像重建的算法模型.与传统的单一利用原始数据的稀疏性或矩阵低秩性进行重建的方法不同,该方法同时利用了图像数据的稀疏性与矩阵的低秩性.矩阵低秩部分使用应用赤池信息量准则的奇异值分解阈值方法,数据稀疏部分使用全变分作为稀疏变换基.实验结果表明,该方法在相同的采样率下与应用赤池信息量准则的奇异值分解阈值方法、全变分方法和奇异值分解阈值方法相比大大提升了重建图像的质量.     

基于稀疏表示和近邻嵌入的图像超分辨率重构

提出基于稀疏表示和近邻嵌入的单帧图像超分辨率重构算法;为低分辨率和高分辨率图像块训练两个基于稀疏表示的过完备字典,在训练的低分辨率图像块和高分辨率图像块中分别选取与这两个字典原子最近的图像块近邻,通过图像块近邻来计算构图像块的权重;一旦得到权重矩阵,高分辨率重构图像块可以由低分辨率图像块与相应权重相乘来表示;与之前的算法相比,所提出的算法在计算字典原子与图像块距离的时候不是逐个图像块进行计算,而是先将图像块聚类,计算字典原子与类中心的距离,在距离最近的一类中选取图像块;计算权重矩阵的时间可以大大减少,提高计算效率;所得到的PSNR与其它算法相比,也有一定提高。     

基于分离字典构造的快速压缩感知重构算法

针对当前压缩感知重构算法存在重构质量偏低、重构时间过长等问题,提出了基于矩阵流形分离字典构造的分块压缩感知重构算法。首先,该算法基于矩阵流形模型训练出可分离稀疏表示矩阵,并对其正交化;其次,构造随机测量矩阵,并利用矩阵运算将其与得到的稀疏表示矩阵进行结合,进而构造出一组分离字典;最后,将该字典用于信号压缩感知中,并通过线性运算实现信号的快速重构。实验结果表明,与当前主流的压缩感知重构算法相比,所提算法在重构精度以及重构时间上都具有一定提升,并在对实时性要求高的领域中具有很好的应用价值。     

基于压缩感知的局部场电位信号重构算法研究

研究局部场电位信号(Local Field Potential,LFP)的重构问题.依据传统的采样定理对LFP信号进行采样,将会产生庞大的数据量,为LFP信号的传输、存储及处理带来巨大压力.为降低LFP信号的采样速率,减少有效的采样样本,提出压缩感知的局部场电位信号重构的新方法.利用LFP信号在变换域上的稀疏性,通过随机高斯测量矩阵将LFP信号重构模型转化为压缩感知理论中的稀疏向量重构模型.仿真结果表明,采样速率为奈奎斯特采样速率的一半即可准确重构LFP信号,且正交匹配追踪(OMP)重建算法要优于基追踪(BP)重建算法;当选用离散余弦矩阵(DCT)作为稀疏表示矩阵时,信号在正交匹配追踪和基追踪两种重构算法下都有很高的重构精度.     

基于证据理论的纠错输出编码解决多类分类问题

针对多类分类问题,利用纠错输出编码作为分解框架,把多类问题转化为多个二类问题加以解决;同时提出一种基于证据理论的解码策略,把每一个二分器的输出作为证据之一进行融合,并讨论在两种编码类型(二元和三元编码矩阵)下证据融合的不同策略.通过实验分别对UCI数据集和3种一维距离像数据集进行测试,并与几种经典的解码方法进行比较,验证了所提出的方法能有效提高纠错输出编码特别是三元编码矩阵的分类正确率.     

结合SVM和DS 证据理论的多极化HRRP 分类研究

针对雷达目标一维距离像(HRRP)识别问题,结合支持向量机(SVM)和 DS 证据理论提出一种多极化HRRP 分类方法—–SDHRRP.该方法通过混淆矩阵获取基分类器之间的距离,从而根据基分类器对不同目标类的分类能力给其赋予不同的可信度.将该可信度值与 SVM 后验概率结合到 DS 证据理论的基本概率赋值(BPA)中,以实现 SVM 和 DS 证据理论在目标识别中的有效结合.对实测目标数据的实验结果表明,基于分类器可信度得到的 BPA 能够有效避免证据冲突, SDHRRP 方法可以有效降低融合分类的误差率.     

基于偏好方向的区间多目标交互进化算法

区间多目标优化问题在实际应用中普遍存在且非常重要.为得到贴合决策者偏好的最满意解,采用边优化边决策的方法,提出一种交互进化算法.该算法通过请求决策者从部分非被支配解中选择一个最差解,提取决策者的偏好方向,基于该偏好方向设计反映候选解逼近性能的测度,将具有相同序值和决策者偏好的候选解排序.将所提方法应用于4个区间2目标优化问题,并与利用偏好多面体解决区间多目标优化问题的进化算法(PPIMOEA)和后验法比较,实验结果验证了所提出方法的有效性和高效性.     

基于Pareto 解集关联与预测的动态多目标进化算法

针对动态多目标优化问题,提出一种基于Pareto解集关联与预测的动态多目标进化算法(LP-DMOEA),设计了基于超块的Pareto解集关联方法.该方法能够动态维护若干描述Pareto解变化规律的时间序列,通过对新环境下的Pareto解集进行预测来生成初始种群.将LP-DMOEA应用于非劣分类遗传算法(NSGA2),并对3类标准测试函数进行了实验,所得结果表明该方法能够有效求解动态优化问题.     

复杂产品供应链质量控制方案递阶决策模型

提出一类供应链质量控制方案递阶决策模型,辅助复杂产品主制造商更好地推广和落实质量控制方案,以实现供应链整体质量的最优改善.首先搭建了一类新型的供应链质量屋分析平台,并将其表征为多目标规划模型,确定最优方案组合;然后,基于复杂产品供应链多层级结构设计质量屋网络,以控制资源为纽带构建多级多目标递阶决策模型,实现了质量控制方案的继承和衔接;最后,针对某型号商用飞机供应链开展案例研究,验证了所提出模型和方法的可行性和有效性.     

基于容许集的变终端约束MPC控制

针对一类输入和状态受约束的离散线性系统,提出一种基于Ⅳ步容许集的变终端约束集模型预测控制方法.首先给出多面体不变集序列作为终端约束集的离线模型预测控制算法,扩大了终端约束集.为进一步扩大初始状态可镇定区域,引入N步容许集,设计了基于容许集的变终端约束集模型预测控制方法.该算法采用离线设计、在线优化方法,实现了系统渐近稳定,不仅降低了在线运算量,而且扩大了初始状态可镇定区域.仿真结果表明了算法的有效性.     

时变周期系统鲁棒重复控制设计

针对一类具有周期不确定性的线性系统,提出基于二维模型的鲁棒改进型重复控制系统设计方法.在改进型重复控制系统中,低通滤波器的嵌入将控制和学习耦合在一起.通过运用“连续提升”方法,建立连续-离散二维模型,获得能够分别优先调节控制和学习的二维反馈控制律.运用 Lyapunov 稳定性理论,推导出系统鲁棒稳定的线性矩阵不等式(LMI)条件,包含在 LMI 中的两个可调参数可以实现对控制和学习的分别优先调节.数值仿真实例验证了所提出方法的有效性.     

基于强跟踪滤波器的MACA-MIE 模型及跟踪算法

结合自适应常加速模型(ACA)、改进输入估计(MIE)和强跟踪滤波器,提出一种新的自适应目标跟踪模型和算法.该算法通过扩展 ACA 模型状态矢量和改进状态噪声协方差调整方法,利用 MIE 和强跟踪滤波器,实现了机动加速度方差和状态预测协方差依据残差信息的实时完全自适应调整,在缺乏目标加速度先验知识的情况下,能够实时高精度跟踪目标突变状态、弱机动和非机动状态.仿真实验表明,相比 ACA 模型和 MIE,该算法具有更好的机动状态和非机动状态跟踪性能.     

通信受限网络控制系统的H∞ 控制

针对一类通信受限的网络控制系统,研究其随机稳定性和 ∞控制问题.考虑到系统存在随机丢包、时延、对数量化和概率传感器故障等因素,提出一种新的网络控制系统模型.基于Lyapunov稳定性理论,得到了系统随机稳定性的充分条件,并利用线性矩阵不等式技术,给出了系统 ∞控制器的设计方法.数值仿真算例验证了所得结论的有效性.     

基于HsMM的系统在线故障预报

针对故障预报中系统剩余寿命难以精确估计的问题,提出基于隐半马尔可夫模型(HsMM)的系统在线故障预报方法.首先重新设计HsMM模型结构,利用模糊c均值聚类(FCM)方法化连续取值的系统输入输出变量为有限集合内取值,简化了建模计算过程.在实现对故障检测的同时,利用模型的状态驻留参数估计系统的剩余寿命,从而实现系统的故障预报.利用连续搅拌反应釜(CSTR)模型进行仿真验证,在输入输出数据含有噪声的情况下,较准确地估计,系统的剩余寿命,从向表明了方法的有效性.