块稀疏水声信道的改进压缩感知估计

压缩感知信道估计可利用信道稀疏特性提高估计性能,但对于具有典型块稀疏分布的水声信道,经典的l₀或l₁范数无法很好地描述块稀疏特性。利用水声信道块稀疏分布规律特性提出一种能够识别块稀疏结构的块稀疏似零范数,并在稀疏恢复信道估计算法中引入块稀疏似零范数约束项,进一步推导了复数域块稀疏似零范数恢复迭代算法,该算法通过对块稀疏似零范数进行梯度下降迭代并将梯度解投影至解空间来获得水声信道的块稀疏似零范数估计。数值仿真和海上水声通信实验结果表明该算法相对经典的稀疏信道估计算法有较明显的性能改善。通过算法推导、仿真和实验可获取结论:利用水声信道的块稀疏特性进行压缩感知重构可有效提高信道估计性能。      

分块稀疏信号1-bit压缩感知重建方法

1-bit压缩感知理论指出:对稀疏信号进行少量线性投影并对投影信号进行1-bit量化,该1-bit信号包含足够的信息,从而能对原始信号进行高精度重建.然而,当信号难以进行稀疏表达时,传统1-bit压缩感知算法无法精确重建原始信号.前期研究表明,分块稀疏模型作为一种特殊的结构型稀疏模型,对于难以用传统稀疏模型进行表达的信号具有较好的表达作用.本文提出了一种针对分块稀疏信号的1-bit压缩感知重建方法,该方法利用分块稀疏的统计特性对信号进行数学建模,通过变分贝叶斯推断方法进行信号重建并在光电容积脉搏波(photoplethysmography)信号上进行了实验验证.实验结果表明,与现有1-bit压缩感知重建方法相比,本文方法重建精度更高,且收敛速度更快.     

稀疏贝叶斯学习远近场混合源定位方法

针对远、近场混合源定位,提出一种基于稀疏重构理论框架的远、近场混合源分离和定位算法。该算法充分考虑平面波导向矢量和球面波导向矢量的相关特性,利用远、近场声源在阵列上的响应机理的差异,针对远、近场区域分别构造过完备字典,采用多测量矢量模型下的稀疏贝叶斯学习算法重构远近场混合源的空间谱,同时完成远近场混合源的分离和定位。本文算法可以在半波长间距布放的线列阵下对混合源进行定位,适用于高斯和非高斯信号,且无需信源数和噪声功率等先验信息,并具有较高的分辨力和定位精度·计算机仿真结果验证了算法的有效性。      

基于稀疏重构的空间邻近目标红外单帧图像超分辨方法

针对现有算法难以利用单帧红外图像实现空间邻近目标(CSO)的超分辨问题,提出了一种基于稀疏重构理论的单帧超分辨方法。该方法充分利用了目标在焦平面阵列(FPA)分布的稀疏性以及光学系统点扩展函数(PSF)的结构特性,通过对FPA离散化网格采样构造稀疏量测模型,并将建立的1范数正则化问题转化为二阶锥规划问题求解;然后针对稀疏度过估计的重构结果,采用贝叶斯信息准则(BIC)实现模型选择,最终获得对目标个数和位置的准确估计。多组仿真场景验证了算法的有效性和超分辨能力;相比于已有算法,所提算法不仅提高了分辨正确率和位置估计精度,同时大幅缩减了计算耗时。     

基于块稀疏学习的光谱基线校正方法

光谱数据在采集过程中易发生基线偏移现象,导致后续的鉴别和分析结果偏离真实值。因此,在光谱数据分析前,需利用基线校正技术获取更为准确的光谱数据。基于稀疏贝叶斯学习（SBL）的基线校正方法无需人工选择参数,基线校正结果在贝叶斯框架下具有最优性。然而,现有的稀疏贝叶斯建模较为简单,无法适用于复杂的稀疏结构。在实际应用中,当纯谱的某些谱峰较宽时,对应的稀疏向量将具有一定的块稀疏特性。利用额外的块稀疏结构,有助于进一步提升SBL方法的性能。为了建模稀疏向量的块稀疏结构特性,在原有的贝叶斯模型框架中引入模式耦合分层模型。得益于稀疏贝叶斯框架固有的学习能力,引入的模式耦合分层模型可自适应地学习稀疏向量的块稀疏结构,从而大幅提升了基于SBL的基线校正方法的性能。为验证本文方法的基线校正性能,首先利用模拟数据集进行仿真实验,并将该方法与SSFBCSP方法和SBL-BC方法在不同噪声方差条件下进行对比。仿真实验结果表明,该方法恢复谱峰较宽纯谱的效果提升明显,特别是当噪声方差较大时,其他方法的性能均有不同程度的下降,但该方法依然具有较好的稳定性。蒙特卡罗仿真实验结果也显示该方法纯谱拟合的标准化均方根误差明显优于其他对比方法。最后,利用色谱数据集与三种矿物的拉曼光谱数据集进行实测数据的基线校正性能验证,结果表明该方法能产生比其他方法更为平滑的纯谱拟合结果,且去噪效果更优。     

一种利用分布式传声器阵列的声源三维定位方法

为了提高噪声和混响条件下分布式传声器阵列进行声源定位的性能,提出一种利用空间稀疏性和压缩感知原理的声源三维定位方法。该方法首先通过两次离散余弦变换方式提取出声音信号特征,并用该特征来构建稀疏定位模型,以便能够综合利用语音信号的短时和长时特性,同时降低模型维数;然后利用在线字典学习技术动态调整字典,克服稀疏模型与实际信号之间的失配问题,增强稀疏定位模型的鲁棒性;进而提出一种改进的平滑l₀范数稀疏重构算法来进行声源位置解算,以提高低信噪比条件下的重构精度。仿真结果表明该方法不仅可以实现多目标定位,而且具有较强的抗噪声和抗混响能力.      

一种强噪声背景下微弱超声信号提取方法研究

为解决在强噪声背景下获取超声信号的难题,基于粒子群优化算法和稀疏分解理论提出一种强噪声背景下微弱超声信号提取方法.该方法将降噪问题转换为在无穷大参数集上对函数进行优化的问题,首先以稀疏分解理论和超声信号的结构特点为依据构建了粒子群优化算法运行所需要的目标函数及去噪后信号的重构函数,从而将粒子群优化算法和超声信号降噪联系在一起;然后根据粒子群优化算法可以在连续参数空间寻优的特点建立了用于匹配超声信号的连续超完备字典,并采用改进的自适应粒子群优化算法在该字典中对目标函数进行优化;最后根据对目标函数在字典上的优化结果确定最优原子,并利用最优原子按照重构函数重构出降噪后的超声信号.通过对仿真超声信号和实测超声信号的处理,结果表明本文提出的方法可以有效提取信噪比低至-4 dB的强噪声背景下的微弱超声信号,且和基于自适应阈值的小波方法相比本文方法表现出更好的降噪性能.     

一种面向信息带宽的频谱感知方法研究

本文利用频带宽度先验信息,提出一种面向信息带宽的自适应调制宽带转换器结构.该结构的总采样率为信号信息带宽的四倍,远小于信号的奈奎斯特采样频率,从而更有效利用采样资源,降低采样数据量,提高处理实时性.通过对该结构中随机波形函数周期的选择,可以实现对系统采样率和系统物理实现复杂度的权衡取舍,从而适应不同场合中的应用.本文通过理论分析给出了该结构实现信号精确重构的充分条件.引入多重信号分类算法,分析了该结构适用此算法的充分条件.本文通过仿真实验对上述分析进行了有效性验证.该系统可以应用于隐形装备的吸波材料的前端特性分析、认知无线电的频谱感知.     

字典学习稀疏表示的高光谱图像异常检测

针对稀疏表示高光谱检测算法性能受背景字典影响较大的问题,充分利用高光谱图像空间信息和光谱主成分信息,提出了一种基于字典学习的稀疏表示异常检测算法。首先利用主成分分析提取高光谱数据的主特征,建立目标主成分空间,并证明了在主成分空间进行字典学习稀疏重构的可行性;然后在主成分空间内构造基于K-SVD算法的训练字典,改善了背景字典性能;采用正交匹配算法重构主成分分量,利用主成分分析反变换得到待检测像元重构光谱,增强了高光谱图像的局部异常特性;最后,基于重构误差异常特性实现高光谱图像异常检测。仿真结果证明了该方法的有效性。     

合成孔径压缩感知超声成像中的高效能稀疏字典设计

针对目前常见的稀疏字典缺乏针对性,在合成孔径医学超声成像中的应用效果不佳,难以在低压缩率下保证重构图像质量的问题,本文设计了一种高效能的稀疏字典。根据超声回波信号是由发射脉冲信号经过不同延时衰减后叠加的特点,利用发射脉冲作为基函数构造稀疏字典,回波信号在该稀疏字典确定的变换域中具备很好的稀疏性,理论上能使其稀疏表示系数的稀疏度等于超声阵元接收到的反射回波数。通过FieldⅡ对简单点目标和复杂目标的仿真结果表明:在相同的重构算法和压缩率下该稀疏字典重构的平均绝对误差明显小于常见的稀疏字典,其值仅为DWT的几分之一,DFT和DCT的几十分之一,能让回波信号以更低的压缩率实现相同的恢复效果。本文最后使用体模的实际采集数据对算法的实际效果进行检测,实验结果也与仿真结果基本一致。基于该稀疏字典的压缩感知算法可以进一步减少合成孔径成像所需存储的数据量、降低系统的复杂度。      

Direction-of-arrival estimation for co-located multiple-input multiple-output radar using structural sparsity Bayesian learning

This paper addresses the direction of arrival(DOA) estimation problem for the co-located multiple-input multipleoutput(MIMO) radar with random arrays. The spatially distributed sparsity of the targets in the background makes compressive sensing(CS) desirable for DOA estimation. A spatial CS framework is presented, which links the DOA estimation problem to support recovery from a known over-complete dictionary. A modified statistical model is developed to accurately represent the intra-block correlation of the received signal. A structural sparsity Bayesian learning algorithm is proposed for the sparse recovery problem. The proposed algorithm, which exploits intra-signal correlation, is capable being applied to limited data support and low signal-to-noise ratio(SNR) scene. Furthermore, the proposed algorithm has less computation load compared to the classical Bayesian algorithm. Simulation results show that the proposed algorithm has a more accurate DOA estimation than the traditional multiple signal classification(MUSIC) algorithm and other CS recovery algorithms.     

面向低信噪比的自适应压缩感知方法

在压缩感知工程应用中, 信号往往被噪声和干扰所影响, 常规的压缩感知方法难以达到理想的重构效果, 特别是低信噪比应用场景中, 稀疏重构往往会失效. 分析了压缩感知中噪声对重构性能的影响, 从理论上解释了压缩感知中的噪声折叠原理, 并在此基础上提出了一种基于方向性测量的自适应压缩感知方案. 该方案通过后端信号处理系统估计出噪声的相关信息并反馈至压缩感知前端, 前端根据反馈的噪声信息调整测量矩阵, 从而改变感知矩阵的方向, 自适应地感知稀疏谱, 从而有效地抑制信号噪声. 仿真实验表明, 所提的自适应压缩感知方法对稀疏信号重构性能有较大的提升.     

Three-dimensional sound source localization using distributed microphone arrays

To improve the performance of sound source localization based on distributed microphone arrays in noisy and reverberant environments,a sound source localization method was proposed.This method exploited the inherent spatial sparsity to convert the localization problem into a sparse recovery problem based on the compressive sensing(CS) theory.In this method two-step discrete cosine transform(DCT)-based feature extraction was utilized to cover both short-time and long-time properties of the signal and reduce the dimensions of the sparse model.Moreover,an online dictionary learning(DL) method was used to dynamically adjust the dictionary for matching the changes of audio signals,and then the sparse solution could better represent location estimations.In addition,we proposed an improved approximate l_0norm minimization algorithm to enhance reconstruction performance for sparse signals in low signal-noise ratio(SNR).The effectiveness of the proposed scheme is demonstrated by simulation results where the locations of multiple sources can be obtained in the noisy and reverberant conditions.     

Photoacoustic image reconstruction based on Bayesian compressive sensing algorithm

The photoacoustic tomography (PAT) method, based on compressive sensing (CS) theory, requires that, for the CS reconstruction, the desired image should have a sparse representation in a known transform domain. However, the sparsity of photoacoustic signals is destroyed because noises always exist. Therefore, the original sparse signal cannot be effectively recovered using the general reconstruction algorithm. In this study, Bayesian compressive sensing (BCS) is employed to obtain highly sparse representations of photoacoustic images based on a set of noisy CS measurements. Results of simulation demonstrate that the BCS-reconstructed image can achieve superior performance than other state-of-the-art CS-reconstruction algorithms.     

基于稀疏贝叶斯学习的复杂网络拓扑估计

提出了一种噪声环境下复杂网络拓扑估计方法, 仅利用含噪时间序列估计未知结构混沌系统的动力学方程和参数, 以及由混沌系统组成的复杂网络的拓扑结构、节点动力学方程、所有参数、 节点间耦合方向和耦合强度.通过采用动力学方程的统一形式, 将动力系统方程结构和参数估计看成线性回归问题的系数估计, 该估计问题利用贝叶斯压缩传感的信号重建算法求解, 含噪信号的模型重建使用相关向量机方法,即通过稀疏贝叶斯学习求解稀疏欠定线性方程得到上面提到的可估计对象.以单个Lorenz系统及由200个 Lorenz系统组成的无标度网络为例说明方法的有效性. 仿真结果表明,提出的方法对噪声有很强的鲁棒性,收敛速度快,稳态误差极小, 克服了最小二乘估计方法收敛速度慢、 稳态误差大以及压缩传感估计方法对噪声鲁棒性不强的缺点.     

基于回溯筛选的稀疏重构时延估计算法

针对无线定位中时延估计在小样本(单快拍)、低信噪比条件下需要大量独立分布测量数据问题,提出了一种基于回溯筛选的稀疏重构时延估计算法,实现了单快拍、低信噪比条件下接收信号的精确时延估计.该算法首先建立接收信号的稀疏表示模型,然后基于该模型建立正交观测矩阵,最后在重构算法中引入回溯筛选思想,利用时延与观测矩阵之间的一一对应关系得到时延的无偏估计.对该模型下时延估计的克拉美罗界进行了推导.仿真分析表明,所提方法在单快拍、低信噪比条件下精度远高于求根多重信号分类算法,相比于正交匹配追踪算法,在较小的复杂度代价下性能得到了较大提升.     

基于改进的分块压缩感知红外图像重建

针对基于压缩感知理论的红外图像重建问题,提出一种基于改进的分块压缩感知红外图像重建方法。该方法首先对原始红外图像进行分块,并对每个子块用相同的观测矩阵进行随机观测,获得少量的观测数据;然后利用谱图小波变换优异的稀疏特性,将其引入平滑投影Landweber算法进行迭代优化重建,同时采用混合中值滤波进行处理以增加图像的平滑度和减少块伪影,最后输出满足要求的高质量红外图像。实验结果表明,在相同采样率下,该方法对于不同类型红外图像的重建性能均优于目前广为采用的一些小波压缩感知方法,可获得更高质量的红外图像。