32位稀疏树加法器的设计改进与实现

提出了一种改进进位运算的32位稀疏树加法器。在对现有稀疏树加法器使用的进位运算算子"o"进行深入探讨的基础上,对该算子的表达式做出了适当改进,去除了原算子中进位输入须为0的前提条件,同时保留了原算子适用于稀疏树进位结构的运算特性。采用该改进算子的32位稀疏树加法器可以并行地产生进位输入分别为0和1时的一对"和"输出,并可根据需要选择输出相应的结果。在1.2V130nm典型CMOS工艺条件下,经由HSPICE仿真,改进的32位稀疏树加法器的关键路径延迟为10.8FO4。结果表明,该加法器在运算能力得到扩充的同时,在运算速度方面也具有一定优势。     

基于杂波谱稀疏恢复的空时自适应处理

在机载雷达体制中,空时自适应处理(STAP)可有效抑制杂波并完成动目标检测.但在实际杂波环境中,由于缺乏独立同分布的训练样本,传统STAP算法性能下降严重.针对这一问题,我们利用STAP体制下杂波在角度-多普勒域上的稀疏性,提出基于稀疏恢复的SR-STAP方法,可在少量训练样本下实现高分辨空时杂波谱及相应杂波协方差矩阵...     

一种稀疏树加法器及结构设计

提出了一种稀疏树加法器,该加法器基于并行前缀加法器,以预处理和后处理阶段的面积和延迟换取并行前缀进位阶段的面积和延迟,可针对大多数并行前缀加法器进行改进,在较长操作数相加时可节省面积同时减小关键路径延迟。以几种并行前缀加法器Sldarisky、Brent—Kung、Kogge—Stone和Han—Carlson为例,对他们的面积和延迟进行了理论分析。在本文的最后用硬件描述语言实现了Sklansky加法器。     

基于近似l0范数的稳健稀疏重构算法

针对测量值受噪声污染的稀疏重构问题,本文提出了稳健近似l0范数最小化算法.该算法首先利用反正切函数近似l0范数,然后建立基于近似l0范数的含噪稀疏重构模型,最后通过拟牛顿法求解该模型,并分析了算法的收敛性.数值仿真表明,本文提出的算法重构稀疏向量时需要较少的测量值,且具有较高的计算精度.     

一种基于粒子群优化的稀疏恢复算法

稀疏恢复问题是目前国际数学与信息处理领域的一个研究热点,主要通过凸松弛法和贪婪追踪法两大类方法求解。但前者在恢复效率方面,后者在恢复能力方面都存在缺陷,而且两者都不能对高斯信号在较大的稀疏度下或在较小的观测度下获取有效的恢复。该文基于粒子群优化并结合了贪婪追踪法的思想,提出了一种新的稀疏恢复算法。数值实验表明,与其它方法相比,该文提出的算法不仅能获得更有效的恢复,而且在一般的稀疏度和观测度条件下运行速度较快。     

基于SA-MUSIC理论的联合稀疏恢复STAP算法

基于子空间扩展多重信号分类(SA-MUSIC)理论对杂波空时二维谱进行联合稀疏恢复,实现小样本情况下空时自适应处理(STAP)性能的显著提升.首先,提出空时导向矢量相关性模型,利用该模型分析杂波在空时二维平面上的稀疏本质,解释用部分空时导向矢量近似整个杂波子空间的合理性.其次,提出基于SA-MUSIC理论的联合稀疏恢复STAP算法(SA-MUSIC-STAP),该算法仅需极少训练样本便可实现对杂波协方差矩阵的准确估计,并实现有效的杂波抑制.仿真实验验证了SA-MUSIC-STAP算法的有效性.     

基于贝叶斯压缩感知的复数稀疏信号恢复方法

该文利用复数稀疏信号的时域相互关系提出一种新的稀疏贝叶斯算法(CTSBL)。该算法利用复数信号的实部与虚部分量具有相同的稀疏结构的特点,提升估计信号的稀疏程度。同时将多个测量信号间的内部结构信息引入到了信号恢复中,使原始的多测量稀疏信号恢复问题转变为单测量块稀疏信号恢复问题,使恢复性能得到了提升。理论分析和仿真结果证明,提出的CTSBL算法相较于目前的针对复数信号的多测量矢量贝叶斯压缩感知(CMTBCS)算法和块正交匹配追踪算法(BOMP)在估计精度上具有更好的性能。     

基于分块消息日志的回卷恢复策略

本文给出了一种基于分块消息日志的回卷恢复协议,建立了其性能模型,评估了协议的平均开销.分块消息日志方法是一种可配置的一般化方法,悲观消息日志方法和协同检查点方法是其两个特例.性能分析结果表明,协议配置参数具有可优化特性,采用分块消息日志策略能够优化协议性能.     

稀疏信号重构的阈值化迭代检测估计

研究压缩传感(Compressed Sensing,CS)的稀疏信号重构算法,该文提出一种新的算法框架阈值化迭代检测估计(Iterative Detection Estimation with Thresholding,IDET)。算法框架包括两个方面:选择单阶段阈值化(One-Stage Thresholding,OST)算法的迭代步作为支持集检测的参考;根据稀疏信号的特征设计支持集检测方法。同时,提出该算法框架的实现算法,实现算法先检测由迭代硬阈值化(Iterative Hard Thresholding,IHT)迭代步得到一个支持集,然后通过求解支持集上的最小二乘问题来估计待重构的稀疏信号,迭代上述两个步骤直至满足条件停止。IDET算法的关键在于支持集检测,该文提出3种适用于快速衰减信号的支持集检测方法。实验结果表明,IDET稀疏重构性能优于IHT的其他加速算法。     

模型噪声中的稀疏恢复算法研究

针对观测和传感矩阵都存在噪声扰动的欠定线性系统的稀疏恢复问题,该文基于FOCUSS(FOCal Underdetermined System Solver)算法提出了一种改进算法SD(Synchronous Descending)-FOCUSS。文中由MAP(最大后验)估计方法推导出系统模型的的目标函数,应用松弛迭代算法对其进行优化从而找到近似最优的稀疏解。SD-FOCUSS算法可应用于MMV(多观测向量)模型。可证明SD-FOCUSS是收敛算法;最后用仿真实验展示了与其他算法相比时,新算法在准确性、稳定性等方面的优越性。     

基于稀疏和低秩恢复的稳健DOA估计方法

该文针对有限次采样导致传统波达方向角(DOA)估计算法存在较大估计误差的问题,提出一种基于稀疏低秩分解(SLRD)的稳健DOA估计方法。首先,基于低秩矩阵分解方法,将接收信号协方差矩阵建模为低秩无噪协方差及稀疏噪声协方差矩阵之和;而后基于低秩恢复理论,构造关于信号和噪声协方差矩阵的凸优化问题;再者构建关于采样协方差矩阵估计误差的凸模型,并将此凸集显式包含进凸优化问题以改善信号协方差矩阵估计性能进而提高DOA估计精度及稳健性;最后基于所得最优无噪声协方差矩阵,利用最小方差无畸变响应(MVDR)方法实现DOA估计。此外,基于采样协方差矩阵估计误差服从渐进正态分布的统计特性,该文推导了一种误差参数因子选取准则以较好重构无噪声协方差矩阵。数值仿真表明,与传统常规波束形成(CBF)、最小方差无畸变响应(MVDR)、传统多重信号分类(MUSIC)及基于稀疏低秩分解的增强拉格朗日乘子(SLD-ALM)算法相比,有限次采样条件下所提算法具有较高DOA估计精度及较好稳健性能。

     

任意稀疏结构的多量测向量快速稀疏重构算法研究

目前的稀疏重构算法求解多量测向量时存在两个问题:一是计算复杂度高;二是不能实现任意稀疏结构的多量测向量重构.为此,本文提出一种多量测向量快速重构算法.该算法首先构建矩阵平滑零范数法,实现对具有任意稀疏结构的多量测向量的重构,并获得多量测向量的初始支撑集;其次根据稀疏度与量测维度的关系,对初始支撑集进行筛选获得预选支撑集;然后采用贝叶斯组检验方式得到信号重构所需的最终支撑集;最后通过最终支撑集实现信号的重构.该算法充分利用了矩阵平滑零范数法的高效性以及贝叶斯组检验对冗余支撑集的剔除功能,不但实现了稀疏位置随机变化的多量测向量的高效重构,而且保证了算法的精度,并对噪声具有一定的鲁棒性,基于实测数据的ISAR成像实验验证了所提算法的有效性.     

基于低秩子空间恢复的联合稀疏表示人脸识别算法

 针对阴影、反光及遮挡等原因破坏图像低秩结构这一问题,提出基于低秩子空间恢复的联合稀疏表示识别算法.首先将每个个体的所有训练样本图像看作矩阵 D ,将矩阵 D 分解为低秩矩阵 A 和稀疏误差矩阵 E ,其中 A 表示某类个体的'干净’人脸,严格遵循子空间结构, E 表示由阴影、反光、遮挡等引起的误差项,这些误差项破坏了人脸图像的低秩结构.然后用低秩矩阵 A 和误差矩阵 E 构造训练字典,将测试样本表示为低秩矩阵 A 和误差矩阵 E 的联合稀疏线性组合,利用这两部分的稀疏逼近计算残差,进行分类判别.实验证明该稀疏表示识别算法有效,识别精度得到了有效提高.     

稀疏恢复空时自适应处理技术研究综述

相较于传统空时自适应处理（STAP）技术,稀疏恢复（SR）STAP技术在小样本条件下杂波抑制性能显著提升,因此适用于现实非均匀杂波环境.本文首先阐述了SR STAP基本原理,分析了机载雷达杂波空时稀疏特性;然后总结了SR STAP发展历史与现状,并在此基础上针对其相关科学问题进行了探讨,包括：空时谱估计还是杂波抑制、单观测样本还是多观测样本、白化还是置零、重构算法参数依赖还是不依赖、非平稳杂波下是否适用及干扰条件下是否可行;最后给出了当前SR STAP技术走向实用化过程中所面临的关键问题,即网格失配和空域误差影响,并分别讨论了无网格压缩感知和字典自校正的解决途径.     

运动补偿预测残差稀疏重构的压缩视频传感

针对低复杂度视频编码需求,基于压缩传感(Compressive Sensing,CS)理论,提出了一种分布式压缩视频传感算法。低复杂度的编码器独立随机投影关键帧和CS帧,采集压缩视频数据;在解码端进行运动补偿预测以利用帧间相关性,对预测残差稀疏重构实现CS帧重建。仿真测试表明,与现有的3种压缩视频传感算法相比,所提算法重建的视频质量更好,适合无线视频监控及无线视频传感网络等应用。     

基于稀疏恢复的自适应角度多普勒补偿方法

自适应角度多普勒补偿方法是补偿机载非正侧阵雷达杂波距离相关性的有效手段,该方法解决了角度多普勒补偿方法处理性能受系统误差影响较大的问题,可以实现杂波距离相关性的自适应补偿。但该方法利用子孔径平滑估计杂波协方差矩阵,存在孔径损失,系统自由度下降,估计准确度下降。此外,该方法还存在着运算量大的问题,不利于实时实现。本文提出了一种基于稀疏恢复的自适应角度多普勒补偿方法,并利用正交投影逼近子空间追踪方法对估计杂波协方差矩阵进行特征分解。与常规自适应角度多普勒补偿方法相比,本文方法运算量显著降低,杂波补偿性能更优。理论分析和仿真结果验证了该方法的有效性。     

联合稀疏信号恢复的贪婪增强贝叶斯算法

本文针对联合稀疏信号恢复问题,提出了一种贪婪增强贝叶斯算法.算法首先利用联合稀疏的特点对信号进行建模,然后在贝叶斯框架下,提出一种贪婪推理方式对信号恢复问题进行迭代求解.在迭代过程中,提出算法利用贝叶斯估计的方差信息来增强支撑恢复的结果,极大地提高了算法对信号恢复性能.理论分析表明:提出算法与同步正交匹配追踪算法具有相同的计算复杂度,远低于其他联合稀疏信号恢复算法.提出方法在具有高恢复精度和较低计算复杂度的同时,兼具贝叶斯方法和贪婪算法的优点.数值仿真验证了理论分析的有效性.     

Hierarchical Protection Tree Scheme for Failure Recovery in Mesh Networks

This paper presents a novel technique for link protection in mesh networks based on the use of hierarchical trees. The hierarchical protection tree (or p-tree) provides hierarchical layering of the network. The straddling links that are not located in the tree are protected through tree branches to higher-layer Parent nodes. The links in the tree are protected by links to backup parent nodes. This scheme offers several advantages such as scalability, failure impact restriction, and distributed processing. We provide a mathematical analysis to compute performance measures for our link protection scheme, and perform restorability analysis for several real and arbitrary long haul networks to compare our scheme to other link protection proposals. Our results demonstrate the applicability of hierarchical p-tree link protection schemes in real long-haul networks.     

基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法

针对含光照、表情、姿态、遮挡等误差或被噪声污染的人脸图像的识别问题,本文提出一种基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法。该方法首先用低秩矩阵恢复算法求得训练样本图像对应的误差图像;然后,对每一个训练样本图像及其对应的误差图像进行Gabor变换,得到相应的Gabor特征向量,并将这些Gabor特征向量组成一个Gabor特征字典;进而,计算测试样本图像Gabor特征向量在该Gabor特征字典下的稀疏表示系数,并用该稀疏表示系数和Gabor特征字典,对测试样本图像的Gabor特征向量进行类关联重构,同时计算相应的类关联重构误差。最后,根据测试样本图像Gabor特征向量的类关联重构误差,实现对测试样本图像的分类识别。在CMU PIE、Extend-ed Yale B和AR数据库上的实验结果表明,本文提出的人脸图像识别方法具有较高的识别率和较强的抗干扰能力。     

运动补偿预测残差稀疏重构的分布式压缩视频传感

针对低复杂度视频编码需求,基于压缩传感(CS：Compressive Sensing)理论,提出了一种分布式压缩视频传感算法。低复杂度的编码器独立随机投影关键帧和CS帧,采集压缩视频数据;在解码端进行运动补偿预测以利用帧间相关性,对预测残差稀疏重构实现CS帧重建。仿真测试表明,与现有的三种压缩视频传感算法相比,所提算法重建的视频质量更好,适合无线视频监控及无线视频传感网络等应用。