上行3D-MIMO中利用结构稀疏低秩特性的信道估计算法

3维多输入多输出(3D-MIMO)系统能有效提升频谱效率,提高系统容量。但用户数和天线数的剧增,无法保证所有用户的导频都正交,给3D-MIMO信道估计带来估计精度下降和复杂度增加等问题。该文分析了上行3D-MIMO系统信道的结构稀疏特性和低秩特性,并基于这些特性提出一种信道估计算法,给出了算法的收敛性和复杂度。仿真结果表明估计算法能准确地恢复3D-MIMO的信道系数,并有较低的复杂度。     

基于矩阵分解和非凸秩近似的低秩表示算法

针对低秩表示模型的一般求解算法存在针对核范数存在近似矩阵秩不精确的问题,用矩阵分解技术与对数行列式函数替代矩阵核范数来近似矩阵秩函数。提出了基于矩阵分解和非凸秩近似的低秩表示模型,并设计了一种交替方向乘子法求解,最后用谱聚类方法进行聚类,通过数值实验对比,证明提出的算法有效性。     

低秩遮挡图像去噪方法

为获得清晰的低秩图像,提出一种将低秩矩阵填充 (LRMC)与低秩矩阵恢 复(LRMR)联合的新模型,基于非精确增广拉格朗日乘子(IALM)法进行求解,运用LRMC去除遮 挡并填充缺失部 分,再利用LRMR去除噪声,得到完整的图像。以恢复时间、信噪比(SNR)、峰 值信噪比(PSNR)、差错率(err)等做评价标准,对3幅受噪声污染的图像的恢复结果表明, 本文提出的联合LRMC与LRMR的新模型,既能去除遮挡又能够填充图像的缺失部 分,能够达到理想的恢复效果。     

基于判别低秩矩阵恢复和稀疏表示的车标识别

针对现有的车标识别方法无法较好地处理阴影、遮挡、污损等情况下识别率低的问题,提出了基于判别低秩矩阵恢复和稀疏表示的车标识别方法。文中采用判别低秩矩阵恢复来纠正效果较差的训练样本,并通过学习一个低秩投影矩阵,将待测样本特征矩阵投影到相应低秩子空间来恢复干净的测试样本。并采用稀疏表示方式进行分类识别。同时,在Medialab LPR Database数据集上进行了对比实验,实验结果表明,该识别方法的性能要优于当前其他识别方法     

融入结构信息的稀疏低秩丰度估计算法研究（英文）

丰度估计(AE)是从高光谱图像中识别地物的关键预处理技术.鉴于线性混合模型的可解释性以及数学上的可操作性,带约束的线性回归技术在丰度矩阵估计中备受关注.目前,这类方法存在的缺陷是其拟合过程中仅仅考虑到估计数据与真实数据之间的拟合误差,忽略了估计数据的结构与真实数据的结构之间的相似性信息.因此,提出了融合结构信息的线性回归模型,并应用于稀疏低秩丰度矩阵估计领域.首先,通过增加结构信息改进传统的带约束的线性回归模型,并经数学理论证明了增加结构信息的模型较传统模型更加有效;其次,应用该方法改进稀疏低秩丰度估计的数学模型;最后,采用交替乘子法(ADMM)技术求解新模型.实验结果表明,融入结构信息的稀疏低秩丰度估计算法能够有效地提高仿真数据和实际高光谱数据的丰度估计的估计精度,改善其抗噪性能.     

基于低秩结构的宽角SAR稀疏成像

在合成孔径雷达（Synthetic Aperture Radar,SAR）成像中,当方位向合成孔径较大时,观测区域内目标的电磁特征会表现为各向异性,导致基于各向同性假设的传统SAR成像方法不再适用。为此,宽角SAR成像方法通过将宽孔径划分为多个子孔径,利用每个子孔径对应的回波数据单独成像,实现对目标雷达图像的多角度重构。由于目标的散射特性在相邻子孔径中通常不会发生较大改变,每个子孔径的强散射中心分布高度相似,使得宽角SAR的成像结果具有低秩结构,即相邻子孔径对应的目标成像结果的支撑集相近。为了使用这种相关性,将Karhunen Loeve (KL)变换引入到宽角SAR成像过程中,再利用目标强散射中心分布的稀疏特性,建立基于低秩结构的宽角SAR稀疏成像模型。采用增广拉格朗日法（Augmented Lagrangian,AL）和交替方向乘子（Alternating Direction Method of Multipliers,ADMM）对上述成像模型进行迭代求解,从而获得宽角SAR成像结果。相比于传统的宽角SAR成像方法,本文所述方法不仅能提高目标后向散射系数的重建精度,还能有效抑制旁瓣...     

一种基于全变分正则化低秩稀疏分解的动态MRI重建方法

针对应用迭代软阈值(IST)算法对基于低秩稀疏矩 阵(L＋S,low rank and sparse)分解模型的动态磁共振成像(MRI)图像 进行重建存在重建精度一般和重建速度慢的问题,提出在矩阵L＋S分解模 型的基础上引入全变分(TV)正则项,达到进一步去噪声和去伪影,提高重建精度目的;利用 非精确增广拉 格朗日算法(IALM)达到快速重建的目的。通过对心脏灌注动态MRI成像和心电影MRI成 像的仿真实 验表明:对于L＋S低秩稀疏矩阵分解模型的重建,IALM比IS T算法速度更快,精度更高;模型引入TV正则项 后再利用IALM重建,重建速度虽然比之前的IALM有所降低,但依然优于IST算法, 并且重建精 度高于之前的IALM。在L＋S分解模型中引入TV正则项 提高了MRI重建精度,运用IALM进行求解加快了重建速度,结合TV正则项和IALM达到了 快速、高精度重建的目的。     

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。

     

融合局部低秩先验与Bloch流形约束的磁共振指纹重建算法

为了实现快速成像,磁共振指纹（Magnetic Resonance Fingerprinting,MRF）技术通常使用非笛卡尔稀疏采样模板对K空间进行高度欠采样,从而获得稀疏K空间信号.然而,从稀疏的K空间信号重建像空间数据是一个病态不适定问题,重建出的MRF像空间数据存在大量的混叠伪影,直接影响到组织生理参数的重建准确度.为此需要将各种先验知识引入重建模型之中,以缓解MRF重建问题的不适定性.针对上述问题,本文提出一种融合局部低秩先验与Bloch流形约束的MRF重建模型,并使用交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）求解模型中的非凸MRF重建问题.本文算法在引入MRF像空间数据的局部低秩先验的同时,使用预先构建的字典为重建指纹提供流形约束.一方面通过空域局部低秩约束有效抑制混叠伪影的产生,另一方面利用字典先验避免指纹的时域流形特征在迭代重建过程中丢失.仿真实验结果表明,相较于引入了全局低秩先验与Bloch流形约束的其他同类算法,本文算法可以提供更高的组织参数重建准确度.     

基于约束非负矩阵分解的高光谱图像解混快速算法

约束非负矩阵分解是高光谱图像解混中常用的方法.该方法的求解通常采用投影梯度法,其收敛速度、求解精度和算法稳定性都有待提高.为此,本文针对较优的最小体积约束,提出一种基于约束非负矩阵分解的高光谱图像解混快速算法.首先优化原有的最小体积约束模型,然后设计了基于交替方向乘子法的非凸项约束非负矩阵分解算法,最后通过奇异值分解优化迭代步骤.模拟和实际数据实验结果验证了本文算法的有效性.     

A Novel Supervised Method for Hyperspectral Image Classification with Spectral-Spatial Constraints

In this paper, a new supervised classifica- tion method, combining spectral and spatial information, is proposed. The method is based on the two following facts. First, a hyperspectral pixel can be sparsely repre- sented by a linear combination of the dictionary consists of a few labeled samples. If any unknown hyperspectral pixel lies in the subspace spanned by some labeled-class samples, it will be classified to this labeled-class. And this is to solve a fully constrained sparse unmixing problem with the 12 regularization and the criterion of classification is relaxed to be determined by the largest value of sparse vector whose nonzero entries correspond to the weights of the labeled samples. Second, since the nearest neighbors probably belong to the same class, a spatial constraint is introduced. Alternating direction method of multipliers （ADMM） and the graph cut based method are then used to solve the spectral-spatial model. Finally, two real hy- perspectral data sets are used to validate our proposed method. Experimental results show that the proposed method outperforms many of the state-of-the-art methods.     

基于改进罚函数的LDPC码分层调度ADMM惩罚译码

通过增加伪码字的代价,基于交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）的惩罚译码方法可以改善低密度奇偶校验（Low-Density Parity-Check,LDPC）码低信噪比区域的译码性能,同时具有低的译码复杂度.而减少ADMM惩罚译码的欧几里德投影次数、选择合适的消息调度策略和设计有效的罚函数是提高ADMM惩罚译码速度的三种重要方法.为了进一步提高ADMM惩罚译码速度,通过利用Wei等人提出的方法来减少欧几里德投影的次数,本文设计了基于I-l₁-PF罚函数的水平分层调度与垂直分层调度策略的两种LDPC码ADMM惩罚译码方法.仿真实验表明,与现有ADMM惩罚译码方法相比较,所设计的译码方法不仅具有较好的译码性能,而且能够显著降低LDPC码译码的平均迭代次数和平均译码时间.     

Distributed lifetime optimization in wireless sensor networks using alternating direction method of multipliers

Due to the limited energy of sensor nodes in wireless sensor networks, extending the network lifetime is a major challenge that can be formulated as an optimization problem. In this paper, we propose a distributed iterative algorithm based on alternating direction method of multipliers with the aim of maximizing sensor network lifetime. The features of this algorithm are the use of local information, low overhead of message passing, low computational complexity, fast convergence, and, consequently, reduced energy consumption. In this study, we present the convergence results and the number of iterations required to achieve the stopping criterion. Furthermore, the impact of problem size (number of sensor nodes) on the solution and constraints violation is studied, and, finally, the proposed algorithm is compared with one of the well‐known subgradient‐based algorithms.     

运动目标检测的l0群稀疏RPCA模型及其算法

经典的鲁棒主成分分析(Robust Principal Component Analysis,RPCA)目标检测算法使用l₁范数逐一判别每一像素点是否属于运动目标,未能考虑到运动目标在空间分布的连续性,不利于提升运动目标检测的鲁棒性.本文提出了一种基于l₀群稀疏RPCA模型的运动目标检测方法.首先运用Ncuts算法进行区域过分割,生成多个同性区域,将其作为群稀疏约束的分组信息;第二步构造基于l₀群稀疏RPCA模型,运用群稀疏准则判别过分割后的各同性区域是否为运动目标,采用交替方向乘子算法对模型进行快速求解,约束过分割形成的同性区域具有相同检测结果,进而将背景环境和运动前景分离,能够更加准确地度量运动目标的区域边界,且对复杂的背景扰动更加鲁棒,达到了运动目标鲁棒检测的目的.     

运用增广矩阵束方法稀布优化平面阵

基于增广矩阵束方法(Matrix Enhancement and Matrix Pencil,MEMP),以使用尽可能少的阵元逼近期望的方向图为目标,提出了一种求解阵元位置和设计激励幅度的新方法.首先对期望平面阵的方向图进行采样得到离散的数据集,再构造增广矩阵,对此增广矩阵进行奇异值分解(Singular Value Decomposition,SVD),确定逼近期望方向图所需的最小阵元数目;基于广义特征值分解求解两组特征值,并根据类基于旋转不变技术的信号参数估计(Estimating Signal Parameters Via Rotational Invariance Techniques,ESPRIT）对这两组特值配对;在最小二乘准则下求解稀布面阵的阵元位置和激励.仿真试验验证了该方法在稀布平面阵优化问题中的高效性和数值精度.     

联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测

针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息,导致检测精度低的问题,提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号,并与图像自身的稀疏性相结合,对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进,该算法以待测像元为中心构建一定大小的空间窗,计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值,通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵;最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵,将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度,设置阈值,得到检测结果。为验证所提算法的检测性能,采用了真实的高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法能够得到更高的检测精度。     

基于原子范数最小化的单比特稀疏双极子阵列的波达角估计

现有的单比特稀疏双极子阵列的波达角估计方法为子空间方法,其估计精度依赖于信号的统计特征,并且没有充分利用协方差矩阵的结构,导致其估计精度较低。为了提高该阵列的波达角估计精度,本文提出了一种基于原子范数最小化的无网格稀疏化波达角估计方法。该方法将稀疏双极子阵列的波达角估计转化为标量阵波达角估计,并根据参数空间的连续性构造基于原子集的阵列信号稀疏模型,随后利用单比特采样下噪声的稀疏特征,将该波达角估计问题转化为相似文献   

基于MM算法的脉冲串模糊函数设计方法

针对离散相位调制脉冲串信号的模糊函数优化问题,提出了一种基于MM算法的波形设计方法。MM算法是一种求解最优化问题的迭代算法,通过重复“构造辅助函数-求解辅助函数最优值”的过程,可以逐步逼近原问题的全局最优解。本文首先将脉冲串模糊函数设计问题建模为带约束四次型最优化问题,然后根据泰勒展开,给出了位于原函数上界的辅助函数的构造方法。其中,辅助函数的形式为带约束二次型最优化问题,可通过交替方向乘子法（ADMM）求解。最后通过计算机仿真说明了该方法的有效性。     

联合低秩与稀疏先验的高光谱图像压缩感知重建

本文建立了一种新的高光谱图像压缩感知重建模型,编码端采用块对角的Noiselet测量矩阵对每一谱带进行独立采样,解码端首先建立高光谱图像低秩稀疏表示模型,分解为低秩与稀疏成分,并对低秩成分在空间维进行稀疏分解,进而构建联合谱间低秩性先验与谱内空间稀疏性先验的凸优化重建模型,并提出模型求解的增广拉格朗日乘子迭代算法,通过引入辅助变量与线性化技巧,使得每一子问题均存在解析解,降低了模型求解的复杂度。实验结果验证了本文模型及其算法的有效性。