基于块稀疏贝叶斯学习的多任务压缩感知重构算法

本文提出一种基于块稀疏贝叶斯学习的多任务压缩感知重构算法, 利用块稀疏的单测量矢量模型求解多任务重构问题. 通过对信号统的计特性和稀疏块内的结构特性进行联合数学建模, 将稀疏重构问题转贝叶斯框架下的特征参数的迭代更新问题. 本文算法不需要信号稀疏度和噪声强度的先验信息, 是一种高效的盲重构算法. 仿真实验表明, 本文算法能有效利用信号的统计特性和结构信息, 在重构精度和收敛速率方面能够很好地折衷.     

观测平台转向时稀疏贝叶斯学习方位估计

针对观测平台转向时固定安装于其上的声呐线列阵指向快速变化导致的空间谱谱峰变宽问题,提出一种稀疏贝叶斯学习方位估计方法。该方法利用大地坐标系下不同接收快拍中的空域稀疏信号具有相同先验分布的特性,将转向过程中多个阵列指向分别对应的接收快拍信息联合处理,以求得目标方位。仿真分析与海试数据处理显示出,所提方法可以获得谱峰较尖锐的空间谱,具有较高的测向精度和角度分辨力,此外,对由左右舷模糊引起的伪峰有较强的抑制效果。所得结果表明,所提方法可以有效解决谱峰变宽问题,提升了平台转向时的方位估计性能,同时有效地利用阵列指向的变化提高了线阵抗左右舷模糊能力。     

稀疏贝叶斯学习水声信道估计与脉冲噪声抑制方法

水声信道具有显著的稀疏特性,利用稀疏贝叶斯学习(SBL)算法能够实现稀疏水声信道的有效估计。针对SBL计算复杂度较高的问题,将广义近似消息传递-稀疏贝叶斯学习(GAMP-SBL)引入水声信道估计。该方法在SBL的框架下结合GAMP以消息传递的方式计算信道冲激响应,能够有效降低SBL的计算复杂度。针对假设背景噪声服从高斯分布的信道估计方法在脉冲噪声环境下性能下降问题,提出了基于GAMP-SBL的脉冲噪声抑制水声信道估计方法:首先利用脉冲噪声时域稀疏特性,采用GAMP-SBL估计脉冲噪声并进行抑制,然后再次利用GAMP-SBL实现水声信道估计.基于第九次北极科考冰下脉冲噪声的两次仿真结果表明,所提出的方法在归一化均方误差上相对于未进行脉冲噪声抑制的GAMP-SBL最大分别降低了18.71%,6.61%,在信道解码前误码率上最大分别降低了1.66%,4.05%,并且相对于Clipping方法更加稳健。在信噪比为20 dB时,误码率可低于10^-2。     

使用稀疏贝叶斯学习的水声多途信道盲估计

提出了一种使用稀疏贝叶斯学习(SBL)的多途信号盲解卷积方法对水声多途信道的信道脉冲响应(CIR)进行盲估计。该方法利用垂直阵和多频SBL获得宽带舰船声源在不同垂直到达角上的复数域多频点信号,取其相位对垂直阵接收信号匹配滤波,得到每条路径上的CIR,将多路径CIR相干叠加得到最终的多途CIR结果。仿真与海试数据处理结果表明,相比于原有的基于交替投影的多途信号盲解卷积方法,所提出方法有以下几个好处:(1)无需准确预估多途信号数目;(2)分离的多途信号的方位更准确且信号相位更可靠;(3)有效获取了舰船与阵列之间的CIR.并且将弱路径CIR的平均时间估计误差从4.7 ms缩小到1.0 ms.显著提高了弱路径CIR的时间估计精度。使用稀疏贝叶斯学习的多途信号盲解卷积方法能够有效提高多途环境下水声信道盲估计的性能。     

改进的时序多重稀疏贝叶斯学习冰下水声信道估计方法

针对时序多重稀疏贝叶斯学习信道估计方法计算复杂度高且在低信噪比时估计精度低的问题,本文提出了一种改进的时序多重稀疏贝叶斯学习正交频分复用冰下水声信道估计方法。首先,采用奇异值分解方法对接收导频矩阵进行去噪;随后利用去噪后的接收导频矩阵结合最小二乘信道估计方法获得时序多重稀疏贝叶斯信道估计的超参数矩阵、感知矩阵等先验知识;最后,利用冰下水声信道的稀疏特性和多途结构较为稳定的特点,采用时序多重稀疏贝叶斯信道估计对不同符号的冰下水声信道进行联合重建。仿真结果显示,在能量系数为0.03时,改进方法信道估计均方误差相比较于原始方法至少降低了约2.87×10^-5,运算时间至少下降了约为90%。第11次北极科学考察冰下试验结果显示,改进方法的平均原始误码率略微低于原始方法,平均运算时间降低约75%。研究结果表明,利用冰下水声信道的特点,改进方法可以实现高精度冰下水声信道估计,并且有效降低系统计算复杂度。     

基于复杂网络理论的北京公交网络拓扑性质分析

为分析公交复杂网络的拓扑性质, 本文以北京市为例, 选取截止到2010年7月的北京全市(14区、2县)的1165条公交线路和9618个公交站点为样本数据, 运用复杂网络理论构建起基于邻接站点的有向加权复杂网络模型. 该方法以公交站点作为节点, 相邻站点之间的公交线路作为边, 使得网络既具有复杂网络的拓扑性质同时节点(站点)又具有明确的地理坐标. 对网络中节点度、点强度、强度分布、平均最短路径、聚类系数等性质的分析显示, 公交复杂网络的度和点强度分布极为不均, 网络中前5%和前10%节点的累计强度分布分别达到22.43%和43.02%; 点强度与排列序数、累积强度分布都服从幂律分布, 具有无标度和小世界的网络特点, 少数关键节点在网络中发挥着重要的连接作用. 为分析复杂网络中的关键节点, 本文通过承载压力分析和基于"掠夺" 的区域中心节点提取两种方法, 得到了公交复杂网络中两类不同表现的关键节点. 这些规律也为优化城市公交网络及交通规划发展提供了新的参考建议.     

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。     

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。     

水声信号稀疏重构的高阶累积量波达方向估计

高阶累积量具有高斯噪声抑制和阵元扩展特性,将高阶累积量引入水声信号的方位估计中,提出了离格稀疏贝叶斯学习重构的高阶累积量测向算法。该方法利用高阶累积量对高斯噪声的自然盲性,计算阵列信号四阶累积量来滤除高斯噪声,使阵元在原来的结构上扩展了一倍;并构造出选择矩阵剔除了四阶累积量中的冗余项,能再一次的扩展阵元,得到的新观测模型具有更好的统计性能;最后利用空域稀疏性,推导出四阶累积量下的离格稀疏表示模型,采用贝叶斯学习解算出源信号的最大后验概率,实现了目标方位估计。数值仿真和海试实验数据表明,该方法在相邻声源方位间隔为4°的情况下分辨概率可达到95%以上,在信噪比大于-5 dB时目标方位估计的均方根误差在1°以内,可显著抑制背景噪声干扰,在多声源密集分布条件下也能准确、稳健的对水声目标方位进行估计。     

Optimization-based topology identification of complex networks

In many cases, the topological structures of a complex network are unknown or uncertain, and it is of significance to identify the exact topological structure. An optimization-based method of identifying the topological structure of a complex network is proposed in this paper. Identification of the exact network topological structure is converted into a minimal optimization problem by using the estimated network. Then, an improved quantum-behaved particle swarm optimization algorithm is used to solve the optimization problem. Compared with the previous adaptive synchronization-based method, the proposed method is simple and effective and is particularly valid to identify the topological structure of synchronization complex networks. In some cases where the states of a complex network are only partially observable, the exact topological structure of a network can also be identified by using the proposed method. Finally, numerical simulations are provided to show the effectiveness of the proposed method.     

Network dynamics and its relationships to topology and coupling structure in excitable complex networks

All dynamic complex networks have two important aspects, pattern dynamics and network topology. Discovering different types of pattern dynamics and exploring how these dynamics depend or/network topologies are tasks of both great theoretical importance and broad practical significance. In this paper we study the oscillatory behaviors of excitable complex networks （ECNs） and find some interesting dynamic behaviors of ECNs in oscillatory probability, the multiplicity of oscillatory attractors, period distribution, and different types of oscillatory patterns （e.g., periodic, quasiperiodic, and chaotic）. In these aspects, we further explore strikingly sharp differences among network dynamics induced by different topologies （random or scale-free topologies） and different interaction structures （symmetric or asymmetric couplings）. The mechanisms behind these differences are explained physically.     

Synchronization in complex networks with switching topology

This Letter investigates synchronization issues of complex dynamical networks with switching topology. By constructing a common Lyapunov function, we show that local and global synchronization for a linearly coupled network with switching topology can be evaluated by the time average of second smallest eigenvalues corresponding to the Laplacians of switching topology. This result is quite powerful and can be further used to explore various switching cases for complex dynamical networks. Numerical simulations illustrate the effectiveness of the obtained results in the end.     

改进的贝叶斯压缩感知目标方位估计

针对基于高斯先验模型的贝叶斯压缩感知在目标方位(Direction Of Arrival,DOA)估计中可能出现明显随机伪峰的问题,改进了高斯先验模型,并在此基础上提出了一种贝叶斯压缩感知目标方位估计方法。通过波束输出噪声背景预估与二值指示变量标记,并引入基于信号先验方差的噪声方差估计方法,与变分贝叶斯推断相结合改进目标方位估计性能和优化迭代收敛过程。利用32元线阵对改进算法进行数值仿真处理和分析结果表明,该改进方法不仅可以准确估计目标信号的方位,而且可以显著地减少空间谱中伪峰的数量。实际海上实验数据处理结果表明,使用改进后的贝叶斯压缩感知方法进行DOA估计,可以显著地抑制空间谱中随机的伪峰,提高波束输出峰值背景比,具有更强的目标检测能力。     

一种无线传感器网络簇间拓扑演化模型及其免疫研究

基于复杂网络理论, 研究由于节点失效所导致的无线传感器网络性能下降的问题, 提出一种新的簇间拓扑演化模型, 在此基础上讨论病毒的免疫策略, 并给出一种新的免疫机理. 理论分析表明, 该模型演化生成的网络不仅具有较强的容错性, 而且还可以有效避免节点因能量很快耗尽而过早死亡. 研究还发现, 对于网络全局信息未知的情况, 与随机免疫和熟人免疫策略相比, 本文所提免疫策略能够获得较好的免疫效果. 通过数值仿真对理论分析进行验证.