基于压缩感知和深度学习的分类识别技术

雷达对空飞机目标分类可实现雷达装备获得敌机属性和类别信息,对于现代战争其重要性显得尤为突出。针对复杂电磁环境下的飞机目标分类问题,结合防空雷达的特点建立3类（固定翼、螺旋桨和直升机）飞机旋转部件调制回波模型,并理论分析了不同类型飞机目标的微动特征差异。仿真分析在复杂电磁环境下干扰对微动频谱的影响。引入压缩感知方法进行干扰条件下的微动特征稀疏恢复,采用堆栈自编码学习(SAE)方法构建深层神经网络对目标进行自动特征提取和分类识别;实录数据验证表明,本文特征提取和识别方法在干扰比例41%时识别正确率能达到75%。     

基于压缩感知的SAR图像目标识别

提出一种基于压缩感知的合成孔径雷达图像目标识别方法,将目标识别问题转化为稀疏表示的近似求解问题。该方法利用测试样本在全体训练样本基下的稀疏性,实现样本间的近似稀疏表示。通过考察稀疏系数主要集中于样本真实类别之上的分布特性,研究了稀疏系数本身对目标类别具有的可区分能力,最后基于稀疏系数的分布特性设计分类算法完成目标识别。基于MSTAR数据中三类目标的实验证明,与目前已有的几种典型方法相比,该方法可以取得更高的识别率,是一种有效的合成孔径雷达图像目标识别方法。     

基于混沌压缩感知和深度学习网络的压缩感知新模型

文章提出了一种基于混沌压缩感知和深度学习网络的压缩感知新模型,称为混沌深度压缩感知模型。该模型将传统压缩感知中的迭代步骤转化为深度网络形式,并将相关混沌参数应用于测量矩阵生成和深度网络训练过程。混沌深度网络中的所有参数都将通过程序自动学习获取,不再需要人工设计。     

基于迁移学习的感知矩阵优化方法

压缩感知中提高信号重构精度的关键问题是设计有效的感知矩阵,因此,提出了一种基于迁移学习的感知矩阵优化方法.首先,通过迁移学习更新稀疏表示系数,将固定稀疏基转换为自适应的稀疏基.然后,用稀疏基与测量矩阵的乘积构造一个Gram矩阵.最后,通过特征分解最小化Gram矩阵的非对角线元素,以减小Gram矩阵的全局相干性,实现原始...     

压缩感知的数字信号调制识别技术分析

压缩感知是应用数学和信号处理领域的一个新的研究方向,对调制、识别和处理数字信号方面起到了十分重要的作用.为此,文章在阐述压缩感知数字信号调制原理的基础上,给出基于压缩感知理论的数字调制信号识别算法的一般过程.     

基于压缩感知的超分辨目标散射中心估计

针对雷达目标识别中散射中心特征提取需求,提出一种基于压缩感知理论(CS)的超分辨散射中心估计算法。通过设计一字典,将脉压波形进行稀疏表示,进而将重构问题引入CS 理论框架之下,利用仿真数据验证了散射中心重构算法的可行性。基于实录数据,将80 MHz 宽带信号滤波成20 MHz 窄带信号,利用窄带20 MHz 脉压波形重构高分辨散射中心,进而恢复宽带80 MHz 脉压信号。恢复信号与真实80 MHz 宽带脉压信号的对比分析结果表明,在一定误差范围内,CS算法可实现目标散射中心重构。     

二维压缩感知多投影矩阵特征融合的SAR目标识别方法

针对合成孔径雷达（synthetic aperture radar,SAR）目标识别问题,提出联合多层次二维压缩感知投影特征的方法。采用二维压缩感知投影作为基础特征提取算法,具有不依赖训练样本、效率高等显著优势。构建多个二维压缩感知投影矩阵提取原始SAR图像的多层次特征。不同投影矩阵获得的特征具有差异性,从不同方面描述SAR图像的灰度分布特性;同时,这些特征源自相同的输入图像,因此也具有一定的内在关联性。采用联合稀疏表示对提取的多个特征矢量进行表征分析,在内在关联性约束下考察不同特征的独立鉴别能力,从而提升每一类特征的稀疏表示精度。最终,根据求解的稀疏表示系数,分别在各个训练类别上对测试样本的多类特征进行重构,获得重构误差。根据最小误差的准则,判定测试样本所属目标类别。通过综合运用多层次二维压缩感知特征提取和联合稀疏表示分类,提高SAR目标识别的整体性能。利用MSTAR数据集中的多类目标SAR图像对方法进行测试验证,结果反映其在标准操作条件（standard operating condition,SOC）和扩展操作条件（extended operating condition,EOC）均可保持可靠的识别性能。     

基于压缩感知解码的网络编码技术

证明了随机网络编码的传输矩阵具有压缩感知观测矩阵的性质,提出了一种基于随机编码和压缩感知的网络编码方案,该方案利用了压缩感知求解欠定方程组的优点。在该方案中,随机网络编码的误码率可以依靠信息的稀疏性而降低。如果信息足够稀疏,那么网络的容量甚至可以超过限定了网络编码容量上界的最大流-最小割定理的理论值。给出了误码率的理论上界,仿真结果表明该方案可以达到较好的性能。     

基于压缩感知的变尺度目标跟踪技术

为解决变尺度目标的跟踪问题,本文基于压缩感知理论设计了一种具有目标尺度不变性的目标跟踪方法。该方法首先通过插值的方式将初始帧中要跟踪的目标扩展细化至设定的模板图像大小,提取其压缩感知变换后的低维Haar-like特征作为模板特征并初始化分类器,其次利用卡尔曼滤波对待跟踪的图像帧中目标所在位置和尺度变化趋势进行预测,然后在预测目标所在位置周围提取多个不同尺度的待测目标样本并提取其压缩感知变换后的低维Haar-like特征,最后将这些特征送入分类器进行分类得到真实目标并更新分类器。经过实验验证,本文所设计的跟踪方法的平均跟踪成功率为77%,平均中心位置误差为12像素。能够实现对运动过程中发生尺度变化的目标的有效跟踪。     

基于深度学习的压缩感知图像重构算法综述

压缩感知突破奈奎斯特采样定律(NST),很大程度缓解了数据的获取和传输压力.近年来,随着深度学习迅速发展,深度神经网络技术在压缩感知领域的应用使压缩感知重构的精度和效率均得到有效提升,并引起学者们的广泛关注和研究.为了对现有的基于深度学习的压缩感知图像重构算法进行梳理归纳,首先,介绍压缩感知的基础数学知识以及两种极具代表性的传统压缩感知重构迭代优化算法:ISTA和ADMM;接着,详细讨论上述两种传统算法的深度网络展开框架以及对基准框架的改进技术:ISTA-Net++和ADMM-Net,并对SDA、ReconNet、DR^(2)-Net等五种非传统算法展开的端到端的深度神经网络框架进行对比分析;然后,以峰值信噪比(PSNR)为评价指标,将代表性网络模型在自然图像数据集Train400和医学图像数据集MICCAI上的重构精度进行比较分析;最后,总结并展望深度学习技术在压缩感知重构领域的研究前景.     

基于压缩感知的矩阵型联合SAR成像与自聚焦算法

模型准确情况下,压缩感知在合成孔径雷达成像中得到良好应用;但在实际情况中,模型会存在一定误差,这些误差造成图像偏离真实位置、引起散焦降低成像质量.本文提出一种矩阵型联合CS-SAR成像与自聚焦算法,该算法在CS-SAR成像重构方法方面,基于光滑l₀范数方法提出了矩阵型正则化光滑l₀范数重构方法,该方法具有较强容错能力并能直接重构矩阵型信号,能克服现有联合CS-SAR成像与自聚焦算法在计算效率方面的缺陷.最后,通过仿真验证了所提算法的有效性.     

一种基于最优观测矩阵的自适应贝叶斯压缩信道感知联合机制

该文采用基于概率模型的贝叶斯压缩感知方法,从最大后验概率角度,给出了压缩信道感知的一般流程。在此基础上,利用自适应贝叶斯压缩感知将信号的重构和观测矩阵的设计结合,使这两个环节不再相互独立。同时,提出一种基于最优观测矩阵的自适应贝叶斯压缩感知联合机制,通过减少观测矩阵的相关度以及对观测矩阵的自适应设计,使得信道的重构效果更佳。另外可利用重构过程中得到的差错栏,对重构精确度进行衡量。仿真表明：在相同的实验条件下,该联合机制相比传统的重构算法,具有更好的抗噪声能力和重构精度。     

基于分布式压缩感知的高分宽幅SAR动目标成像技术

高分宽幅SAR动目标成像对目标跟踪具有重要的意义,常规天基多通道SAR技术要实现高分宽幅动目标成像需要通道数量巨大,系统复杂度过高,而且图像在方位向存在成对回波,形成虚警。针对上述问题,该文提出了一种基于分布式压缩感知的高分宽幅SAR动目标成像技术,在通道数量较大时,通道数量相比常规高分宽幅动目标成像构型通道数量约降低1倍,利用动目标稀疏特性和杂波背景非稀疏特性构建分布式压缩感知观测模型,采用先方位1维分布式压缩感知重建再距离方位2维分布式压缩感知重建,实现杂波背景和稀疏动目标的重建,并抑制多通道SAR动目标成像中的成对回波。结合RADAR-SAT数据的仿真试验结果验证了该技术的有效性。      

基于压缩感知的阅卷系统手写汉字识别算法

针对阅卷系统中手写汉字识别率和识别精度低的问题,文中提出一种基于压缩感知理论的阅卷系统手写汉字识别算法。该算法首先对阅卷系统手写汉字图像进行随机采样得到其特征;然后对其进行稀疏表示,并最小化其l1范数以得到样本的稀疏解;最后利用该稀疏解的系数判别测试样本的类别。该方法用对信号的随机采样替代了传统的特征提取方法,简化了算法的实现过程,同时用现有的训练样本组成训练字典,避免了复杂的训练过程。该算法在手写汉字数据库ETL9B上的识别率达到99.1%。     

基于深度学习的低空声目标识别

本文提出采用人耳听觉特征和深度神经网络(Deep Neural Network,DNN)相结合的方式对低空飞行目标进行分类.首先,以不同目标的梅尔频率谱(Mel-Frequency Cepstrum Coefficients,MFCC)和伽玛通功率谱(Gammatone Filterbank spectra,GF)为静...     

Optimized Projection Matrix for Compressed Sensing

Sparse signals can be reconstructed from far fewer samples than those that were required by the Shannon sampling theorem, if compressed sensing (CS) is employed. Traditionally, a random Gaussian (rGauss) matrix is used as a projection matrix in CS. Alternatively, optimization of the projection matrix is considered in this paper to enhance the quality of the reconstruction in CS. Bringing the multiplication of the projection matrix and the sparsifying basis to be near an equiangular tight frame (ETF) is a good idea proposed by some previous works. Here, a low-rank Gram matrix model is introduced to realize this idea. Also, an algorithm is presented via a computational method of the low-rank matrix nearness problem. Simulations show that the proposed method is better than some other methods in optimizing the projection matrix in terms of image denoising via sparse representation.     

基于灰度共生矩阵的多尺度分块压缩感知算法

针对图像边缘与轮廓不能精确重构的问题,提出了一种基于灰度共生矩阵的多尺度分块压缩感知算法.该算法利用三级离散小波变换将图像分解为高频部分和低频部分.通过灰度共生矩阵的熵分析高频部分图像块的纹理复杂度,并根据图像块纹理进行再分块、自适应分配采样率.采用平滑投影Landweber算法重构图像,消除分块引起的块效应.对多种图...