基于A*OMP算法及其改进算法的宽带雷达信号稀疏分解

传统稀疏分解算法正交匹配追踪(OMP)算法里采用内积最大值来寻找最优原子,该方法容易陷入局部最优,为了弥补这一缺点,采用了新的算法:A*OMP算法,该算法使用A*搜索(即最佳优先搜索技术)寻找最优原子,该搜索方式寻找的最优原子具有全局最优性。实验表明相比传统OMP算法而言,该算法有效地提高了信号的重构精度。     

截断效应下平滑信号的稀疏分解方法

存在截断效应时,DFT基下进行平滑信号稀疏分解得到的逼近误差较大,针对此问题,提出一种有效快速的实现方法。该方法根据截断平滑信号的频谱信息确定其所处子空间的位置和个数,然后对信号子空间进行高度冗余扩展生成与之相对应的子字典,将所有子字典级联形成整个字典。构造的冗余字典自适应于待分解信号,相比DFT基和DFT框架,能够更好地反映信号的内在特征;在该字典的基础上,利用其固有的树状结构,改进传统匹配追踪算法,每次迭代中将追踪分成两个层次进行,第一层为粗略搜索,目的在于寻找与信号相对应的子字典,第二层为精确搜索,在相应子字典中寻得与信号最为匹配的原子。改进算法在获得相同精度和收敛性的同时,缩小了搜索空间,降低了计算复杂度。最后,仿真验证了理论分析的正确性和方法的优越性。      

基于过完备结构字典的跳频信号稀疏分解

过完备字典下的信号稀疏分解能够充分利用信号的结构特征,具有更好的稀疏分解性能。主要研究了跳频信号在过完备字典下的稀疏分解,提出了过完备结构字典下的跳频信号稀疏分解方法。利用跳频信号固有的结构特性,构造更加接近跳频信号结构特征的过完备字典,并采用FFT改进的匹配追踪算法对跳频信号进行稀疏分解。仿真结果表明该方法在分解效果和分解所需时间方面都有很大改善。     

分块自适应图像稀疏分解

针对图像稀疏分解的计算时间复杂度非常高这个问题,提出了分块自适应图像稀疏分解算法。该算法根据稀疏分解计算时间复杂度和待分解图像大小之间的关系。把待分解图像分成互不重叠的小块。然后对每个小块图像进行稀疏分解。根据每一块的复杂程度。自适应地决定稀疏分解的结束。实验结果表明。在分解原子个数相近或相同的条件下。新算法对稀疏分解后重建图像比在整幅图像上进行稀疏分解重建的图像质量下降0．5dB。但计算速度提高了约15倍。     

基于追踪算法的信号稀疏分解方法

信号稀疏分解是获取非平稳信号本质属性的有力工具。原子库的紧致性和最佳原子的搜索方式是分解算法的关键问题。在给出稀疏分解算法基本模型的基础上,阐述了匹配追踪和基追踪算法的基本原理,着重分析了两类算法的融合思想和智能优化在信号稀疏分解中的应用。最后指出了不同稀疏分解算法的异同与发展方向。     

基于自适应稀疏分解的探地雷达水平分层介质时延估计

传统的时延估计方法受瑞利限限制,一些基于子空间的方法可以达到高分辨或超分辨,然而,子空间方法需要处理的数据量大,计算复杂度高。提出一种新的基于自适应稀疏分解的探地雷达水平分层介质时延估计方法,自适应稀疏分解将传统的参数估计问题转化为字典学习问题。自适应稀疏分解从过完备字典中选取少量原子,其对应的时间参数即为所需估计的时延。与传统的基于子空间方法相比,该算法在低信噪比时具有更高的估计正确率,并且直接在时域进行,减少了计算复杂度。仿真及实测结果表明,该算法与MUSIC算法对比在时延估计方面具有更大的优势。     

声信号并行稀疏分解去噪方法研究

将稀疏分解引入到声目标识别系统的去噪中,提出了一种并行的稀疏分解算法,以解决目前的稀疏分解算法计算量大、耗时多,不适宜用作战场声目标实时识别的缺点。算法充分利用目前计算机高速发展的多核处理器技术,根据声信号的特点,将基于稀疏分解的声信号去噪分解成多核计算机可以并行处理的多个任务,使用加权的匹配跟踪算法分别进行处理,提高了运算速度。实验结果表明基于稀疏分解的去噪方法可以很好地提高声目标识别系统的性能,而并行的匹配跟踪算法可以显著提高稀疏分解的速度,使稀疏分解去噪应用到实时的声目标识别系统中成为可能。     

基于压缩感知的LFM雷达信号回波盲稀疏度估计

由于压缩感知理论用于LFM雷达中要预先给出信号稀疏度,提出了自适应正交匹配追踪算法(AOMP),该方法可用于处理LFM雷达回波信号。在稀疏度即目标数目未知时,由不同发射信号通过延时进而相加来构造冗余字典。AOMP算法是依据残差之差的相对能量小于设定的停止门限来自适应终止稀疏分解过程。理论分析和仿真结果表明,存在噪声时,AOMP算法优于OMP算法,明显提高重构算法的重建概率。当回波信号的距离分辨率匹配字典的距离分辨率,冗余字典结合AOMP算法可有效处理LFM雷达回波信号,具有广泛的应用价值。     

一种基于稀疏分解的窄带信号频率估计算法

针对窄带多分量信号频率估计问题,该文提出一种基于稀疏分解的频率估计算法,能够同时对多个窄带信号的频率进行估计。首先利用传统方法进行频率预估计,然后根据频率预估计的结果建立冗余字典,对信号进行稀疏表示,最后通过匹配追踪算法得到精确的频率估计。该算法极大地减小了字典的长度和稀疏分解的运算量,而且在迭代过程中利用了全局信息更新残差向量,估计结果更为精确,在低信噪比情况下性能也较为稳健。仿真结果验证该算法的有效性和正确性。     

基于稀疏分解的猝发信号解调技术研究

猝发信号是一类突发通信信号,有着持续时间短暂和出现时刻随机的特点,对于这类信号,传统方式解调存在一定困难。提出了一种新的非合作猝发信号的解调方法,利用通信信号在一定的变换域上能够变现出稀疏特性,将稀疏分解理论应用于信号的解调技术中,经过一系列的处理,能够将猝发信号的频率、幅度、相位等参数反映在稀疏分量中。计算机仿真结果验证了此方法的可行性。     

稀疏分解在雷达一维距离像中的应用

雷达一维距离像成像本质上是对雷达目标散射特性进行信号表示的过程,它以其获取的简单性及有效性,在雷达成像及目标识别方面得到了广泛的应用。针对雷达目标几何绕射参数化模型,利用稀疏分解方法,研究了高分辨一维距离像的重构及特征提取问题。以此可以避免奈奎斯特采样定理的弊端,以更贴近信号本质特征的方法处理雷达回波信号。通过匹配追踪算法,寻找最佳匹配原子的位置,以此估计雷达目标散射点参数。实验结果表明该方法在信号重构及特征提取方面的有效性。     

一种改进的稀疏度自适应匹配追踪算法

压缩感知理论是一种充分利用信号稀疏性或可压缩性的全新信号获取和处理理论。针对未知稀疏度信号重构,提出了一种改进的稀疏度自适应匹配追踪算法。该算法首先利用一种基于原子匹配测试的方法得到信号稀疏度的初始估计,然后在稀疏度自适应匹配追踪(SAMP)框架下采用变步长分阶段思想实现稀疏度的逼近,在初始阶段利用大步长实现稀疏度的快速粗接近,以提高收敛速度,在随后的迭代中逐渐减小步长,实现稀疏度的精逼近,最终实现信号的精确重构。理论分析和仿真结果表明,该算法在一定程度上解决了SAMP算法在大稀疏度条件下运算量较大以及固定步长导致的欠估计和过估计问题,较好地实现了未知稀疏度信号的精确重建,并且重建性能和重建效率均优于现有的同类算法。      

自适应信号分解方法在主动声呐信号处理中的应用研究

利用基于“Matching Pursuit”算法的自适应信号分解方法,探讨了主动声呐信号处理中多目标回波的检测及参数估计问题。该方法既能实现多目标分辨,又能提取出更多的目标特征信息,所以能够充分发挥宽带信号的优势。再者,不仅对更广泛类型的发射信号具有普适性,而且分解结果能为下一段接收数据的选取提供参考信忠。因而,同已有的信号处理方法相比,该方法具有明显的优越性,是一种比较好的信号分析方法。仿真实验证明了该方法的有效性。     

基于信号稀疏分解的毫米波主动探测

基于信号稀疏分解的Gabor时频原子库,将毫米波主动探测回波信号进行分解与重构,提取原子的时频参数作为其特征信息,并用改进的混合粒子群算法克服计算量过大难以实现的问题。实验表明,文章所提方法利用少数的原子就可以表示回波信号的主要特征,为目标回波信号的分类和识别提供了依据。     

基于非参数基函数的自适应信号分解算法

 提出了一种分解信号特征的自适应信号处理算法。算法的核心是将观察信号分解为一组最好匹配信号局部结构的特征波形的线性展开,这些特征波形是由非参数基函数特征波形估计方法计算所得。分解算法中模板信号的自适应调整使算法可以不再过多地需要信号的先验知识,在实际应用中具有更加良好的柔性和适应性。通过对算法自适应性和收敛性的测试,验证了算法的性能。仿真信号的提取结果与传统匹配追踪算法分解结果及EMD方法分解结果的比较,进一步表明了所提算法的可行性和有效性。