基于L1范数自适应匹配滤波的重叠超声信号分离研究

在使用低频超声TOF技术对大厚度多层复合介质测厚时,超声反射回波之间容易出现有效回波和近表面干扰波重叠现象且难以分离,从而影响TOF的测量精度。针对此类问题,提出了基于L1范数的自适应匹配方法,基于时空域中近表面干扰表现出规律一致性,而有效回波则展现出推移特性的不同特征,在时空域对采集的超声阵列信号进行自适应匹配处理,实现有效回波和近表面干扰波的分离,从而增强有效回波的分辨率。仿真数据处理结果证明了所提方法的有效性,信噪比提高了3 dB。实验结果表明,该方法能高效解决重叠超声信号分离的问题,在固体火箭发动机测厚场景中展现出广阔的应用前景。

基于平滑L0范数SAR图像重构算法

为提高合成孔径雷达(SAR)图像重构性能,针对SAR图像的特点,提出一种改进平滑L0范数的SAR图像重构算法。首先选用负指数函数作为平滑函数,通过控制参数由大到小变化,使平滑函数逐步趋近于L0范数,从而将SAR图像重构问题转化为L0范数优化问题;其次沿着最速下降方向搜索最优值,并投影在可行集上,实现优化求解。实验表明,在相同外部条件下,文章所提出的SAR图像重构方法较传统算法具有一定优势。

基于改进平滑L0范数的图像重构算法

针对图像重构问题,文章提出一种基于改进平滑L0范数(SL0)稀疏信号重构算法。首先,选用负指数函数作为平滑函数趋近L0范数,将图像稀疏重构问题转化为平滑函数的优化求解。通过调整控制参数,使得负指数函数趋近L0范数。再通过循环迭代与梯度投影方法,求出最优解。实验结果表明,该算法较其他传统算法对图像重构具有优势。

基于改进平滑L0范数的压缩感知重构算法

针对稀疏信号重构问题,文章提出了一种改进的平滑L0范数(SL0)稀疏信号恢复算法。首先,采用负指数函数作为平滑函数趋近L0范数,并通过逐渐减小控制参数序列来求解平滑函数的最优值,同时采用单循环结构代替双循环结构优化求解。其次,增加了对比较步骤,以确保沿最速下降方向进行最优值的搜索,从而实现稀疏信号的精确重构。实验仿真结果表明,文章提出的算法具有较好的重构效果。

赋Luxem burg范数的Orlicz-Bochner序列空间的中点局部一致凸性(英文)

给出了赋Luxemburg范数的Orlicz-Bochner序列空间强端点和中点局部一致凸的判别条件.

关于赋Luxemberg范数Orlicz序列空间l_M的一致正规结构

讨论了赋Ｌｕｘｅｍｂｅｒｇ范数的Ｏｒｌｉｃｚ序列空间ｌ＿Ｍ具有一致正规结构（ＵＮＳ）的判据。

基于近似l_0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.

基于光滑l_0范数和修正牛顿法的压缩感知重建算法

基于光滑l0范数最小的压缩感知重建算法——SL0算法,通过引入光滑函数序列去逼近l0范数,从而将l0范数最小的问题转化为光滑函数的最优化问题.针对光滑函数的选取以及求解该函数的最优化问题,提出一种基于光滑l0范数和修正牛顿法的重建算法——NSL0算法.首先采用双曲正切函数序列来逼近l0范数,得到一个新的最优化问题;为了提高该优化问题的计算效率,推导出针对双曲正切函数的修正牛顿方向,并采用修正牛顿法进行求解.实验结果表明,在相同的测试条件下,NSL0算法无论在重建效果还是在计算时间方面都明显优于其他同类算法.

基于L1范数统计的单纯形微震震源定位方法

针对经典定位方法中存在的求解系统发散、定位精度低和定位受微震台网影响大等问题,采用L1范数统计对微震震源定位进行残差分析,推导得到了基于L1范数统计的事件残差计算公式;提出了微震震源定位的误差空间概念,它的实质是微震监测区域中事件残差对震源定位误差的反映;将震源的时间维数从误差空间中分离出去,建立了基于L1范数统计的单纯形微震震源定位方法,该方法不仅对到时和波速等输入数据中误差较大的离群点具有较高的抗干扰性,而且在震源求解时不会发生发散问题,具有很好的稳定性和强健性;通过现场爆破实验对算法的优越性进行了验证。研究结果表明:基于L1范数统计的单纯形算法震源定位结果稳定,定位精度高;而且算法受震源和微震台网相对位置影响较小,能够有效抵抗微震台网扩散效应对震源定位的影响,保证了台网边缘或外部震源定位的稳定性和精度;另外它还能够降低微震台网在方向控制上对定位精度的影响,提高了垂直方向上的震源定位精度。

基于L1范数的瞬变电磁非线性反演

瞬变电磁反演存在高度的非线性特征,常用的最小二乘等线性反演方法往往对初始模型高度依赖,并且极易陷入局部最优解.本文基于观测数据与模拟数据的L1范数建立目标函数,采用模拟退火非线性全局最优化方法实现瞬变电磁一维反演.初始模型完全随机产生,通过指数函数退温机制模拟系统能量最小实现迭代,通过接收概率函数评价当前模型,实现局部最优解的跳出,最终实现全局最优化求解.通过数值算例发现,无论给定的反演层数等于还是大于设计模型,都可以获得较好的反演效果,因而可以在反演初始就设计较多的层数,实现反演模型的自动拟合;同时,利用含噪声数据反演进一步验证算法的稳定性.最后,对实测数据进行了反演测试,结果与钻孔编录基本一致,表明提出的基于L1范数的模拟退火反演可用于实测数据处理.

L_1-L_2范数联合约束的鲁棒目标跟踪

针对稀疏原型跟踪方法中未考虑正交模板系数的密集性的问题,本文提出一种L1-L2范数联合约束的鲁棒目标跟踪。首先,该方法建立基于L1-L2范数联合约束的目标表示模型,对PCA基模板系数和琐碎模板系数分别进行L2范数和L1范数正则化约束,不仅提高了跟踪的准确性,而且保证了对目标遮挡的鲁棒性;其次,针对目标表示模型的优化问题,运用岭回归和软阈值收缩方法快速迭代求解PCA基模板系数和琐碎模板系数;最后以粒子滤波为框架,利用目标未被遮挡部分的重构误差和稀疏噪声项建立观测模型,并结合提出的L1-L2范数联合约束的算法实现目标跟踪。实验结果表明,与5个现有的跟踪算法相比,本文的跟踪算法具有更好的准确性和鲁棒性。

基于平滑l_0范数的高分辨雷达一维成像研究

雷达高分辨距离像对于目标检测、识别具有重要意义。该文针对高频区雷达散射响应的特点,采用稀疏信号表示方法研究了雷达高分辨1维成像问题。以理想点散射模型为基础,构造了相应的过完备基,并引入平滑l0范数法实现雷达高分辨成像。实验结果表明该方法在观测数据采样率降低、观测数据缺失等实验条件下均能正确成像,验证了该方法的有效性。

基于L_1/L_2范数的表面多次波自适应相减方法

依据L1和L2范数自适应相减方法的特性,提出了联合L1/L2范数的表面多次波自适应相减方法,并引入GPU并行加速,在充分发挥两种方法优势的同时,有效缓解了两种自适应相减方法限制性条件引发的问题,在较短的时间内获得收敛的维纳滤波器,并且较好地拟合多次波模型和原始记录中的多次波。文中方法无需L2范数方法的假设条件,相比于L1范数方法提高了计算效率。理论模型和实际海洋地震数据测试表明,基于L1/L2范数的GPU并行加速的表面多次波自适应相减方法可有效压制地震数据中的表面多次波。

基于ML和L2范数的视频目标跟踪算法

目标跟踪是计算机视觉领域的一个具有挑战性的问题,本文提出了一种基于ML(最大似然)估计和L2范数的视频目标跟踪算法.建立基于稀疏限制的ML模型,给样本中的异常像素分配较小的权值,减少异常像素对跟踪算法的影响.利用L2范数最小化进行稀疏编码求解.采用贝叶斯估计得出目标跟踪结果.与其他典型算法相比,本算法降低了计算的复杂度,对遮挡,旋转,尺度变化,光照变化等异常变化具有较强的鲁棒性.

光滑L0范数广义逆波束形成

为改善L1范数广义逆波束形成性能,提出了一种光滑L0范数广义逆波束形成算法。该算法充分利用L0范数能充分反映单极子噪声源信号稀疏本质的特性,结合光滑L0范数方法通过少数几次迭代即得到噪声源信号的稀疏解。首先,基于数值模拟的声源识别成像图以及声学半径曲线探究其结果随声源频率、阵列形式的变化规律,结果表明光滑L0范数广义逆波束形成相比L1广义逆波束形成,在相同的空间分辨率情况下,需要的传感器测量值更少;在相同的声阵列形式下,光滑L0范数广义逆波束形成的空间分辨率更高。最后,通过实验算例对单极子声源进行了声学成像,结果表明光滑L0范数广义逆波束形成相比其他波束形成,能更好地识别噪声源,进一步验证了该算法的有效性及实用性。

基于l_1范数的电容层析成像图像重建算法

传统电容层析成像(electrical capacitance tomography,ECT)系统图像重建算法一般基于l2范数优化方法,其解具有一定的平滑性。文中引入l1范数同时作为数据项和正则化项,将问题转化为凸优化问题,采用原始–对偶内插点法(primal-dual interior-point method,PDIPM)进行数值计算,并对数据项和正则化项分别取l2范数或l1范数的不同模型,通过重建图像质量、迭代次数、求解时间和图像相对误差等评价指标进行比较。算法采用仿真数据和实际气固两相流实验数据进行评估。实验结果表明,该模型可以避免图像的过度平滑,能够对物场中不同介质有效区分,重建质量较好。

基于l_0范数近似最小化的稀疏信号重构方法

针对稀疏信号的重构问题,提出了l0范数近似最小化算法。利用反正切函数近似l0范数建立相应的非凸优化问题。通过构造快速的不动点迭代格式求解该问题,分析了所提出算法的收敛性能。数值仿真表明,该算法具有重构信号需要测量值少、计算精度高且计算量较小的优点。

一种基于L_(2,1)范数的PCA维数约简算法

传统PCA存在对异常值和特征噪声敏感等问题,基于L2,1范数的PCA算法改进了这些缺点。现有的基于L2,1范数的PCA算法是通过降低矩阵的秩来实现维数约简,而秩的计算复杂。针对这一问题,提出一种新的维数约简算法。该算法提出利用迹范数代替矩阵的秩来简化L2,1-PCA的计算,提高算法效率;对于算法的求解提出了基于拉格朗日乘子的方法并将算法应用扩展Yale B人脸数据集进行图像去噪。可视化的实验结果表明所提出的算法有效。

基于L1范数的低场核磁共振T_2谱稀疏反演方法

低场核磁共振技术(LF-NMR)以其无损、非侵入、原位和绿色等优势被广泛应用在食品、农业、能源和化工等行业,尤其是在食品安全监管领域发挥着越来越重要的作用.在油品品质检测中,常规非负奇异值分解(SVD)弛豫(T_2)谱反演方法,只能反映光滑模型的T_2谱,对于稀疏模型的反演结果存在较大差异,从而导致T_2谱反演分辨率低和品质分析不准确的问题.针对这一问题,本文提出基于L1范数最小化约束的T_2谱稀疏反演算法,建立NMR回波曲线的稀疏模型表达式,利用截断牛顿内点法求解L1范数最小化问题,得到稀疏模型的T_2谱反演结果.通过构造光滑模型的T_2谱、以及不同峰值数和信噪比的稀疏模型的T_2谱,对比非负SVD算法和L1稀疏算法的反演效果,得到当信噪比大于20 d B时,L1稀疏算法能精确反演多峰T_2谱,峰值幅度和峰位置均优于非负SVD算法结果.最后通过多组煎炸油样品进行低场核磁共振检测实验和不同信噪比数据的反演结果对比,验证了L1范数稀疏反演算法的准确性和优越性.

稀疏信号重构的迭代平滑l_0范数最小化算法

压缩感知理论(Compressed Sensing,CS)是对信号压缩的同时进行感知的新理论,而如何通过有限的测量值重构稀疏信号是压缩感知理论中的核心问题。针对稀疏信号的重构问题,提出了迭代平滑l0范数最小化算法。该算法首先利用上次迭代得到的稀疏解估计部份支撑集I,然后建立并求解基于支撑集I的平滑l0范数最小化问题,最后对以上两步迭代少数几次得到稀疏解。数值仿真表明,本文所提出的算法重构信号需要测量值数少于已有的算法,且计算速度较快。