脉冲噪声环境下一种改进的压缩感知洛伦兹迭代硬阈值重构算法

求解洛伦兹范数下的最优化问题是实现脉冲噪声环境下压缩感知重构的有效途径。但是洛伦兹迭代硬阈值(LIHT)算法随着脉冲噪声中脉冲数量的增加,重构性能明显下降。文中针对这一问题,提出一种改进的洛伦兹迭代硬阈值(MLIHT)算法。MLIHT算法中采用Barzilai-Borwein(BB)方法来设置步长μ,引入l1范数来寻找最优参数γ。将MLIHT算法分别应用到高斯稀疏信源和0-1稀疏信源的压缩感知脉冲噪声重构中,并且进行仿真实验和实验结果分析。实验结果表明,MLIHT算法对于脉冲噪声中脉冲的数量和幅度均不敏感,而且MLIHT算法实现有效重构所需的观测数要少于LIHT算法。

基于贝叶斯压缩感知的CSR稳健参数估计方法

针对"完全扰动"情况下压缩感知雷达(compressed sensing radar,CSR)观测矢量和感知矩阵严重失配,进而引起参数估计性能急剧下降的问题,提出了一种基于贝叶斯压缩感知(Bayesian compressed sensing,BCS)的稳健参数估计方法。首先构造"完全扰动"情况下CSR参数估计的稀疏线性模型,并从稀疏矢量的最大后验概率(maximum a posteriori,MAP)出发,推导了完全扰动矩阵服从柯西分布时的优化目标函数;随后通过稀疏矢量和尺度参数的交替迭代,求得稀疏矢量的最优解。与现有重构算法及其改进算法相比,该方法能够有效改善CSR系统应对失配误差的稳健性,提高目标成功检测的概率和参数估计的精度。计算机仿真实验验证了该方法的有效性和鲁棒性。

冲击噪声下基于混合LL_2-L_1优化求解的CSR参数估计

针对冲击噪声环境下压缩感知雷达参数估计性能急剧下降的问题,提出一种新的鲁棒性参数估计方法。首先,根据压缩感知雷达参数估计的稀疏线性模型,基于Lorentzian范数和L1范数稀疏正则化构造冲击噪声背景下稀疏重构的混合LL2-L1范数优化模型;然后,利用迭代加权最小二乘法和阈值收缩函数推导上述模型优化求解的一步迭代公式;最后,从理论上对文中算法的收敛性进行证明,并给出算法计算复杂度的定量分析。计算机仿真实验表明,文中算法在冲击噪声下支撑集的重构更精确、重构信号的精度更高、重构的计算量更小。

含脉冲噪声的洛伦兹双阈值余量追踪信号重构

在压缩感知(CS)技术中,基于最小洛伦兹范数的重构算法在脉冲噪声环境下具有较强的鲁棒性。但是,洛伦兹硬阈值追踪(LHTP)算法采用残差的负梯度更新信号的估计量,从中引入了噪声的影响。基于此,提出了洛伦兹双阈值余量追踪(LDTRP)算法,通过迭代估计的重构误差来修正信号的估计量,并利用残差设置新的野点阈值。实验结果表明,无论信号是否受到噪声影响,LDTRP算法均能获得更好的信号重构质量。另外,在含有脉冲噪声的环境中,相比洛伦兹迭代硬阈值(LIHT)算法与LHTP算法,所提算法降低了对脉冲数量以及脉冲功率变化的敏感度,提高了重构性能。

基于双正则项的图像超分辨率重建算法

图像超分辨率重建是一种病态反问题。在最大后验概率(MAP)随机正则化技术估计框架下,采用Lorentzian范数构造数据保真项,同时为了更好的保持重建图像边缘,现以图像灰度连续性为先验信息,提出了一种基于双正则项的目标方程。实验证明了此方法比采用L1范数和L2范数能更好地抑制噪声和保持边缘,且该算法对不同假设类型的噪声模型不敏感,鲁棒性较好。重建图像的视觉效果和峰值信噪比(PSNR)均有一定的提高。

基于洛伦兹范数的医学图像超分辨率重建研究

在超分辨率图像重建(SR)模型中,为了达到良好的重建效果,选择一个合适的代价函数是研究的重点。采用SR重建模型中的差错项选择了洛伦兹范数,正则化项选择了吉洪诺夫正则化,重建过程采用了迭代方法。提出的算法可以有效地解决医学图像SR重建过程中的去异值点和图像边缘保持的两大关键问题,达到良好的重建效果。为了验证上述算法的有效性,就一系列添加了运动模糊和不同噪声的低分辨率MRI医学图像进行了SR重建,并且与基于L2范数的重建算法的重建效果进行了比较分析。实验结果显示,所提算法具有良好的实用性和有效性。

冲击噪声下基于Lorentzian范数的CSR参数估计

针对现有重构算法及其改进算法在压缩感知雷达(CSR)参数估计中存在的稳健性不强、适用性不广等问题,提出了一种适用于冲击噪声背景的鲁棒性算法——Lorentzian-ISL0(基于Lorentzian范数的改进光滑l0范数).建立CSR参数估计的稀疏线性模型,并基于Lorentzian范数和高斯函数稀疏正则化,构造冲击噪声下稳健的优化目标函数;修正优化目标函数的牛顿方向,并沿修正方向对估计值进行更新,直至收敛.仿真实验结果表明:与已有算法相比,本文方法计算复杂度更小,支撑集重构更精确,信号重构精度更高.

基于洛伦兹范数的MWC快速重构算法

针对现有调制宽带转换器（MWC）压缩采样信号重构算法对联合稀疏结构的限制及其受滤波器非理想因素影响的问题,提出了一种基于洛伦兹范数的MWC快速重构算法.该算法采用洛伦兹范数来拟合误差项,设计了冲击噪声背景下的稀疏优化目标函数,可有效削弱异值点对重构结果的影响;同时进一步将零范数优化问题转化为矩阵平滑零范数的函数极值求解问题,并利用固定步长共轭梯度算法进行并行重构,以提高算法收敛速度和运行效率.仿真结果表明：与现有重构算法相比,在受滤波器过渡带等非理想因素影响下,所提算法可以提高稀疏信号的重构成功率,同时在重构速度方面具有较好的性能.

基于Lorentzian范数的图像超分辨率重建

本文在MAP随机正则化技术估计框架下,提出了一种基于Lorentzian范数估计和自适应核回归正则项的最小化代价函数。此算法对不同假设类型的噪声模型不敏感,鲁棒性较好。实验结果证明了本文方法不仅能有效提高图像清晰度,且与其它方法相比,去噪能力更强,边缘保持较好。