基于改进SP算法的多目标DOA估计方法

稀疏重构类算法在雷达目标参数估计中的应用一直是近年来的热门,但由于稀疏重构类算法的局限性,在进行目标波达方向(direction of arrival,DOA)估计时受到原子间的互相影响,从而使多目标测角精度降低。针对此问题,提出一种基于信号分离迭代思想的松弛子空间追踪算法。首先求出回波信号与归一化后字典矩阵相关性最强的多个原子作为初步估计值,再利用初步估计的角度构建代价函数,反复估计直至代价函数收敛。仿真结果表明,所提算法减小了目标个数和相位差的影响,提高了多目标DOA估计的测角精度,同时相较于传统的松弛算法减少了运算量。

基于改进SP算法的压缩感知图像重构

针对压缩感知子空间追踪SP(subspace pursuit)算法必须以信号稀疏度为先验知识,而现实中图像稀疏度未知这一问题,提出改进SP算法MSP(modified subspace pursuit)。首先对信号的稀疏度进行自适应估计,其次在迭代过程中,通过给定的步长因子对稀疏度进行更新,使之逐渐逼近正确子空间,当重构误差小于阈值时,停止迭代,实现稀疏信号的重构。重构图像表明:MSP算法在运算时间和重构精度上均优于其他同类算法,实现了图像的快速精确重构。

DS MIMO系统中叠加扩频及SP联合抗干扰

针对将直扩(direct spread,DS)与收发多天线(multiple input multiple output,MIMO)空时分组编码相结合存在多址干扰,且受到宽带干扰尤其强干扰时性能会恶化,提出一种叠加扩频的方法来消除多址干扰,并利用子空间分解(subspace projection,SP)的方法实现对宽带干扰的抑制,即将信道和接收矩阵投影到干噪子空间中构建等效矩阵进行译码,其中通过简化的最大比合并译码降低了空时分组译码复杂度。理论分析及仿真表明该抗干扰方案能够提高DS抗窄带干扰能力,并实现抗宽带干扰和对多址干扰的完全抑制。

基于小波树模型的改进SP算法

针对传统的子空间追踪算法(SP)只利用了信号在某个字典下是稀疏的或者可压缩的这个简单的先验知识,没有将信号的内在模型考虑进去,因此重构效率较低的问题。根据一般信号的小波树系数的特点,提出了一种基于小波树模型的改进子空间追踪算法。由于引入了信号的小波树内在模型,使得改进后算法中得到的最佳K项小波树结构稀疏逼近比子空间追踪算法中的最佳K项稀疏逼近更加接近于原信号,实验仿真证明基于小波树模型的SP算法的重构性更好。

基于压缩感知改进SP算法的井下人员定位方法

为了提高井下人员的定位精度,提出了基于压缩感知改进SP算法的矿井人员定位方法。定位分为2个阶段,在离线阶段划分子区域,建立子区域位置指纹库;在在线阶段,提出PIT子区域粗定位,运用压缩感知重构算法进行精确定位,提出K自选择改进SP算法,解决了稀疏度K不确定影响定位结果的问题。实验结果表明:网格尺寸越小,参考节点越多,定位误差越小;改进算法对比其他算法具有优越性,仿真测试验证了其定位精度大的性能。

基于OS-SASP算法的欠定盲源分离

针对基于稀疏分量分析的欠定盲源分离问题,提出一种基于优化支撑的稀疏度自适应子空间追踪(OS-SASP)算法.通过引入自适应思想,克服传统子空间追踪(SP)算法对稀疏度的依赖;同时在迭代开始之前通过离散余弦变换的能量集中特性确定最小支撑集的大小,对最小支撑集求并集获得优化支撑集,优化支撑集联合迭代过程中的候选集来定位最佳原子,提高源信号的恢复精度.仿真结果表明,OS-SASP算法在一维稀疏信号与语音信号的欠定盲源恢复过程中表现出良好的性能.

基于压缩感知的低复杂度广义空移键控信号检测算法

广义空移键控(GSSK)作为空间调制(SM)的一种简化形式,被广泛应用于大规模多输入多输出(MIMO)系统,以更好地解决传统MIMO技术中的信道间干扰(ICI)、天线间同步(IAS)和多射频(RF)链路等问题。针对GSSK系统最大似然(ML)检测算法计算复杂度高的问题,结合压缩感知(CS)中的子空间追踪(SP)算法和ML检测算法,并结合阈值的设置,提出一种基于CS理论的低复杂度GSSK信号检测算法。首先,用改进的SP算法获得部分发送天线组合(TAC);其次,删除部分天线组合,缩小搜索天线组合的集合;最后,利用ML算法和预设的门限估计发送天线组合。仿真实验结果表明,所提算法的计算复杂度明显低于ML检测算法,同时误比特率(BER)性能逼近ML检测算法,验证了所提算法的有效性。

基于压缩感知的外辐射源雷达目标参数估计方法

外辐射源雷达通过计算互模糊函数来估计目标的距离-多普勒信息,该方法存在弱目标被强目标高副瓣掩盖及分辨率低的问题.为此提出了一种基于压缩感知的外辐射源雷达目标参数估计方法.该方法提出了采用分布式压缩感知同步子空间追踪算法实现距离域稀疏重构,采用扩展正交匹配追踪算法实现多普勒域稀疏重构.仿真和实测数据验证表明,所提方法减少了互模糊函数副瓣的影响并提高了分辨率,同时避免了字典尺寸过大和时间复杂度过高的问题.

一种压缩采样中的稀疏度自适应子空间追踪算法

针对压缩采样中未知稀疏度的信号,本文提出一种自适应子空间追踪算法.首先,采用了一种基于匹配测试的估计方法获取稀疏度的估计值,再通过子空间追踪重构信号.若子空间追踪不能成功重构,则通过渐近增加信号稀疏度的方法实施估计,而上述过程可描述为在弱匹配原则下新原子的选取过程.仿真结果表明,本文的算法可以准确有效重构信号,同时运算量也较低.

基于极限学习机与子空间追踪的人脸识别算法

极限学习机(ELM)与稀疏表示分类(SRC)算法被广泛应用于人脸识别中。ELM学习速度快,但不能很好地处理噪声图像,SRC对噪声具有鲁棒性,但计算复杂度较高。针对上述2种算法的优缺点,利用子空间追踪算法求解稀疏系数,提出一种改进的人脸识别算法,从而达到高识别率与快速的识别效果。该算法根据测试样本的ELM实际输出向量判断是否为噪声图像,干净图像直接依据ELM输出向量进行分类,噪声图像采用子空间追踪算法结合SRC框架来分类。在扩展的Yale B和ORL人脸数据库上的实验结果表明,该算法不仅识别率高,且识别速度快。

改进的匹配追踪在方波信号滤波中的应用

为了克服常规滤波方法对方波信号滤波能力的不足,实现对方波信号的精确滤波,提出了一种改进的匹配追踪算法。针对方波信号特征,构建了与方波信号匹配而对噪声不敏感的方波原子;基于正交匹配追踪,并吸收子空间追踪的回溯思想,改进了最优原子选择方法;鉴于有用信号与噪声信号的能量差异,使用了一种自适应迭代停止标准,能准确找到有用信号和噪声的临界点,解决噪声能量未知的预估问题。对不同信噪比下的仿真方波信号进行滤波,经实测验证,所提方法在信噪比和均方误差方面都优于常规去噪算法,且保留了方波的特征,适用于方波信号的滤波。

一种新的贪婪回溯子空间追踪算法研究

针对目前的贪婪类算法在实际应用中出现的重构遮挡和虚假等问题,在分析该问题产生的原因基础上,提出了一种新的贪婪回溯子空间追踪(greedy backtracking subspace pursuit,GBSP)算法。该算法的基本思想是在每次的迭代过程中,采用回溯反馈和贪婪精选的思路进行支撑集选择。具体而言,在原子识别阶段,从残差投影中挑选出绝对值最大的K(K是信号稀疏度)个投影值位置,添加到候选支撑集中,为降低在此步骤中产生的错误概率,每次只将候选支撑集中的前s(s<K)个最大值对应的位置添加到真实支撑集中进行更新;此后再进行投影计算和残差更新,直到完成支撑集的选择。新算法结合了正交匹配追踪算法和子空间追踪算法两者的优势,所以可较好地解决重构遮挡与虚假问题,使得压缩感知重构算法更具实用性。

基于一次投影子空间追踪的压缩感知信号重构

为了降低信号重构算法的复杂度,实现对稀疏度未知信号的重构,提出了一种基于一次投影子空间追踪(OPSP)的信号重构方法。首先根据约束等距性质确定信号稀疏度的上下界,并将最接近上下界中值的整数作为稀疏度的估计值;然后在子空间追踪(SP)算法的框架下,去掉了迭代中观测向量在支撑集上的投影过程,降低了算法的复杂度。为了更准确地衡量算法的重构性能,提出用完整信号的重构概率作为衡量算法重构性能的指标。与传统的SP算法相比,所提算法可以重构稀疏度未知的信号,且重构时间短,重构概率高。仿真结果验证了该算法的有效性。

减背景的波段选择算法及其在目标探测中的应用

介绍了正交子空间投影方法,这种方法可将背景信号从接收到的混合光谱中消除,在此基础上运用匹配跟踪算法自动地进行优化波段的选择,达到选择最佳波段进行目标探测的目的。将其运用到大气外目标探测的问题,得到了较好的探测波段的结果,说明此方法选择优化波段进行目标探测是有效的。

一种变步长稀疏度自适应子空间追踪算法

针对压缩感知(Compressive sensing,CS)中未知稀疏度信号的重建问题,本文提出一种变步长稀疏度自适应子空间追踪算法.首先,采用一种匹配测试的方法确定固定步长,然后以该固定步长与变步长方式相结合,通过不同支撑集原子个数下的重建残差变化确定信号稀疏度,算法采用子空间追踪方法确定相应支撑集原子,并完成原始信号准确重建.实验结果表明,与同类算法相比,该算法可以更准确重建原始信号,且信号稀疏度值较高时,运算量低于同类算法.

一种基于子空间追踪的宽带压缩频谱感知方法

频谱感知是认知无线电进行动态频谱管理的首要任务。为了克服传统频谱感知算法对采样速率的过高要求,本文将压缩感知理论中的子空间追踪(SP)重构算法应用于协作式宽带压缩频谱感知中,提出了基于SP的宽带压缩频谱感知方法。该方法首先通过SP重构算法恢复出信号频谱,然后根据所恢复的频谱确定认知用户的能量判决门限,进而利用能量检测算法最终判决出可利用的频谱空穴。仿真结果表明,该方法在低压缩比下具有良好的频谱检测能力,且计算复杂度降低。

一种利用稀疏表示的距离扩展目标检测新方法

针对在高斯白噪声背景下距离扩展目标检测问题,通过构造Sinc基来线性表示距离扩展目标的一维距离像,将稀疏表示理论引入到目标检测中,提出了基于Sinc基的自适应子空间检测器检测新方法.首先由基追踪算法估计噪声功率,再由基追踪去噪算法得到的残余分量估计噪声协方差矩阵,最后通过一阶高斯模型自适应子空间检测器来实现距离扩展目标检测.基于实测宽带雷达回波数据的实验结果表明,所构造的Sinc基可以很好地线性表示距离扩展目标的一维距离像,有效地实现距离扩展目标检测.

基于压缩感知的图像自适应子空间追踪算法

针对稀疏自适应匹配追踪(SAMP)算法中存在的运行速度慢、重建效果欠佳的问题,提出了一种新的自适应的子空间追踪算法(MASP)。采用SAMP算法中分段的思想,先对半减小预估稀疏度,再逐一增加,得到真实稀疏度后,再利用子空间追踪算法对原始信号进行重构。实验表明,相比于SAMP算法,该算法在相同观测数量的情况下,具有较快的运行时间和较好的重建效果,其中,在重构信噪比方面平均提高8.2%。

基于改进子空间追踪算法的稀疏信道估计

由于许多通信系统的信道具有稀疏多径的特性,因此可以将信道估计问题归结为稀疏信号的恢复问题,继而应用压缩感知理论(CS)的算法求解。针对CS中现存的信号重构方法——子空间追踪法(SP)需要对稀疏度有先验知识的缺点,提出一种改进的子空间追踪法(MSP)。该方法的反馈和精选过程与SP算法一致,不同之处是MSP算法每次迭代时向备选组合中反馈添加的向量个数是随着迭代次数而逐一增加的,而SP算法中备选组合被添加的向量个数与稀疏度相同。仿真结果表明,基于MSP方法所得到的稀疏多径信道估计结果优于基于传统SP的方法,且无需已知信道的多径个数。

基于改进的子空间追踪算法的人脸识别

基于稀疏表示的人脸识别中的子空间追踪(SP)算法的候选原子个数固定与稀疏度相同,因此需要已知信号的稀疏度。针对该缺点,提出一种改进的子空间追踪算法,在选择原子的过程中引入回溯迭代优化思想,候选原子个数随着迭代次数逐一增加。通过移除候选原子集中数量同样逐一增加的可信度较低的原子,使选择的原子与待识别人脸图像具有最相似的结构,能较好地重构人脸。采用稀疏表示分类(SRC)框架,分别与基于SP、SASP、正交匹配追踪(OMP)、OMP-cholesky的人脸识别相比,在ORL和Yale B人脸数据库上的实验结果表明,该算法有最高的识别率。