利用FFT实现基于MP的信号稀疏分解

该文研究基于Matching Pursuit(MP)方法实现的信号稀疏分解算法,通过对信号稀疏分解中使用的过完备原子库结构特性的分析,提出了一种新的信号稀疏分解算法。该算法首先通过利用原子库的结构特性,很好地处理了稀疏分解过程中计算量和存储量之间的关系。在此基础上,把信号稀疏分解中计算量很大的内积运算转换成互相关运算,最后用FFT实现互相关运算,从而大大提高了信号稀疏分解的速度。算法的有效性为实验结果所证实。

在低维空间实现的基于MP的图像稀疏分解

研究利用MatchingPursuit(MP)方法实现的图像稀疏分解算法,针对其中关键难题,提出利用在低维空间的搜索实现高维空间的搜索的快速方法。算法的有效性为实验结果所证实。

利用模拟退火实现基于MP的信号稀疏分解

信号的稀疏表示在信号处理的许多方面都有重要的应用,但稀疏分解计算量十分巨大,难以被推广而实现产业化。模拟退火算法模拟高温金属降温的热力学过程,广泛应用于求解组合优化问题。本文将模拟退火算法运用到信号的稀疏分解中,首先随机产生一组原子参数组,然后分别计算每个原子与信号或信号残差的内积的绝对值,找出内积绝对值最大的原子参数组并对它进行模拟退火处理,用处理的结果作为匹配追踪(MP)过程中每一步的最优解。在计算过程中利用原子的特性,进一步提高了信号稀疏分解的速度,并用本文提出的算法与其它方法进行了比较,实验结果表明了该算法的有效性。

基于GA和MP的信号稀疏分解算法的改进

信号的稀疏表示在信号处理的许多方面有着重要的应用,基于MP的稀疏分解是目前信号稀疏分解的最常用方法,也是几乎所有稀疏分解算法中速度最快的,但其存在的关键问题仍然是计算量十分巨大。基于利用MP(Matching Pursuit)方法实现的信号稀疏分解算法,采用遗传算法(GA)快速寻找MP过程中每一步分解的最佳原子。并针对基本遗传算法存在的未成熟收敛和易陷入局部最优解的问题,提出了对基于GA和MP的信号稀疏分解的一种改进算法,实验结果证实了改进算法的有效性。

利用混沌优化实现基于MP的信号稀疏分解

信号的稀疏表示在信号处理的许多方面都有重要的应用,但稀疏分解计算量十分巨大,难以被推广而实现产业化。混沌是一种普遍的非线性现象,具有随机性、遍历性和内在规律性的特点,混沌运动能在一定范围内按其自身的规律不重复地遍历所有状态。因此,如果利用混沌变量进行优化搜索,无疑会比随机搜索更具优越性。本文利用变尺度混沌优化方法在优化搜索过程中不断缩小搜索空间,快速寻找匹配追踪(MP)过程中每一步的近似最佳原子,提高信号稀疏分解的速度,算法的有效性为实验结果所证实。

利用人工鱼群算法实现基于MP的信号稀疏分解

人工鱼群算法(AFSA)是一种新的智能优化算法,具有鲁棒性强、全局收敛性好,及对初值的不敏感性等特点。将人工鱼群算法运用到信号的稀疏分解中,可快速寻找匹配追踪(MP)过程中每一步分解的最佳原子。此方法提高了信号稀疏分解的速度,算法的有效性为实验结果所证实。

利用蚁群算法实现基于MP的信号稀疏分解

信号的稀疏表示在信号处理的许多方面有着重要的应用,但稀疏分解计算量十分巨大,难以产业化应用。利用蚁群算法实现快速寻找MatchingPursuit(MP)过程每一步的最优原子,大大提高了信号稀疏分解的速度,算法的有效性为实验结果所证实。

基于MPI并行计算的信号稀疏分解

在研究信号稀疏分解理论及其最常用的匹配追踪算法的基础上,针对MP算法存在的计算量过大的问题,提出一种基于并行计算系统实现信号稀疏分解的方法。该方法利用8台微机,采用MPI消息传递机制,以100 M高速以太网作为互联网络,构建了一套Beowulf并行计算系统,在此系统上通过编制并行程序来实现MP算法。实际测试表明这种方法具有很高的并行计算效率,分解时间从单机75 min左右下降到8机并行11 min左右,大大提高了信号稀疏分解的速度。

基于改进MP稀疏分解的语音识别方法

在限定输入词汇量的条件下进行语音识别的过程中,结合MP稀疏分解的原子结构特性,提出把语音信号经MP稀疏分解所得的最佳原子时频参数作为匹配参数对语音进行识别。用基于遗传算法和原子库划分的策略对MP稀疏分解的寻优过程进行改进以提高MP稀疏分解的效率。在Matlab环境下进行仿真试验时,采用LGB算法对测试信号进行判别。试验结果表明,MP稀疏分解算法经改进后运行速度得到提高,采用10个原子的时频参数可有效识别长度约为6000的语音信号。

基于GA和过完备原子库划分的MP信号稀疏分解算法

信号稀疏分解计算量大是阻碍其实时应用的主要因素。研究基于匹配追踪(Matching Pursuit)方法实现的信号稀疏分解算法,提出了基于过完备原子库集合划分的、分两阶段搜索的、遗传算法快速寻找MP过程中每一步分解的最佳原子,在稀疏分解重建信号质量不变的条件下,提高了稀疏分解的速度。算法的有效性为实验结果所证实。

基于GA的心电信号稀疏分解MP算法改进

基于遗传算法(GA)的信号稀疏分解算法运算量较大。为解决该问题,提出一种基于GA的心电信号匹配追踪改进算法。结合心电信号的特征,根据信号特征波形建立窗函数,将信号分为能量集中和稀疏部分,分别采用不同的算法流程和参数。实验结果表明,该改进算法的运算量较原算法降低了1/3,能提高心电信号稀疏分解的运算速度和压缩处理性能。

基于MP算法的脑电信号去噪

针对脑电信号在采集过程中易受噪声干扰的问题,提出使用匹配追踪算法将脑电信号与噪声进行分离,进而去除噪声,并通过信噪比和相关系数对去噪效果进行检测。仿真结果表明,该方法不仅能够有效地抑制工频噪声,还可以较好地保持脑电信号的波形特征。

混合粒子群MP算法在脑电信号分析中的应用

目的开辟脑电信号分析的新途径。方法将混合粒子群算法与MP算法相结合,对脑电信号进行重构。结果混合粒子群MP算法不但极大地提高了信号稀疏分解的速度,而且还能够取得良好的重构效果。结论混合粒子群MP算法可以作为脑电信号分析的新方法。

一种引入退火降温阈值函数约束的改进MP稀疏分解方法

匹配追踪(Matching pursuit,MP)方法可以在过完备库中实现信号的稀疏、能量集中的分解。该文从对信号分解稀疏性的有利原则出发,在迭代过程中,将过完备库划分为新(未选择过的)、旧(已选择过的)原子库,通过引入退火降温阈值函数来约束迭代过程中最优原子的选择,使选择的最优原子比原始MP方法有更大的可能性落入对信号稀疏性有利的旧原子库中,从而实现对信号更加稀疏的分解。对余弦调制指数信号和一段语音信号的分解结果,证实了改进MP方法对信号有更加稀疏的分解结果。

一种基于SPIHT和匹配追踪的图像编码方法——SPMP算法

为了更好地利用图像的结构特征，提高图像重建的质量，提出了一种基于多级树集合划分（SPIHT）和匹配追踪（MP）的分层图像编码方法——（SPMP）算法。该方法首先采用拉普拉斯金字塔（LaplacianPyramid）算法将原始图像分解成低频平滑层和高频细节层，然后使用离散小波变换和SPIHT算法编码图像的低频成分，使用基于克隆选择的匹配追踪算法编码图像的高频细节层。实验结果表明，该方法能够产生渐进PSNR的位流，图像重建质量要明显高于小波图像编码算法。

基于余弦过完备原子库的语音信号MP稀疏分解

本文以语音信号为研究对象,根据语音信号具有类周期的结构特性选用余弦过完备原子库,在其上进行基于MP的语音信号稀疏分解。该方法在保证重构语音信号质量的同时较大幅度地缩小了原子库,进而节省了存储空间和计算时间。通过计算机仿真证明了余弦过完备原子库对于具有类周期特性的信号比Gabor原子库在分解重构上更为有效。

MP算法在去除脉搏基线漂移中的应用

脉搏信号是医学研究与临床诊断的重要参考依据。针对其在采集过程中极易受到基线漂移的干扰,提出使用MP算法消除脉搏信号中的基线漂移,并将结果与EMD算法的消噪结果进行了比较。仿真结果表明与EMD算法相比,MP算法不仅能够很好的抑制基线漂移,还可以有效的保留脉搏信号的波形特征。

基于Chirp原子MP分解的汉语声母时频结构分析

针对汉语声母语音呈现的非平稳特性,提出一种基于Chirp原子MP分解的汉语声母时频结构分析方法。实验仿真结果表明,该方法与直接WVD相比,无交叉项干扰,与Gabor原子分解相比,在重构声母信号90%能量情况下,不仅更加准确地提取了声母的时频特征参数,且采用原子个数和耗费时间分别为Gabor原子分解的30.77%和24.53%,证实了该方法的优越性。

利用粒子群算法实现信号OMP稀疏分解

稀疏表示在信号处理的许多方面都有着重要的作用,但是其计算量巨大难以应用在实时信号处理上。本文使用粒子群优化算法实现基于正交匹配追踪算法(OMP)的信号稀疏分解,粒子群算法能有效寻找OMP分解每一步中的最优原子,OMP是对匹配追踪算法(MP)的改进,收敛效果更好。实验结果验证了此算法的有效性。

变步长SAMP算法在雷达目标识别中的应用

引入压缩感知（CS）理论采用压缩重构的方法来解决雷达回波信号的数据巨大的问题。在信号稀疏度未知的情况下,针对传统的SAMP算法步长S固定导致的过估计或迭代时间过长问题,提出一种变步长的稀疏度自适应匹配追踪算法（Vs SAMP）。该算法在运算过程中以大步长快速逼近小步长慢速接近的原则,通过设置阈值调整步长变化来提高重构率。通过对雷达高分辨率距离像实测数据的压缩重构实验表明,与现有贪婪算法相比,变步长的自适应匹配追踪算法（Vs SAMP）可以用较快的速度和更高的精度实现重构。