Matching Pursuits视频编码中原子匹配块搜索中的权值设计

基于 Matching Pursuits的误差图像编码算法因其基函数的灵活性 ,是一种在低码率视频编码应用中较为理想的算法 ,块能量搜索算法被用于减少该算法的编码复杂度 .针对固定权值加权块搜索算法的不足之处 ,提出了一种自适应加权块搜索算法 ,在不增加算法复杂度的情况下 ,对不同的被编码序列采用不同的权值表完成加权块能量算法 ;在各种情况下均得到了较理想的编码效果 .

权重化QR分解的正交匹配追踪算法硬件实现

为在小型化、低成本的硬件平台实现正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法,针对OMP算法中最小二乘法的问题,该文构造一个确定性的传感矩阵,提出一种低复杂度、低资源的权重化QR分解的OMP(Weighted QR decomposition OMP,WQR-OMP)算法硬件结构,在ZYNQ 7020型号芯片上搭建WQR-OMP SOC系统.WQR-OMP算法在传感矩阵进行QR分解后,根据三角矩阵R中元素的分布特性,通过权重化运算只保留主对角线上的元素而其他余元素归零,得到对角矩阵D,然后近似计算稀疏向量的解.实验结果表明:与基于QR分解的OMP(QR decomposition OMP,QR-OMP)和Batch-OMP算法的硬件结构相比,WQR-OMP算法硬件结构的重构速度更快、存储资源更少.在压缩率为0.25的条件下,WQR-OMP SOC系统对256×256分辨率图像的重构时间为400 ms左右,其速率比仅使用ARM处理器的重构速率提高了约6.3倍.与其他现有研究对比,该系统在Block RAM存储资源消耗较少的情况下,进一步提升了重构速度,适用于存储资源受限的硬件平台.

加权MPFI方法及其在三维连片处理中的应用

在对采集参数差异较大的多块三维区块开展连片处理时,传统的基于MPFI,ALFT,Low-Rank及MWNI等理论的规则化方法要么无法有效克服空间假频,要么无法满足其线性假设条件,不能真正实现保真规则化处理。针对这一问题,在传统MPFI算法的基础上,将不含假频的低频信息谱作为先验信息进行加权,实现了加权MPFI数据插值,并建立了规则化方法。实际测试结果表明,该方法与传统MPFI方法相比,一方面可以有效克服空间假频,实现多块三维区块的连片规则化处理;另一方面,该方法并未增加额外的地质信息,只是在一定程度上改变了观测系统的空间采样属性,具有比传统规则化方法更高的保真性。通过数据正演模型试算及野外地震数据实算,验证了该方法的准确性、有效性和对野外地震资料的适应性。

基于双字典集的信号稀疏分解算法

为得到关于信号更为稀疏的表示,提出一种基于双字典集的信号稀疏分解算法。在算法过程中,建立如下两个字典集:已选字典集和待选字典集。该算法以重复加权提升搜索(RWBS)算法为基础,增加了一步更为严格的从待选字典集中选择最佳核函数的过程,故该算法在保留初始算法的优点的同时,可以产生更为稀疏的模型。通过仿真实验和真实数据实验验证了所提算法的性能。

基于压缩感知的自适应加权匹配追踪算法

压缩感知(compressed sensing,CS)技术通过减少发射导频数来提高频谱的利用率。将CS技术应用于导频辅助的稀疏度未知的正交频分复用(orthogonal frequency division multiplexing,OFDM)信道估计中,提出一种自适应加权匹配追踪(CS-based adaptive weighting&matching pursuit,AWMP)算法。该算法使用自适应加权、匹配追踪的方法估计信道时域脉冲响应,按照估计信噪比和匹配原则,利用多次迭代进行自适应加权和寻找最佳稀疏度,实现未知信道稀疏度与信噪比的情况下,准确估计信道信息。仿真验证表明,与传统的信道估计算法相比,采用基于AWMP的信道估计方法,能够利用较少的导频信息获得更低的误码率和均方误差。

基于核稀疏表示的人脸人耳融合识别算法的研究

针对人脸人耳融合识别算法对图像光照变化、表情变化、拍摄角度变化等鲁棒性不强的问题,将核稀疏表示理论引入到人脸人耳融合识别中,提出基于核稀疏表示的人脸人耳融合识别算法。新算法采用的是能有效降低样本维度的PCA特征提取算法,人脸人耳的特征融合层级选用既能实现冗余信息有效压缩,又能最大程度利用不同模态生物特征可区分性的特征级融合。考虑到不同模态生物特征对最终识别的贡献可能有所不同,该算法采用加权串联融合法,同时测试样本在训练样本中稀疏表示系数的求解采用的是迭代速度比较快的正交匹配追踪算法。与其他识别算法相比,该算法具有非常好的识别性能,并且对人脸人耳图像变化具有很强的鲁棒性。

基于稀疏表示的WMSN红外和可见光图像融合

在使用无线多媒体传感网络WMSN进行环境监测的过程中,对同一场景所采集的红外和可见光源图像进行信息融合时,传统的方法融合的数据量较大且没有充分考虑其内在稀疏性和丰富的结构特征,图像融合的质量不高。将稀疏表示理论应用于WMSN红外和可见光图像融合中,在原始DCT冗余字典基础上,结合K-SVD字典训练算法和同步正交匹配追踪SOMP算法对WMSN红外和可见光图像进行有效的稀疏表示,并选择自适应加权平均融合规则对稀疏表示系数进行融合处理。仿真结果表明,相对于传统的基于空域及变换域的红外和可见光图像融合方法,该方法更能从WMSN含噪图像中有效地保留源图像的有用信息,获得较好的融合效果。

稀疏重构的压缩感知语声增强模型与算法

语声增强的目的在于消除带噪语声信号中的噪声干扰,提高语声信号的可听度与可懂度。与传统语声增强算法不同,本文利用语声信号与噪声信号的稀疏性差异,提出了一种基于稀疏重构的压缩感知语声增强模型,并导出该模型的数学表达式。基于此语声增强模型,本文还融入了语声信号的稀疏性与非平稳性,提出了语声存在概率为加权因子的加权正交匹配追踪语声增强算法。仿真实验表明本文提出的语声增强模型与算法具有可行性、有效性以及优越性。本算法不仅可以有效的抑制噪声干扰,还可以保留大部分语声信号,达到语声增强的目的。此外,与谱减法和最小均方误差算法比较,虽然本文算法计算量较大,但是其性能优越。

基于改进CoSaMP算法的图像重建

重构算法是压缩感知的核心技术之一,直接决定着压缩感知能否可以在实际系统中进行应用。为提高压缩感知的重构精度同时缩短处理时间,本文引进加权与矩阵分块技术,与压缩采样匹配追踪(Compressive Sampling Matching Pursuit,Co Sa MP)算法相结合,使原始算法更加完善。仿真结果表明,当稀疏条件同等的情况下进行重构,改进的算法与原始算法相比重构质量有所提高。

通过CWLS-DL优化St-OMP算法的盲信号重构

针对稀疏成分分析理论的"两步法"中的源信号重构算法改进,提出一种由相关性加权最小二乘字典学习法与分段正交匹配追踪算法组合的算法,能够解决带权重信号误差的F-范数最小化问题,并通过增加单次迭代的原子数改变算法复杂度。将此组合算法用于语音信号的盲源分离仿真实验,完成源信号重构。实验结果表明,用该组合算法重构的信号,能在保证提高重构精度的同时,与算法复杂度存在良好的折中。无噪声环境下该组合算法的性能为最佳,有噪声环境下可达到信号重构要求的最小信噪比约为17～18 dB。

采用经验模态分解的语音与音频通用编码方法

为有效解决现有单一模型编码器无法在中低速率对语音和音频信号进行高质量通用编码的问题,本文借助语音与音频信号的谐波特性,建立了一种对语音和音频信号统一编码的方法。首先,本文利用经验模态分解(Empirical Mode Decomposition,EMD)提取输入信号的谐波成分;其次,利用感知匹配追踪算法,并结合正弦参数建模对谐波成分进行参数提取与量化;第三,对于量化谐波后的残差进行抖动格型矢量量化,以提升重建音频的主观听觉质量,并最终实现一套包含24kbps和32kbps码率的宽带语音与音频通用编码器;最后,对所提算法进行了客观PESQ/PEAQ和主观A/B测试,并与ITU-T G.722.1和G.722.2编码器进行了比较,实验结果表明,所提编码器对语音和音频信号的编码质量均优于参考编码器。

基于约束模态匹配-加权最小二乘的区域有源噪声控制

在区域存在源控制问题中,在目标区域产生大的降噪量的同时还需要控制次级声源阵列尽量不在其他区域内产生不必要的噪声增加。在实际应用中,可用的次级声源数目和能量都是有限的,如何充分利用有限的资源来最优化控制效果是一大难点。本文提出了一种结合加权最小二乘指向性声场控制算法和约束下的模态匹配次级声源布放优化算法的新有源控制算法。相比于传统均匀布放次级声源阵列的有源控制算法,新算法添加了约束区域并用模态匹配算法进行了次级声源优化布放。仿真显示,相比均匀布放次级源阵列的控制算法,新算法在目标区域获得了更好的降噪效果,并且在约束区域有着更少的噪声增加。

地震信号稀疏分解的快速方法

稀疏化方法由于能够实现地震信号的高精度分解,已经成为重要的地震信号处理技术.目前地震信号稀疏分解常采用的方法是匹配追踪算法(Matching Pursuit,MP),但所得结果不够稀疏.针对此局限,提出了一种基于重复加权提升搜索算法(Repeated Weighted Boostmg Search,RWBS)的快速分解方法.首先,根据地震信号的频谱图缩小频率搜索范围;然后,将搜索算法RWBS与正交匹配追踪(Orthogonal Matching Pursuit,OMP)方法相结合,就得到一种快速的稀疏分解方法,将本文的方法应用到人工合成和实际的地震数据处理中,并与MP和OMP追踪算法作比较,说明采用本文方法进行地震信号分解在稀疏度和分解速度方面都有提高,仿真实验结果表明,与MP和OMP分解算法相比,在满足相同的分解精度条件下,RWBS算法不仅大大提高了分解的稀疏度,而且提高分解速度.与OMP算法相比较.基于RWBS的新方法分解所需的时间减少了约87%;与MP算法相比较,新方法分解所需的时间减少约50%.