基于二次迭代稀疏重构的跳频信号参数估计

为了解决现有参数估计方法中时频聚集性不强,低信噪比下估计精度不高问题,提出了一种基于二次迭代稀疏重构的跳频信号参数估计方法。根据跳频信号的时频稀疏性进行稀疏重构,获取信号的时频分布矩阵;通过分析时频分布矩阵的特点,对信号进行二次迭代稀疏重构,获取二次时频分布矩阵。为了提高在低信噪比下算法性能,采用二值形态学滤波对时频图进行处理,进而实现信号的良好参数估计。仿真结果表明:该算法能够有效地提高参数估计精度,在低信噪比下有良好的估计效果。

一种基于近邻稀疏表示的人脸识别新方法

稀疏表示近些年来被广泛用于人脸识别。由于在现实中,同类图像之间往往不可避免存在光照、姿态、甚至遮挡等差异,如果使用这些有各种差异的图像样本去表示某一特定状态下的图像,则表示的效果势必会受到影响。为进一步提高稀疏表示在人脸识别中的性能,基于原始协同分类(CRC)算法,引入近邻思想,即在各类训练样本中分别寻找与测试样本相近的若干样本,以构建新的近邻样本集;在此基础上进行协同表示,并利用每类样本系数分别重构待测样本,最后基于重构样本集再次协同表示。这种基于近邻样本的二次稀疏重构表示法,使识别更精确,并在一定程度上提升了运行效率。在ORL,YALE,FERET及AR人脸数据库上通过仿真验证了该方法的有效性。