降低多用户大规模MIMO-OFDM系统PAPR的加速近端梯度算法

针对多用户大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统存在较高峰值平均功率比(Peak-to-Average Power Ratio,PAPR)问题,在系统的下行链路中利用基站大量天线提供的冗余自由度,将OFDM调制、消除多用户之间干扰及降低PAPR联合成凸优化问题,并设计加速近端梯度算法(Accelerated Proximal Gradient Method,APGM)求解上述优化问题。仿真结果表明,所提方法显著降低了发射信号的峰均比,同时获得了较好的系统误符号率。与其他相关方法对比,APGM具有更低的计算复杂度和更快的收敛速度。

再生核Hilbert空间中两阶段稀疏表示目标跟踪算法

在强干扰复杂环境下,有效的特征选择对于目标跟踪模型的可解释性至关重要.针对这一问题,本文基于再生核Hilbert空间(RKHS)理论,对特征空间构建生成式的两阶段稀疏表示(TSSR)模型,从而描述图像样本与字典之间的非线性关系,避免了在字典中引入大量的琐碎模板.在第1阶段,首先建立图像样本与字典在原始低维空间中的关系,然后利用批处理最小二乘算法求得稀疏表示系数的初值,根据观测模型确定初始跟踪位置的分布;在第2阶段,首先利用核方法将原始低维空间映射到高维特征空间,然后提出一种基于核的加速近端梯度算法(KAPG),从而求得字典元素系数的核稀疏表示,最终确定跟踪目标.最后实验结果证明了本文所提出的TSSR方法在面对视角变化和部分遮挡时的有效性.

一种使用Bi-ADMM优化深度学习模型的方案

ADMM算法被广泛应用于传统机器学习模型优化领域,它解决了某些深度学习的优化问题。该算法在优化深度学习模型方面的表现已经超过了大多数基于梯度的优化算法,而Bi-ADMM算法比ADMM算法的收敛速度更快、更稳定。文章提出了一种优化深度学习模型方案dlBi-ADMM算法,并用该算法来训练深度学习模型。首先,文章采用加速近端梯度算法优化耦合变量来降低矩阵求逆运算的复杂度;然后,详细给出每个变量的优化子问题的具体函数;最后,通过实验证明文章所提dlBiADMM算法优化的结果比dlADMM优化的结果更能提高模型的精度,且dlBi-ADMM算法比dlADMM算法在时间效率上表现更好。

基于低秩矩阵恢复的去噪方法在石油测井中的应用

随着测井技术的发展,各大油田采集和存储的测井数据量呈井喷式增长,并存在大量冗余和噪声,在进行油气层识别前必须对测井数据进行压缩和去噪等预处理。低秩矩阵恢复(Low-Rank Matrix Recovery,LRMR)理论将压缩感知(Compressed Sensing,CS)中向量样例的稀疏表示推广到矩阵的低秩情形,从较大但稀疏的误差中恢复出本质上低秩的数据矩阵,可更好地保持数据结构,提高去噪效果。因此将低秩矩阵恢复理论中的去噪方法应用于石油测井中,实现对测井数据的去噪处理。对比研究了加速近端梯度算法(Accelerate Proximal Gradient,APG)、精确增广拉格朗日乘子(Exact Augmented Lagrange Multipliers,EALM)法和非精确增广拉格朗日乘子法(Inexact Augmented Lagrange Multipliers,IALM)在测井数据中的去噪效果,对去噪前后的测井数据分别采用支持向量机(Support Vector Machine,SVM)和相关向量机(Relevance Vector Machine,RVM)进行油气层识别,结果表明,与不去噪情况相比,利用三种算法进行去噪处理后油气层识别精度都有了显著提升。通过参数优化减少迭代次数,可使得IALM算法在运算时间上优于EALM算法和APG算法,明显提高了运算效率。

基于快速加权l_1范数最小化的FBG信号去噪方法

光纤布拉格光栅(FBG)信号去噪是实际FBG传感系统的核心问题。现有的方法可以达到较高的信噪比,但不能保证较低的峰值位置漂移,这是FBG传感系统的关键。文章提出了一种基于快速加权l_1范数最小化的FBG信号去噪方法,该方法基于加速近端梯度算法,具有低DPP的特点,去噪后峰值位置几乎不变。仿真结果表明,该算法具有快速高效的去噪效果,对参数选择具有较强的鲁棒性,而且文章算法只涉及基本运算操作,易于应用在实际处理系统中。