一种基于变步长的稀疏度自适应匹配追踪算法

压缩感知(Compressed Sensing,CS)理论突破了传统的采样定率,对于稀疏的或可压缩的信号,可同时进行采样和压缩。其中重构算法是压缩感知理论的研究热点之一,对采样过程的正确性验证有着重要意义。稀疏度自适应匹配追踪算法(Sparsity Adaptive Matching Pursuit,SAMP)在迭代过程中采用固定步长,容易导致过估计和欠估计。为解决该问题,根据相邻信号能量差的变化规律,在迭代过程中采用对数型的"变步长",即迭代的初始阶段步长增长速度较快,当能量差达到一定阈值时,则步长增长速度较慢,并设置双阈值严格控制逼近的精确度。实验表明,改进后算法提高了重构质量,尤其是在当采样率较低时,仍有较好的重构效果。

一种稀疏度自适应分段正交匹配追踪算法

针对分段正交匹配追踪(St OMP)算法需要信号的稀疏度作为先验信息且重构精度较低的特点,提出一种稀疏度自适应分段正交匹配追踪算法。首先,通过对观测矩阵与初始残差相乘所得的残余相关性向量进行离散余弦变换,估算出支撑集所要扩充的最大原子数;其次,采用与抽样率成正相关的因子对较大的阈值参数进行适当修正,并对通过设定阈值所选取的原子进行优化处理;最后在St OMP算法的框架下采用变步长的方法实现稀疏度的逼近和信号的精确重构。仿真结果表明:本文所提出的算法对信号的稀疏度具有很好的自适应特性,并且在保持了较低重构复杂度的同时具有更稳定的重构质量。

基于稀疏度自适应匹配追踪算法的微动杂波抑制

目标或目标组成部分的机械振动或旋转产生微多普勒效应,在目标分类和识别中起着重要作用。然而,环境中许多物体(例如风力涡轮机、空调等)的微多普勒效应对雷达系统而言就像时变的杂波,导致雷达探测性能下降。本文针对外辐射源雷达微动杂波影响目标检测的问题,提出了一种基于稀疏度自适应匹配追踪改进算法(SAMP)的微动杂波抑制方法。考虑到微动杂波的稀疏特性,将复杂的微动杂波抑制问题转化为稀疏信号表示问题,分离微动杂波并将其抑制,便于目标观测。相比于原SAMP算法,改进后的SAMP算法能自动调整步长并在残差达到自适应阈值后快速停止迭代。仿真和实测数据验证了所提方法的有效性。

改进的稀疏度自适应多路径匹配追踪算法

在信号重构算法中,针对基于树的多路径匹配追踪深度优先算法计算量大和多路径匹配追踪信号稀疏度未知等问题,本文提出了一种改进的稀疏度自适应多路径匹配追踪算法。该算法将自适应思想引入多路径匹配追踪算法中,自适应选择支撑集原子个数,并利用剪枝技术选择原子匹配概率最大的路径,使算法搜索路径更为有效,且大大降低了计算量。该算法改进了内积匹配准则,能在测量矩阵中更准确高效地挑选与残差信号匹配的原子,并在迭代过程中采用支撑集原子回溯和指数变步长方法提高重构精度。与传统MMP算法相比,本文提出的算法运算时间短,重建精度高,更具有实际应用价值。

用于CS的广义稀疏度自适应匹配追踪算法

压缩感知理论的基本思想是原始信号在某一变换域是稀疏的或者是可压缩的,并将奈奎斯特采样定理中的采样过程和压缩过程合二为一。稀疏度自适应匹配追踪(SAMP)算法能够实现稀疏度未知情况下的重构,而广义正交匹配追踪算法每次迭代时选择多个原子,提高了算法的收敛速度。基于上述两种重构算法的优势,提出了广义稀疏度自适应匹配追踪(Generalized Sparse Adaptive Matching Pursuit,gSAMP)算法。针对重构图像的峰值信噪比、重构时间、相对误差等客观评价指标,以及主观视觉上对所提算法与传统的贪婪算法进行对比。在压缩比固定为0.5时,gSAMP算法的重构效果优于传统的MP、OMP、ROMP、SAMP 以及gOMP贪婪类重构算法的效果。

一种改进的稀疏度自适应弱选择匹配追踪算法

针对实际水声信道无法获知先验稀疏度和导频资源问题,提出一种改进的稀疏度自适应弱选择匹配追踪算法(MSASWOMP)。将稀疏度初始估计作为初始支撑集的大小,对原子进行阈值弱选择得到的原子支撑集作为回溯筛选的候选集;再以初始支撑集大小为回溯开始初始条件值进行二次筛选;最后利用变阶段步长方法进行稀疏度逐步精确估计,自适应更新回溯开始条件值。仿真实验分析了阈值参数、稀疏度估计步长和导频数目对于MSASWOMP算法的影响,结果表明,该算法能以更少的导频数目获得更精确的信道估计值,节省导频资源的同时,其均方误差(MSE)优于传统算法。

稀疏度自适应分段正交匹配追踪算法改进

在基于压缩感知的信号重构问题中,有一类常见情况——未知信号稀疏度.针对此类情况,提出稀疏度自适应分段正交匹配追踪(Sparsity Adaptive Stagewise Orthogonal Matching Pursuit,SAStOMP)算法,该算法将自适应思想、变步长迭代思想与分段正交思想相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,最终实现信号的精确重构.仿真结果表明,针对长度为256位的原始信号,该算法重建效果优于正交匹配追踪算法、正则化正交匹配追踪算法和分段正交匹配追踪算法等.

步长自适应的前向后向匹配追踪算法

稀疏度自适应的匹配追踪算法(SAMP)是基于压缩感知理论的信号重建经典算法。针对稀疏度未知的信号重建,提出步长自适应的前向后向匹配追踪(AFBMP)算法,AFBMP算法在稀疏度自适应匹配追踪算法的框架下,前向搜索过程中采用对数型自适应变化的步长选择匹配原子,然后通过后向策略修正前向阶段造成的错误,删除支撑集中的部分错误原子,最终实现信号的精确逼近。实验表明AFBMP算法比SAMP算法能够更加高效地重建稀疏度未知的信号。

阈值稀疏自适应匹配追踪图像重构算法

针对稀疏度自适应匹配追踪算法(SAMP)在进行图像重构时存在重构精度低及计算复杂度高的问题,本文提出了一种基于阈值控制的稀疏度自适应匹配追踪(T-SAMP)算法.基于回溯迭代的正交匹配追踪(BAOMP)算法在原子选择阶段,采用阈值核查所选的可靠原子及删除不可靠原子,将核查可靠原子步骤作为SAMP算法迭代前的预处理步骤,以寻找到信号的最大近似系数,以提高重构精度以及降低算法复杂度.仿真结果表明,与SAMP算法相比,所提出的T-SAMP算法能平均提高3dB峰值信噪比,算法平均运行时间降低约60%.

基于压缩感知的稀疏度自适应图像修复

压缩感知理论利用信号的稀疏特性,能够以较少的采样数据恢复出完整的信号。本文基于压缩感知理论,提出一种稀疏度自适应图像修复算法。有别于传统的图像修复方法,本文首先根据大量样本数据进行K-奇异值分解(K-SVD)字典训练,用训练得到的超完备字典取代正交基函数;然后根据图像的退化模型对感知矩阵加以约束;最后针对二维破损图像稀疏度未知问题,在重构阶段提出了一种稀疏度自适应正则化正交匹配追踪算法(SA-ROMP)实现破损图像修复。本文引入的超完备字典能够自适应地根据训练样本进行特征提取,具有更强的稀疏表示能力。重构阶段的SA-ROMP算法在迭代过程中利用logistic回归函数获取阈值,再通过阈值对残差与感知矩阵的相关系数进行判定,能够自适应选择原子候选集的个数。图像修复实验结果验证了本文算法的可行性,并且修复效果明显优于其他同类算法。

自适应匹配追踪的OFDM系统窄带干扰检测

针对在OFDM通信系统中,基于压缩感知的窄带干扰检测时间过长的问题,提出了将自适应匹配追踪算法应用到压缩感知理论的信号重构过程中的算法。该算法可在未知干扰稀疏度的情况下,自适应地调整候选集原子的个数,在低于奈奎斯特采样频率前提下,快速实现单个及多个窄带干扰信号检测。仿真结果表明:所提算法能够有效地实现窄带干扰检测且运行速度快,改善了OFDM通信系统的性能。

一种自适应压缩采样匹配追踪算法

压缩采样突破了奈奎斯特采样定理的限制,以低于奈奎斯特率对信号进行采样,通过相关算法精确恢复信号。依据重建算法需要稀疏度这一先验信息,提出一种自适应压缩采样匹配追踪信号重建算法,该算法摆脱对稀疏度的依赖,通过自适应调整步长逐步逼近原始信号。仿真结果表明,该算法能精确地对信号进行重建,重建概率和计算复杂度均有所改善。

一种改进的自适应压缩采样匹配追踪算法

针对稀疏度未知的信号,提出一种改进的自适应压缩采样匹配追踪算法(IACoSaMP)。首先在压缩采样匹配追踪算法(CoSaMP)的基本框架下,以原子相关系数最大值的一半作为一个阈值,对每次迭代中预选阶段选入的原子进行二次筛选;然后结合稀疏性自适应匹配追踪算法(SAMP),分阶段逼近实际支撑集。实验结果表明,在相同条件下,相比较于CoSaMP和SAMP,本文算法具有较优的重构性能。

基于稀疏度自适应的压缩感知重构算法研究

为了解决在信号和图像重构中前向搜索正交匹配追踪算法需要在稀疏度已知的条件下进行重构,且重构精度不足的问题,提出了一种稀疏度自适应的回溯前向搜索正交匹配追踪算法。在稀疏度未知的情况下,引入了回溯策略来筛选原子,然后通过前向预测策略筛选出残差最小的原子加入支撑集进行迭代,并自适应更新步长,加快了算法收敛速度,提高了信息重构的精度。通过仿真实验发现,与同类算法相比,该算法信号重建噪声比、精确重建率、相对误差性能在一维点目标仿真和二维图像仿真方面均优于同类算法,证实了方法的有效性。

基于稀疏度特征的短时电能质量扰动信号重构方法

现有基于压缩感知的短时电能质量扰动信号重构方法尚未考虑信号稀疏度特征,重构性能有待进一步提高。为此,提出一种基于稀疏度特征的信号重构方法。首先,根据压缩感知理论对信号进行采样。随后,开发出短时电能质量扰动信号的稀疏度特征—稀疏度在频域为偶数。基于该特征,提出"双步长稀疏度自适应匹配追踪"重构方法。分析与仿真结果表明,相对于传统的稀疏度自适应匹配追踪算法,提出方法降低了计算复杂度和均方误差,提高了重构信噪比和信号的正确重构概率。

冲击噪声环境下双基地MIMO雷达多目标角度估计

提出了冲击噪声环境下双基地MIMO雷达多目标角度估计方法。基于传统的双基地MIMO雷达模型,推导了冲击噪声环境下双基地MIMO雷达模型,再将其转化为稀疏重构的问题,推导了冲击噪声环境下基于稀疏表示的双基地MIMO雷达模型,最后运用稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)算法求解模型。算法的优点有:不需要信号源个数作为先验信息,只需单快拍即可实现信号重构,能处理相干信号源,无需参数配对。仿真结果验证了算法的有效性。

基于自适应阈值SAMP算法的OFDM稀疏信道估计

为了降低重构算法的复杂度,提高重构的精确度,提出一种自适应阈值的稀疏度自适应匹配追踪算法(SAMP),并将其运用在OFDM稀疏信道估计中。蒙特卡洛仿真证明,改进后的算法相比于原算法在CPU运行时间上减少了44.7%,并且在较低的信噪比下也能达到较好的估计效果。此外,针对OFDM稀疏信道估计问题,结合压缩感知理论中观测矩阵的构造方法,提出一种新的导频图案分布设计方法,仿真证明该导频图案设计方法比现有方法在估计精确度方面提高2～4 dB。

自适应局部稀疏线性嵌入降维算法

针对局部线性嵌入近邻选取和权重矩阵奇异的问题,提出一种自适应局部稀疏线性嵌入降维算法。采用稀疏度自适应匹配追踪求解权重矩阵,利用匹配追踪的残差迭代出近邻点的权重,避免权重矩阵求解过程中引起的奇异问题。通过样本重构的残差大小,自适应地选取合适的近邻点个数,对邻域进行二次选择,保留更多的样本结构信息。实验结果表明,该算法的分类正确率均高于其他降维算法,同时也缩短了运行时间。

基于SAMP重构算法的OFDM系统稀疏信道估计方法

为了提高OFDM系统稀疏信道估计的精度和减少导频子载波的数目,本文将OFDM系统频率选择衰落信道时域稀疏冲激响应的参数估计问题转化为压缩感知理论中在稀疏度未知及存在噪声干扰情形下复数稀疏信号的重构问题,提出了分别基于基追踪降噪(BPDN)和稀疏度自适应匹配追踪(SAMP)的两种OFDM系统稀疏信道估计方法。在导频数和信噪比均相同的情形,与传统的最小二乘法(LS)、匹配追踪-最小二乘法(MP-LS)的信道估计方法相比,仿真结果表明所提出的两种方法无须将信道的稀疏度作为先验知识,并具有归一化均方误差小和误比特率低的优点。在所提出的两种方法中,基于SAMP的方法比基于BPDN的方法具有运行速度快、性能更接近Cramer-Rao界的优点,且导频子载波仅为系统子载波的12.5%,信噪比约大于10dB时,采用基于SAMP的方法在信道稀疏度未知的情形也能获得满足实际应用的误比特率。

OFDM系统稀疏信道估计研究

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。提出一种新的基于压缩感知理论的正交频分复用系统信道估计方法,采用稀疏度自适应匹配追踪压缩感知算法对OFDM信道时域脉冲响应进行估计。克服了现有基于压缩感知理论的信道估计方法需要预先知道信道冲激响应稀疏度才能重构信道参数的不足,在信道稀疏度等信道先验知识未知情况下可得到较好的信道估计性能,降低系统复杂度。