基于变步长分阶自适应匹配追踪算法的振动数据重构方法研究

在处理多维海量振动数据时,存在极大的存储和传输压力问题,针对这一问题,对压缩感知理论进行了研究,在选择最优测量矩阵的基础上,提出了一种变步长分阶自适应匹配追踪(VSSStAMP)算法。该算法将匹配追踪、变步长迭代及自适应思想相结合,通过双重阈值和可变步长控制信号的重构精度,弥补了传统的重构算法需提前得到信号的稀疏度,以及稀疏度自适应匹配追踪算法(SAMP)重构结果与步长关联较大的不足,从而实现了步长自适应的振动信号重构。研究结果表明:相对于传统的重构算法和SAMP算法,VSSStAMP算法在均方误差和运行时间等方面均有所改善,有效地提高了振动信号重构的精度和效率。

免授权NOMA系统中基于变步长自适应匹配追踪的抗干扰多用户检测算法

第五代移动通信系统(5G)通过非正交多址(NOMA)技术对无线通信资源进行非正交复用,以过载的方式提高了频谱利用效率和系统容量。NOMA系统采用免授权的方式减少了系统流程和信令开销,但是接收端需要进行多用户检测。基站利用活跃用户的稀疏特性,采用压缩感知(CS)重构算法恢复活跃用户的混合稀疏向量,实现了高效的多用户检测。但5G网络中基站密集部署增强了相邻小区间的干扰,因而增加了CS检测难度及降低了检测精度。针对免授权NOMA系统中多用户检测存在干扰的问题,提出了一种基于变步长自适应匹配追踪的抗干扰多用户检测算法。在稀疏度未知的情况下,该算法以大步长快速接近、小步长精确逼近稀疏度的自适应变步长方式,实现抗干扰的活跃用户检测。仿真结果表明,在不同过载率下,所提算法的误比特率均低于传统的基于OMP,gOMP和SAMP的多用户检测算法。

基于CS的正则化稀疏度变步长自适应匹配追踪算法

压缩感知(CS)能够突破Nyquist采样定理的瓶颈,使得高分辨率信号采集成为可能。重构算法是压缩感知中最为关键的部分,迭代贪婪算法是其中比较重要的研究方向。对压缩感知理论进行了详细分析,并在现有重构算法的基础上提出了一种新的迭代贪婪算法——正则化稀疏度变步长自适应匹配追踪(RSVss AMP)算法,可在信号稀疏度未知的情况下,结合正则化和步长自适应变化思想,快速精确地进行重构。相比于传统迭代贪婪算法,本文算法不依赖于信号稀疏度,并且应用正则化以确保选取支撑集的正确性。此外,应用自适应变化步长代替固定步长,能够提高重构速率,而且达到更高的精度。为了验证本文算法的正确性,选取高斯稀疏信号和离散稀疏信号分别进行仿真,并与现有算法进行比较。仿真结果表明,本文算法相比于现有算法可以实现更加精确快速的重构。

基于CS的稀疏度变步长自适应压缩采样匹配追踪算法

通过对压缩感知(CS)理论进行研究和分析,在传统的重构算法的基础上,提出稀疏度变步长自适应压缩采样匹配追踪算法(CSVssAMP)。采用压缩采样和可变步长自适应变换的思想,解决了稀疏性未知信号的重构问题,有效地提高了数据的重构效率。相比传统的重构算法,该算法不需要预先已知稀疏度,并且每次迭代选择多个原子可以更精准地恢复低噪声信号。采用自适应变步长替换固定步长,提高了重构速率和目标精度。仿真结果表明,与现有重构算法相比,该算法的重构效果更好。

基于变分模态分解和稀疏表示的局部放电信号去噪算法

鉴于局部放电信号受各种噪声的干扰,文章提出一种基于变分模态分解和稀疏分解的局部放电信号去噪算法。以稀疏表示算法为核心,基于局部放电信号的特性构建其过完备字典,再采用匹配追踪算法在过完备字典中搜索出原信号的最佳匹配原子集合重构信号;为解决过完备字典维度过高而导致的搜索次数太多的问题,引进变分模态分解算法和峭度值筛选进行预处理和预重构;优化后的方法可以限制稀疏分解算法的搜索范围和字典参数,以减小计算复杂度。仿真验证以及对工程环境中实测信号的去噪结果表明:该方法具有更好的降噪效果,即使在极低信噪比的情况下,依旧能提取出有效的局部放电信号。

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。