基于自适应同时稀疏表示的鲁棒性目标追踪

综合考虑高斯噪声和拉普拉斯噪声,并通过拉普拉斯噪声的能量大小自适应的选择稀疏模型,该文提出了基于同时稀疏表示的自适应追踪算法。该算法可以更好的解决目标遮挡、姿势改变、光照变化和背景混杂等追踪问题,且具有更强的鲁棒性。其次提出一种基于子空间学习和无监督学习(K-means)相结合的模板更新方法,该方法一方面可以及时有效地反应目标的状态,另一方面也可以避免模板更新过快而引入较大的误差。然后,利用LASSO算法对该模型做了进一步的改进,并将目前较好的9种追踪算法与该文提出的算法进行比较,实验结果表明该算法在鲁棒性、精确性和实时性方面都得到了较好的改善。

基于同时稀疏和低秩先验的多通道脑电波信号重建方法

该文提出了一种基于lq范数和截断加权Schatten-p范数(LQTWSP)的非凸优化模型,旨在准确挖掘多通道脑电波信号中固有的同时稀疏和低秩属性,并选择了一种有效的迭代方案求解非凸优化模型。通过实验验证该文LQTWSP方法的性能。将LQTWSP与基于内点法的SCLR(SCLR-I)、基于交替方向乘子法的SCLR(SCLR-A)、同步正交匹配追踪(SOMP)法、块稀疏贝叶斯学习(BSBL)和同步贪婪分析追踪(SGAP)法进行比较。实验在Physical Bank数据库的CHB-MIT头皮脑电波数据库上进行。结果显示:SCLR-I和SCLR-A可以获得比BSBL更好的结果,该文LQTWSP方法的误差低于SCLR-I和SCLR-A,速度比SCLR-I快,与SCLR-A接近。由于该文LQTWSP方法能充分发挥非凸替代函数优势,能准确挖掘同时稀疏和低秩属性,因此比其他方法更适合于多通道脑电波信号的重建。

基于联合稀疏表示和同时稀疏近似的并行坐标下降去噪算法

针对并行坐标下降(Parallel Coordinate Descent,PCD)在音频信号去噪过程中的运行时间成本问题,构建一种新的时域处理框架,并在此基础上提出基于联合稀疏表示和同时稀疏近似的Joint-PCD算法。新的框架是将每个分割的音频帧作为一个列向量生成信号矩阵,利用超完备字典,Joint-PCD算法每执行一次是对一个音频信号(矩阵)而不仅仅是对一个音频帧(向量)实施去噪。仿真结果表明,Joint-PCD不仅具有与PCD相同的去噪性能,而且加快了算法的收敛。

启发式联合PCD快速降噪算法

基于稀疏冗余表示,并行坐标下降(PCD)是最优秀的降噪算法之一。然而在音频信号处理中,当分割的帧数很大时,PCD的计算负担加重,造成运行时间剧增。该文基于联合稀疏表示(JSR)和同时稀疏近似(SSA),建立一种新的时域框架,并提出了一种启发式联合PCD算法(Joint-PCD)。在该框架中,每个音频帧作为一个列向量生成信号矩阵;利用超完备字典,Joint-PCD同步(同时)对信号矩阵降噪,提高了算法的运行效率,减小了运行时间。仿真结果表明:Joint-PCD算法不仅与PCD具有几乎相同的降噪性能,且把PCD算法的降噪速度提高了约5倍,极大地改进了PCD算法的收敛性能。