压缩感知理论是一种利用信号稀疏性或可压缩性对信号进行采样同时压缩的新颖的信号采样理论。针对稀疏度未知信号重构问题,提出了一种稀疏度自适应正交多匹配追踪重构算法。该算法在广义正交匹配算法(generalized orthogonal multi matc...压缩感知理论是一种利用信号稀疏性或可压缩性对信号进行采样同时压缩的新颖的信号采样理论。针对稀疏度未知信号重构问题,提出了一种稀疏度自适应正交多匹配追踪重构算法。该算法在广义正交匹配算法(generalized orthogonal multi matching pursuit,GOMP)基础上结合稀疏自适应思想。根据相邻阶段信号能量差自适应调整当前步长大小选取支撑集的原子个数,先大步接近,后小步逼近信号真实稀疏度,从而实现对信号精确重构。实验仿真结果表明,该算法能有效精确重构信号。具有良好的重构性能和较高的重构效率。展开更多
正交匹配追踪反卷积声源识别算法(orthogonal matching pursuit deconvolution approach for the mapping of acoustic sources, OMP-DAMAS)具有极高的计算效率、空间分辨率和重构精度,被广泛应用声源识别领域。但在实际的工程运用中,...正交匹配追踪反卷积声源识别算法(orthogonal matching pursuit deconvolution approach for the mapping of acoustic sources, OMP-DAMAS)具有极高的计算效率、空间分辨率和重构精度,被广泛应用声源识别领域。但在实际的工程运用中,无法满足提前确定声源数目的条件,可能造成识别结果不准确。因此提出了一种分段取阈值的OMP-DAMAS算法,在声源稀疏度未知的情况下,通过对内积和最小二乘解取阈值将伪声源和旁瓣对应的列序号从原子支撑集中删除,直接精确的识别出真实声源的位置。仿真和试验结果表明了所提算法与传统的延时求和算法相比,可以明显的减小主瓣宽度,提高空间分辨率,同样能达到OMP-DAMAS算法的重构效果,对噪声具有较好的鲁棒性,且具有极高的识别稳定性。展开更多
针对双频段预失真模型复杂度高以及当前的模型优化算法不具有自适应性的问题,提出一种自适应的模型优化算法.采用双频段广义记忆多项式作为预失真模型,通过正交匹配追踪算法对原始模型的基函数项进行排序,每次迭代时用所有已挑选的基函...针对双频段预失真模型复杂度高以及当前的模型优化算法不具有自适应性的问题,提出一种自适应的模型优化算法.采用双频段广义记忆多项式作为预失真模型,通过正交匹配追踪算法对原始模型的基函数项进行排序,每次迭代时用所有已挑选的基函数项构成备选模型,推导了模型输出向量元素服从非独立同分布情况下的贝叶斯信息准则(Bayesian Information Criterion,BIC),并将BIC值最小的备选模型作为优化后模型,从而在原始模型稀疏度和拟合误差门限未知情况下,实现了模型的自适应优化.结果表明:优化后模型与原始模型相比,二者分别预失真后的信号在邻道功率比和归一化均方误差方面均非常接近,预失真效果良好,而模型的系数量减少了75%以上.展开更多
文摘压缩感知理论是一种利用信号稀疏性或可压缩性对信号进行采样同时压缩的新颖的信号采样理论。针对稀疏度未知信号重构问题,提出了一种稀疏度自适应正交多匹配追踪重构算法。该算法在广义正交匹配算法(generalized orthogonal multi matching pursuit,GOMP)基础上结合稀疏自适应思想。根据相邻阶段信号能量差自适应调整当前步长大小选取支撑集的原子个数,先大步接近,后小步逼近信号真实稀疏度,从而实现对信号精确重构。实验仿真结果表明,该算法能有效精确重构信号。具有良好的重构性能和较高的重构效率。
文摘正交匹配追踪反卷积声源识别算法(orthogonal matching pursuit deconvolution approach for the mapping of acoustic sources, OMP-DAMAS)具有极高的计算效率、空间分辨率和重构精度,被广泛应用声源识别领域。但在实际的工程运用中,无法满足提前确定声源数目的条件,可能造成识别结果不准确。因此提出了一种分段取阈值的OMP-DAMAS算法,在声源稀疏度未知的情况下,通过对内积和最小二乘解取阈值将伪声源和旁瓣对应的列序号从原子支撑集中删除,直接精确的识别出真实声源的位置。仿真和试验结果表明了所提算法与传统的延时求和算法相比,可以明显的减小主瓣宽度,提高空间分辨率,同样能达到OMP-DAMAS算法的重构效果,对噪声具有较好的鲁棒性,且具有极高的识别稳定性。
文摘针对双频段预失真模型复杂度高以及当前的模型优化算法不具有自适应性的问题,提出一种自适应的模型优化算法.采用双频段广义记忆多项式作为预失真模型,通过正交匹配追踪算法对原始模型的基函数项进行排序,每次迭代时用所有已挑选的基函数项构成备选模型,推导了模型输出向量元素服从非独立同分布情况下的贝叶斯信息准则(Bayesian Information Criterion,BIC),并将BIC值最小的备选模型作为优化后模型,从而在原始模型稀疏度和拟合误差门限未知情况下,实现了模型的自适应优化.结果表明:优化后模型与原始模型相比,二者分别预失真后的信号在邻道功率比和归一化均方误差方面均非常接近,预失真效果良好,而模型的系数量减少了75%以上.