基于TSVD的块稀疏重构雷达前视超分辨成像

针对传统贝叶斯解卷积方法未能有效利用目标的块结构信息而导致对块目标成像效果不理想的问题,本文提出将模式耦合稀疏贝叶斯学习方法应用于前视成像中。同时,针对其在低信噪比下分辨率迅速恶化的问题,提出使用截断奇异值分解作为解卷积之前的预处理,通过剔除卷积矩阵中较小的奇异值,可以有效抑制解卷积过程中的噪声放大,进而提升方位分辨率。仿真实验结果表明,所提方法在低信噪比下仍具有较好的超分辨成像效果。

基于块稀疏快速重构的MISO活跃用户集与信道联合估计

针对多用户多输入单输出(Multiple input single output,MISO)系统的用户选择与信道估计问题,引入基于用户分布式自选择的信道接入策略,设计一种新的结合该策略的时分双分复用(Time division duplex,TDD)模式数据传输帧结构。利用用户活跃模式自然稀疏性和信道冲激响应时延域稀疏性,将基站接收上行随机导频序列建模为块稀疏线性模型。基于凸松弛的l2/l1模型提出一种快速的块稀疏重构算法求解问题模型。算法首先对目标函数进行变量分裂,然后利用交替方向法对各变量进行交替更新,直至满足收敛条件。交替更新中,对于无法获得闭式解的信号变量项,采取块坐标下降法求解。计算机仿真表明,与块正交匹配追踪和块压缩采样匹配追踪比较,新算法能够在保持高重构精度的前提下获得更快的计算速度。

交替方向块稀疏信号快速重构算法

研究模型压缩感知中的块稀疏信号重构问题.在l2/l1模型基础上,提出一种基于交替方向法的块稀疏信号重构算法.在该算法中,首先对目标函数进行变量分裂,然后利用交替方向法对各变量进行交替更新,直至满足收敛条件.仿真实验中,将该算法与块正交匹配追踪和块压缩采样匹配追踪算法进行比较,结果表明该算法能够在保持高重构精度的前提下获得更快的计算速度.