压缩感知中基于快速不动点迭代算法的研究

针对传统迭代算法在解决大规模问题时速度较慢的问题,在介绍了压缩感知中重构的基本模型以及传统不动点迭代方法(FPC)的基础上,提出了一种新的重构算法-快速不动点迭代方法(FFPC)。传统的不动点迭代方法其实是基于算子分裂的方法。为了提高去重构性能,通过引入软阈值和正则化参数的双收缩,逐步迭代恢复原始图像信号,以加快算法的收敛速度,减小重构误差,从而改善图像的重构质量。仿真结果表明,在相同的实验环境下,与传统的不动点迭代算法以及其他算法相比,快速不动点迭代算法重构图像的峰值信噪比较高,相对误差较小,在低采样率下运行时间较少,性能最优。

独立分量分析在机械振动信号分离中的应用

针对机械运转时工作环境复杂,监控采集的信号多为混合信号的情况,研究了如何从混合信号中分离出相对应的各振动源信号。采用独立分量分析的分离方法,通过对极大似然估计的目标函数进行简化,基于无需选择学习率的快速不动点迭代的优化方法,选用可同时估计亚高斯和超高斯独立成分的非线性函数估计概率密度,推导出了该算法。最后,对工程中几种特殊情况下的混合信号进行仿真和实验室实测的分离试验。结果表明,算法简单易行,具有快速稳定收敛的性质。