改进的回溯正则化自适应匹配追踪算法及应用

针对压缩感知重构时存在的回溯过度问题,研究了一种改进的回溯正则化自适应匹配追踪(IBRAMP)算法。首先,利用自适应阈值随机地进行原子选取,并通过回溯剔除错误原子的方法来提高重构的正确率。其次,在回溯的同时,通过更新剔除原子序数对应的观测矩阵列来避免回溯过度问题。最后,对观测矩阵进行归一化处理,减少重构时间。实验结果表明,该算法在具备更高成功重构率的同时,能够大幅度减少重构时间。将其用于实际故障轴承信号的重构中,重构结果无论在时域还是在频域中,都能准确地反映实际轴承故障信号中的故障特征。

用于压缩采样信号重建的回溯正则化自适应匹配追踪算法

正则化正交匹配追踪算法是一种广泛被使用的压缩感知重构算法,但其需要已知信号的稀疏度。针对这一缺点,本文提出一种回溯正则化自适应匹配追踪算法。该算法基于正则化正交匹配追踪算法进行改进,首先采用设置模糊阈值的方式初始化选取一些原子,然后对其进行正则化,最后采用回溯的方式删掉个别错误的原子。在每次迭代中,不断更新支撑集的同时扩大支撑集,以逐步逼近信号的稀疏度。实验结果表明,在相同的测试条件下,改进后的算法与其他贪婪算法相比,无论是对一维稀疏信号还是二维图像,均取得了更好的重建效果,且运行时间也比较适中。

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。

一种改进的稀疏度自适应变步长正则化匹配追踪算法

介绍了压缩感知理论的基础知识,并分析了压缩感知的重建算法。正则化正交匹配追踪算法引入了正则化思想进行原子筛选,使迭代次数减少,但前提是要知道信号的稀疏度。稀疏度自适应匹配追踪算法可以通过设置终止条件来使稀疏度自适应,但迭代次数较多,时间成本较大。在两种方法的基础上提出了一种改进的稀疏度自适应变步长正则化匹配追踪算法,该算法克服了上述两种算法的缺点。仿真结果表明,文中提出的算法较准确地重构出原始信号,且运算时间较低。

基于弱选择正则化正交匹配追踪的图像重构算法

正则化正交匹配追踪算法由于重构效率高在信号重构中得到广泛应用,然而该算法需要以信号稀疏度为先验条件,若稀疏度水平估计不合适会造成重构结果不稳定.针对该问题,提出了一种基于弱选择正则化的正交匹配追踪算法.该算法可以实现在信号稀疏度未知的条件下,根据弱选择标准对算法中每次迭代产生的余量与观测矩阵之间的相关性进行判定,并且自适应地确定表示原信号的原子数目和原子候选集,进而通过正则化原则从候选集中快速有效地挑选出完成信号重构的最优原子组.数值实验表明,所提出算法和其它贪婪算法相比较,峰值信噪比提高0.5～1.5dB,最小均方差也明显降低,图像信号重构效果优于其它同类算法.

改进正则化正交匹配追踪波达方向估计方法

针对稀疏阵列模型下匹配追踪波达方向估计方法稳定性不足的问题,提出了改进的正则化正交匹配追踪波达方向估计方法——TROMPDOA(T-transform Regularized Orthogonal Matching Pursuit Directions of Arrival Estimation).仿真表明,TROMPDOA方法在计算复杂度上与原有正交匹配追踪波达方向估计方法OMPDOA(Orthogonal Matching Pursuit Directions of Arrival Estimation)相近,但在估计稳定性上要优于OMPDOA方法,特别是在低信噪比及信号源之间的角度较近时,TROMPDOA方法比OMPDOA方法稳定性提高1倍.实验验证了TROMPDOA方法适用于单元和多元目标估计,估计精度达到1.5°.

基于正则化正交匹配追踪的SAR层析成像

压缩感知框架下的合成孔径雷达(SAR)层析成像技术引起了人们的关注。压缩感知理论能在实际系统中基线数量和分布稀疏的情况下实现高度向的高分辨率聚焦,这是基于谱分析的成像处理方法难以实现的。提出将正则化正交匹配追踪(ROMP)算法应用于SAR层析成像中,仿真实验结果表明该算法能高分辨率的成像,接着探讨了被测区域目标数目对成像精度的影响,结果表明随着目标数目的增加,成像的误差越大,这些对进一步的SAR层析成像研究具有重要的理论意义。

基于基扩展模型的改进正则化正交匹配追踪V2X 快时变SC-FDMA信道估计

为了进一步提升车联万物(V2X)的通信性能,首先根据信道冲激响应的稀疏性建立了适用于高速移动场景的基扩展模型(BEM);其次,证明了BEM系数具有稀疏性,将信道估计问题转化为稀疏信号重构问题,进而提出基于BEM的改进正则化正交匹配追踪(iROMP)迭代稀疏信道估计算法(简称为BEM-iROMP算法)。所提算法通过iROMP获取BEM系数,利用反馈结果不断迭代以达到最优信道估计。仿真结果表明,与最小二乘法、线性最小均方误差和BEM-LS信道估计算法相比,所提算法能够有效提高V2X快时变信道下单载波频分多址系统的归一化均方误差和误码率性能。

分段正则化正交匹配追踪算法

为了使压缩感知重构算法在实际重构信号时不需要稀疏度先验信息,本文提出了分段正则化正交匹配追踪算法。该算法根据信号重构残差量设计阈值,构建候选集。通过正则化候选集提取出用于表示信号的原子,并将其存入支撑集;当候选集为空集时,选择相关系数最大的原子加入支撑集。最后,针对支撑集中的原子求解最小二乘问题实现信号的逼近和残差量的更新。实验结果表明:针对长度为256的高斯信号和二值信号,提出的算法在稀疏度分别达到50和40时,精确重构率可达90%以上;在信号稀疏度相同的条件下,重构效果和速度整体优于现有的同类算法,具有速度快、稳定性好的特点。

一种自适应正则化子空间追踪算法

针对压缩感知中未知稀疏度信号的重建问题,提出一种新的压缩感知的信号重建算法,即自适应正则化子空间追踪(Adaptive Regularized Subspace Pursuit,ARSP)算法,该算法将自适应思想、正则化思想与子空间追踪(Subspace Pursuit,SP)算法相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,利用正则化过程实现支撑集的二次筛选,最终能实现信号的精确重构。仿真结果表明,该算法能够精确重构原始信号,重建效果优于SP算法、正则化正交匹配追踪(ROMP)算法、稀疏度自适应匹配追踪(SAMP)算法、压缩采样匹配追踪(CoSaMP)算法等。

回溯正则化分段正交匹配追踪算法

针对分段正交匹配追踪（STOMP）算法对信号重构效果较差的问题，提出一种回溯正则化分段正交匹配追踪（BR-STOMP）算法。首先，该算法采用正则化思想选取能量较大的原子，以减少阈值阶段候选集中的原子；然后，利用回溯对原子进行检验，并对解的支撑集中的原子重新筛选一次，同时删除对解的贡献较低的原子，提高算法的重构率；最后，对感知矩阵进行归一化处理，使算法更加简单。仿真结果表明：BR-STOMP算法与正交匹配追踪（OMP）算法相比较峰值信噪比提高8％～10％左右，运行时间减少70％～80％；与StOMP算法相比较，峰值信噪比提高19％～35％。BR-StOMP算法能够精确地恢复信号，重建效果优于OMP算法和StOMP算法。

全域正则化快速匹配追踪稀疏地震反演方法

匹配追踪算法(MP)自提出以来便被广泛应用于信号处理领域。文中首先利用时频域褶积算子与初始模型约束构建匹配追踪的冗余字典,在全时频域内筛选出所有可能的匹配原子构成备选原子库;然后利用正则化方法从备选原子库中筛选出能量最大的子集构成最终的匹配原子库,即一次迭代即可筛选出多个匹配原子。据此形成的上述全域正则化快速匹配追踪算法具有计算效率高、鲁棒性强等优点。此外,将初始模型约束与时频域联合反演方法引入反演框架,可有效提高反演结果的精度。对所提方法进行的一维、二维模型及三维实际资料的测试结果表明,全域正则化快速匹配追踪地震反演方法相较于常规匹配追踪的计算效率得到明显提高,反演结果既具有良好的鲁棒性,同时拥有较好的层位边界保真度。

基于能量分选的正则化匹配追踪改进算法

重构算法是压缩感知理论中重要的内容之一,而正则化匹配追踪算法因其优异的重构性能获得了广泛的应用。从正则化匹配追踪算法原子筛选原则出发,在相关性准则和正则化准则的基础上,提出了以能量分选为选择标准的ROMP改进算法。仿真实验证明,提出的ROMP改进算法在各个性能指标上均优于ROMP算法,验证了本改进算法的有效性和可靠性。在此基础上将其应用到雷达距离维成像中,取得了很好的成像效果。

基于回溯正则化的前向搜索正交匹配追踪算法研究

为了解决前向搜索正交匹配追踪算法重构质量较差的问题,提出了一种回溯正则化前向搜索正交匹配追踪算法用于信号重构,在选择原子的过程中先通过回溯策略选择初始候选集,再用正则化方法对初选集中的原子进行筛选,从而提高信息重构的精度。通过一维信号、二维图像重构实验,与正交匹配追踪算法、前向搜索正交匹配追踪算法进行了对比实验,结果表明所提算法可以实现信号的高精度重构,并且在重构率和重构信噪比方面与同类算法相比,有明显提升。

正则化机制下多粒度神经网络剪枝方法研究

目前流行的模型压缩剪枝算法裁减的对象通常是整个卷积核.一些网络结构中存在特征图维度匹配的硬性要求,如ResNet中的残差结构主干上最后一个卷积层的卷积核个数以及Inception网络中的级联操作前所有分支上最后一个卷积层的卷积核个数都不能改变,这直接限定了剪枝的空间.本文提出一种正则化机制下的多粒度神经网络剪枝方法,针对维度匹配限制了剪枝空间的问题,设计从粗到细的多粒度剪枝策略,在稀疏化的同时维持了处于维度匹配位置的卷积层中卷积核的数量不变.并且,本文提出一种自适应L1正则化的稀疏方式,可以使网络在更新参数的同时兼顾到网络结构的变化.稀疏化后的卷积核不仅有比原卷积核更少的参数和计算量,而且拥有更加优异的结构性质,使网络具有更高的表达能力.例如,在CIFAR-10上,针对VGG-16,相比基准网络,在计算量压缩了76.73%的情况下,准确率提高了0.19%;针对ResNet-56,在计算量压缩了82.54%的情况下,准确率只下降了0.14%.在ImageNet上,针对ResNet-50,在计算量压缩了56.95%的情况下,准确率只下降了0.48%.本文方法优于现有先进的剪枝方法.

基于压缩感知的正则化子空间追踪算法

压缩感知理论是一种新的在采样的同时实现压缩的采样过程,只要被采样信号是稀疏或可压缩的,就可以保证精确重建。通过研究总结已有的贪婪追踪类重建算法,提出了一种正则化子空间追踪算法(Regularized Subspace Pursuit,RSP)。正则化正交匹配追踪算法(Regularized Orthogonal Matching Pursuit,ROMP)的正则化方法对原子的能量分级思想,对信号的重建精度和重建速度有很大影响。首先对该方法的不合理性进行改进,然后将改进的正则化步骤引入到子空间追踪算法(Subspace Pursuit,SP)中,最终达到对原始信号的快速精确重建。实验仿真表明,该算法比SP算法更高效,更具有实际应用意义。

基于自适应SIRP算法的重构降噪实现

由于模拟信号的压缩感知对噪声高度敏感,在噪声条件下其重构性能显著下降,这已成为制约模拟信号压缩感知技术进一步发展的主要瓶颈。提出了一种结合自适应迭代方法的稀疏独立正则化追踪(Adaptive Sparsity Independent Regularized Pursuit, A-SIRP)算法。该算法通过在自适应迭代过程中分离噪声原子,最大限度地减少了噪声的干扰,提升了输出信号的信噪比。设计了基于现场可编程门阵列的A-SIRP硬件架构,该架构主要包含计算模块、存储模块和控制模块。在Xilinx公司Kintex-7平台上运用硬件描述语言Verilog HDL对设计方案进行了验证。实验结果表明,所实现的A-SIRP硬件设计在数据位宽为20 bit的条件下,能够达到36.02 dB的重构峰值信噪比,充分验证了该算法在硬件实现上的可靠性和优越性。

复数域匹配追踪近地表Q值估计及深度学习建模

常规基于微测井资料的品质因子(Q值)求取方法,通常需要拾取初至时间并按时窗求取初至波频谱,因而工作量较大,并且受选取的窗函数参数大小的影响。为此,提出了一种基于非零相位雷克子波的复数域快速匹配追踪分解并结合对数谱比法估算微测井数据近地表Q值的方法。根据微测井数据初至波能量最强的特点,利用非零相位雷克子波匹配追踪提取第一个匹配原子,其频谱表达了初至波的能量,中心时间则包含了初至旅行时信息,从而实现了用于谱比法Q值估算的初至波频谱和旅行时参数的自动提取。在谱比计算中引入整形正则化算子提高算法的稳定性,并采用优化反演算法求出稳定的谱比值,以保证对数谱比法近地表Q值估计的精度。将工区内不同测点求取的品质因子函数作为已知样本标签,通过深度学习训练形成近地表Q值的多元非线性回归算子,建立三维近地表品质因子模型。模型数据和实际数据的处理结果表明,该方法自动、高效、稳定,且抗噪能力强,将获得的近地表Q值模型用于Q值补偿,可有效提高地震资料的分辨率。

一种改进的用于稀疏表示的正交匹配追踪算法

稀疏表示理论在军事目标识别、雷达目标参数估计等领域应用越来越广,而目标信号的稀疏表示通常不唯一,因此产生了大量的稀疏表示算法。本文基于现有稀疏表示算法的研究,提出一种改进的正交匹配追踪(OMP)算法。首先采用非线性下降的阈值更快速地选择原子,确定备选原子集,提高了算法速度;其次用正则化的二次筛选剔除备选原子集中能量较低的原子,保证了算法精确度;并设置迭代停止条件实现算法的稀疏度自适应。实验结果表明,本文算法可以实现稀疏表示求解精确度和速度上的平衡,求解速度比基追踪(BP)算法快,精确度比OMP、正则化OMP(ROMP)、基于自适应OMP回溯(BAOMP)算法高。

一种压缩感知中的改进的正则化牛顿算法

提出了一种新的压缩感知重构算法——正则化牛顿算法。该算法结合了牛顿法重建效果好和正则化正交匹配追踪(Regularized Orthogonal Matching Pursuit,ROMP)收敛速度快的优点。并且在此基础上,针对原有的正则化过程进行了改进。Matlab仿真结果表明,文中提出的算法在重构精度上要高于正交匹配追踪(Orthogonal MatchingPursuit,OMP)和正则化正交匹配追踪(ROMP),而在迭代次数和重构时间上要低于牛顿法和正交匹配追踪(OMP)。