基于Laplace先验和稀疏块相关性的旋转机械振动信号贝叶斯压缩重构

为通过无线传输实时监测装备状态,针对机械振动信号采样频率较高导致压缩重构困难的问题,将Laplace先验模型和振动信号周期性稀疏块相结合,提出一种改进的贝叶斯压缩感知算法。建立基于Laplace分布的贝叶斯先验模型,相对于高斯先验具有更强的稀疏促进作用。根据机械设备转速和采样频率计算振动信号类周期,对信号进行周期性分块,并基于多稀疏块共享相同超参数的特点,采用快速相关向量机迭代估计出原始信号期望。选取两级平行轴齿轮箱作为研究对象,进行压缩重构仿真实验。结果表明,该方法在相同稀疏基下能有效改善机械振动信号的重构效果。

联合自适应LASSO与块稀疏贝叶斯直接定位方法

无源定位中,直接定位方法优势在于适用低信噪比、参数独立等。然而,当辐射源距无源侦测系统较远时,受低信噪比的影响,接收信号模型中存在的部分未知参数会大幅降低算法对于辐射源的定位性能。为了有效地解决该难题,给出了一种联合自适应LASSO先验与块稀疏贝叶斯的辐射源直接定位方法。经由贝叶斯理论构建分层稀疏模型,联合不同的先验分布以赋予信号中元素独立的自适应LASSO,同时探索信号的块结构和块内相关性,联合具有共享稀疏性的不同基站的字典重建过完备字典,实现远距离辐射源定位。仿真结果表明:在远距离下,当快拍数设置较少,信噪比设定较低时,在辐射源定位效果上所提算法显著优于如MUSIC等传统直接定位算法、Laplace先验方法以及块稀疏贝叶斯方法。

噪声情形下块稀疏信号恢复的充分条件

压缩感知是一种有效的信号采集技术,利用信号的可压缩性,通过采样与非线性算法完美地恢复信号.基于压缩感知理论,本文通过块正交匹配追踪算法,研究在l_(∞)有界噪声影响下恢复块稀疏信号和强衰减块稀疏信号的约束等距性质,给出保证该算法准确恢复原信号的充分条件,并通过数值实验对影响稀疏信号性能的因素进行分析比较.

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。

基于约束图正则的块稀疏对称非负矩阵分解

现有的基于对称非负矩阵因式分解(Symmetric Nonnegative matrix Factorization, SymNMF)算法大都仅依赖初始数据构造亲和矩阵,并且一定程度上忽视了样本有限的成对约束信息,无法有效区分不同类别的相似样本以及学习样本的几何特征。针对以上问题,提出了基于约束图正则的块稀疏对称非负矩阵分解(Block Sparse Symmetric Nonnegative Matrix Factorization Based on Constrained Graph Regularization, CGBS-SymNMF)。首先,通过先验信息构造约束图矩阵,用于指导类别指示矩阵区分高相似度的不同类别样本;然后,引入PCP-SDP(Pairwise Constraint Propagation by Semi-definite Programming)方法,利用成对约束学习一个新的样本图映射矩阵;最后,利用“勿连”约束构造不相似矩阵,用于引导一个块稀疏正则项,以增强模型抗噪能力。实验结果表明,所提算法具有更高的聚类精确度和稳定性。

基于生成模型的块稀疏偏差建模

研究了基于生成模型的块稀疏偏差模型(Block Sparse-Gen).依靠块RIP条件和块REC条件,从理论上给出了最优解码的重构误差以及高概率恢复生成函数的测量次数.实验数值也验证了Block Sparse-Gen的有效性.

基于VAD的块稀疏自适应滤波切换算法

文章提出一种用于声学回波抵消系统的块稀疏切换算法,新算法利用语音活动技术(Voice Activity Detection,VAD)作为有效切换方案,从远端信号的短时能量中计算出阈值,将输入语音信号区分为两种不同情况,使算法在BSNLMS模式和NLMS模式之间切换。当输入激励能量较大时,可以实现算法的快速收敛;当输入相对较弱时,可以节省计算成本,从而获得良好的跟踪性能。最后,计算机仿真结果验证了切换算法的稳态误差和收敛速度性能。

基于块结构稀疏度的自适应图像修复算法

现有基于稀疏性的图像修复算法采用固定大小的待填充块和邻域一致性约束,且在全局搜索待填充块的最优匹配块,既降低了待修复区域的结构连贯性和纹理清晰性,又增加了算法的时间复杂度.针对上述问题,根据破损区域特性和块结构稀疏度间的关系,提出基于块结构稀疏度的自适应图像修复算法.根据最大优先权值点的块结构稀疏度值,设定不同参数以自适应选取待填充块大小、邻域一致性约束权重系数和局部搜索区域大小,并通过仿真实验分析讨论了各参数选取.实验结果表明本文算法较文献算法在峰值信噪比上提高0.3dB～1.2dB,并且提高算法速度3～7倍.

基于张量低秩恢复和块稀疏表示的运动显著性目标提取

针对视频的高维结构特性,采用张量表征并将运动显著性目标提取转化为基于低秩张量恢复和块稀疏表示问题.首先根据背景张量的低秩性和运动目标的稀疏性,利用加速近端梯度张量恢复方法分别重建出RGB颜色通道中三维视频张量的低秩部分与稀疏部分,初步实现背景与运动目标的粗略分离;其次组合三颜色通道稀疏张量并转化为按照帧数展开的二维矩阵,进一步通过矩阵恢复的方法去除动态背景产生的小稀疏块干扰;最后通过自适应阈值法选择运动目标稀疏块掩模并对存在的空洞进行填充补偿,以达到重构出完整前景运动目标的目的.相对于常用方法,该方法从张量模型角度解决运动目标提取问题,较大程度地保护了视频序列的原始空间结构,不仅能够降低运动目标提取区域出现的漏检问题,而且可以很好地去除动态背景所带来的干扰.实验结果表明,该方法对运动目标提取的准确度较高,鲁棒性较强.

基于子空间的块稀疏信号压缩感知重构算法

块稀疏信号是一种典型的具有特殊结构的稀疏信号,在压缩感知问题中,针对块稀疏信号的特点,提出了一种基于子空间的块稀疏信号压缩感知重构算法.该算法每次迭代找到整个信号支撑块的估计,包含正确信号支撑块所在空间的一个子空间,然后计算残差,并在下一次迭代时,通过回溯思想和最小均方准则修正更新上一次找到的信号支撑块,最后直到残差为零,找到信号的整个支撑块,通过伪逆运算重构出源信号.本文证明了算法重构源信号的充分条件,说明了算法的普适性.此算法有两个重要的特点:(1)由于引入回溯思想,因此重构概率较高;(2)复杂度较低.通过仿真实验表明,该算法较已有大多数块稀疏信号重构算法的重构概率高,迭代次数少,在块稀疏信号的压缩感知问题中具有重要意义.

面向压缩感知的块稀疏度自适应迭代算法

块稀疏信号是一种典型的稀疏信号,目前在块稀疏信号的压缩感知问题中,大多数信号重构算法要求信号的块稀疏度已知且算法复杂度高.针对实际应用中信号块稀疏度未知的情况,提出了一种块稀疏度自适应迭代算法,用于信号重构.首先,该算法初始化一个块稀疏度,其值按设定步长进行增加.对每一个块稀疏度的迭代,算法都会找到信号支撑块的一个子集,并修正更新上一次找到的信号支撑块,最后找到信号的整个支撑块,从而重构出源信号.该算法不需要信号的块稀疏度作为先验知识,而且算法复杂度低.仿真实验表明,该算法的重构概率较已有大多数块稀疏信号重构算法的重构概率高,在块稀疏信号的压缩感知问题中具有实际意义.

心电压缩感知恢复先验块稀疏贝叶斯学习算法

压缩感知在低成本、低功耗、长时间的无线心电信号应用上具有优势。但现有重构算法中存在重构信号质量不理想、较大的计算量以及不能自适应噪声变化等问题。本文针对非稀疏心电信号快速精确压缩感知重构提出了先验块稀疏贝叶斯学习(P-BSBL)算法。算法在块稀疏贝叶斯学习基础上,根据心电信号先验引入了近似零解空间初值设置和数字特征迭代停止条件。为了验证算法效果,提出的方法在MIT-BIH心电数据库上进行了仿真实验。实验结果表明P-BSBL能够实现高效非稀疏心电信号高信号质量重构。P-BSBL在正常和非正常心电信号重构上都优于凸优化和贪婪方法;适用于高数据压缩比和噪声变化的心电信号重构。

基于约束等距的块稀疏压缩采样匹配追踪算法

为提高块稀疏信号重构算法性能,利用测量矩阵块相干特性对块稀疏约束等距常数进行估计和讨论。在此基础上,将联合子空间的分块思想引入压缩采样匹配追踪(compressive sampling matching pursuit,CoSaMP)算法,提出了基于约束等距的块稀疏压缩采样匹配追踪(block CoSaMP,BCoSaMP)算法,以子矩阵为单位更新重构支撑集,放宽了约束等距条件。在高斯随机测量矩阵条件下,证明分块尺寸越大、最优相干块更新数量在适当范围内越少,重构误差收敛性越好且信号临界稀疏比越大。最后,利用某型预警雷达多批次回波信号进行重构仿真,验证了本文算法比目前其他块稀疏重构算法具有更高的重构成功率、更优的误差稳定性和更好的应用价值。

非均匀块稀疏信号的压缩采样与盲重构算法

该文对非均匀块稀疏信号的压缩采样速率下限进行了分析,并对测量矩阵的约束等距常数衰减特性进行了理论证明。在此基础上,提出了一种块稀疏阶数和块分布未知情况下的非均匀块稀疏信号盲重构算法,按照逐次递减的块长度,对非均匀块稀疏信号进行多次均匀切割,利用正交匹配追踪算法逐次剔除均匀块中的零值位置,从而精确估计信号中非零块位置,实现信号的准确重构。理论分析了算法的性能,仿真实验进一步验证了算法的有效性和实用性。

基于联合块稀疏模型的随机调频步进ISAR成像方法

在回波数据稀疏、低信噪比等不利条件下,利用随机调频步进信号进行ISAR成像时,成像性能将会严重下降。针对上述问题,该文在充分分析随机调频步进信号回波特性的基础上,提出利用目标距离向具有的联合块稀疏特征来获得高质量ISAR图像的新方法。首先,推导了在随机调频步进信号发射波形条件下目标回波信号的联合块稀疏成像模型并分析了该模型特征;其次,提出了联合块稀疏正交匹配追踪稀疏重构算法(JBOMP)实现对模型的求解。该算法利用ISAR回波信号具有的块稀疏以及联合稀疏等先验信息,因此在低量测值、低信噪比条件下的ISAR成像性能得到了增强。所提算法还可以实现对多维信号的联合处理,且具有较快的运算速度。理论分析与仿真实验均验证了所提方法的有效性。

基于改进光滑l_0范数的块稀疏信号重构算法

光滑l0范数算法用带参数的高斯光滑函数序列逼近l0范数,可以用于压缩感知信号重构。块稀疏信号是一种典型的稀疏信号,它的非零元素成块出现。为此,基于改进的光滑l0范数提出一种块稀疏信号重构算法。利用反正切函数取代高斯函数序列,通过对下降因子的优化处理进一步提高收敛效果。仿真实验结果表明,相比块光滑l0范数算法、光滑l0范数算法以及正交匹配追踪算法,该算法具有更好的鲁棒性和更高的信噪比。

基于块稀疏贝叶斯学习的体域网心电压缩采样

为有效提高体域网的实时性和降低体域网的功耗,提出一种基于块稀疏贝叶斯学习的体域网心电压缩采样方法。该方法在体域网框架下,利用压缩采样理论,在体域网的传感节点利用二进制随机观测矩阵对心电信号进行压缩采样,远程监护中心获得采样值之后,利用块稀疏贝叶斯学习重构算法和离散余弦稀疏变换矩阵对心电信号进行重构。实验结果表明,当心电信号压缩率在70%~90%时,基于块稀疏贝叶斯学习的重构算法要比其他重构算法的重构信噪比高出3 d B^21 d B。该方法能有效减少数据采样,减轻后续的数据存储、数据传输压力,提高体域网的实时性。同时该方法具有功耗低,易于硬件实现的优点。

针对块稀疏信道的估计算法

无线多径信道中存在着块稀疏结构。针对块稀疏信道中分块信息是否已知的不同场景,分别提出了两种基于块稀疏贝叶斯学习(BSBL)框架的OFDM系统信道估计算法。这两种算法根据边界最优(BO)方法估计信道分块的稀疏度参数,提升算法运算速率。为进一步提升信道估计性能,在基于BSBL框架算法仅利用导频信号估计信道的基础上,又提出了基于联合块稀疏贝叶斯学习(JBSBL)的信道估计新算法,该算法利用导频与数据子载波实现信道的联合估计。仿真结果表明,与传统的信道估计算法相比,本文提出的算法均可获得很好的信道估计性能,且基于JBSBL的信道估计算法性能更佳。

基于块稀疏贝叶斯学习的肌电信号特征提取

针对上肢多种运动的模式识别问题,对表面肌电的特征提取方法进行了研究,旨在取得更有鉴别能力的特征。采用基于块稀疏贝叶斯学习的方法提取s EMG信号中蕴含的运动信息,用于上肢动作中的整手以及精细的手指动作的识别。基于块稀疏贝叶斯学习的方法提取到的分解系数特征DC能表征s EMG信号的非线性特征。在对8位受试者6类整手以及精细的手指动作的识别实验中,将DC特征结合Willison幅值特征能更有效地反映出6类动作之间的差异,平均动作识别成功率可达92.9%。实验表明,所提出的特征提取方案可行。与传统的特征提取方法相比,此方案进一步提高了多种动作模式的识别精度。

块稀疏贝叶斯模型下的跳频信号时频分析

针对传统时频分析方法存在的时频聚集性差以及交叉项干扰的问题,本文将接收到的跳频信号进行分割,构建时频稀疏模型,利用模型中的统计特性和结构特性采用块稀疏贝叶斯学习算法对跳频信号的时频图进行重构,在不需知道稀疏度和噪声强度的情况下,得到了高精度的时频图。但是由于算法在高维参数空间进行参数估计时复杂度较高,本文采用近似替换的方法对该算法进行改进,将高维参数空间转换到原始参数空间计算,大大减少了算法的复杂度,仿真结果表明改进算法在低信噪比的情况下能有效的得到跳频信号的高精度时频图且复杂度大大降低。