基于稀疏度自适应匹配追踪算法的微动杂波抑制

目标或目标组成部分的机械振动或旋转产生微多普勒效应,在目标分类和识别中起着重要作用。然而,环境中许多物体(例如风力涡轮机、空调等)的微多普勒效应对雷达系统而言就像时变的杂波,导致雷达探测性能下降。本文针对外辐射源雷达微动杂波影响目标检测的问题,提出了一种基于稀疏度自适应匹配追踪改进算法(SAMP)的微动杂波抑制方法。考虑到微动杂波的稀疏特性,将复杂的微动杂波抑制问题转化为稀疏信号表示问题,分离微动杂波并将其抑制,便于目标观测。相比于原SAMP算法,改进后的SAMP算法能自动调整步长并在残差达到自适应阈值后快速停止迭代。仿真和实测数据验证了所提方法的有效性。

一种基于变步长的稀疏度自适应匹配追踪算法

压缩感知(Compressed Sensing,CS)理论突破了传统的采样定率,对于稀疏的或可压缩的信号,可同时进行采样和压缩。其中重构算法是压缩感知理论的研究热点之一,对采样过程的正确性验证有着重要意义。稀疏度自适应匹配追踪算法(Sparsity Adaptive Matching Pursuit,SAMP)在迭代过程中采用固定步长,容易导致过估计和欠估计。为解决该问题,根据相邻信号能量差的变化规律,在迭代过程中采用对数型的"变步长",即迭代的初始阶段步长增长速度较快,当能量差达到一定阈值时,则步长增长速度较慢,并设置双阈值严格控制逼近的精确度。实验表明,改进后算法提高了重构质量,尤其是在当采样率较低时,仍有较好的重构效果。

一种改进的稀疏度自适应匹配追踪算法

压缩感知理论是一种充分利用信号稀疏性或可压缩性的全新信号获取和处理理论。针对未知稀疏度信号重构,提出了一种改进的稀疏度自适应匹配追踪算法。该算法首先利用一种基于原子匹配测试的方法得到信号稀疏度的初始估计,然后在稀疏度自适应匹配追踪(SAMP)框架下采用变步长分阶段思想实现稀疏度的逼近,在初始阶段利用大步长实现稀疏度的快速粗接近,以提高收敛速度,在随后的迭代中逐渐减小步长,实现稀疏度的精逼近,最终实现信号的精确重构。理论分析和仿真结果表明,该算法在一定程度上解决了SAMP算法在大稀疏度条件下运算量较大以及固定步长导致的欠估计和过估计问题,较好地实现了未知稀疏度信号的精确重建,且重建性能和重建效率均优于现有的同类算法。

用于CS的广义稀疏度自适应匹配追踪算法

压缩感知理论的基本思想是原始信号在某一变换域是稀疏的或者是可压缩的,并将奈奎斯特采样定理中的采样过程和压缩过程合二为一。稀疏度自适应匹配追踪(SAMP)算法能够实现稀疏度未知情况下的重构,而广义正交匹配追踪算法每次迭代时选择多个原子,提高了算法的收敛速度。基于上述两种重构算法的优势,提出了广义稀疏度自适应匹配追踪(Generalized Sparse Adaptive Matching Pursuit,gSAMP)算法。针对重构图像的峰值信噪比、重构时间、相对误差等客观评价指标,以及主观视觉上对所提算法与传统的贪婪算法进行对比。在压缩比固定为0.5时,gSAMP算法的重构效果优于传统的MP、OMP、ROMP、SAMP 以及gOMP贪婪类重构算法的效果。

变比例的稀疏度自适应匹配追踪算法

稀疏度自适应匹配追踪(SAMP)算法可在稀疏度未知时重构原始信号而得到广泛应用。针对SAMP原子预选数量随阶段数增加,存在大稀疏度情况下原子预选数超过测量值造成无法重构的问题,提出变比例的稀疏度自适应匹配追踪算法,该算法先采用内积累加比例法预选原子,再针对单个固定比例无法同时满足小稀疏度时快速重构和大稀疏度时提高重构成功率的问题,在设定的比例阈值上限内采用变比例策略,使得在大稀疏度下原子预选取的数量不超过测量值数,同时又可提供足够多的原子以提升重构性能。仿真结果表明,该算法可在重构误差和重构时间相比SAMP一致的情况下,重构成功率在大稀疏度时比SAMP平均提高5.8%,且在稀疏度超过测量值一半时保持较高重构成功率。

一种改进的稀疏度自适应弱选择匹配追踪算法

针对实际水声信道无法获知先验稀疏度和导频资源问题,提出一种改进的稀疏度自适应弱选择匹配追踪算法(MSASWOMP)。将稀疏度初始估计作为初始支撑集的大小,对原子进行阈值弱选择得到的原子支撑集作为回溯筛选的候选集;再以初始支撑集大小为回溯开始初始条件值进行二次筛选;最后利用变阶段步长方法进行稀疏度逐步精确估计,自适应更新回溯开始条件值。仿真实验分析了阈值参数、稀疏度估计步长和导频数目对于MSASWOMP算法的影响,结果表明,该算法能以更少的导频数目获得更精确的信道估计值,节省导频资源的同时,其均方误差(MSE)优于传统算法。

一种稀疏度自适应分段正交匹配追踪算法

针对分段正交匹配追踪(St OMP)算法需要信号的稀疏度作为先验信息且重构精度较低的特点,提出一种稀疏度自适应分段正交匹配追踪算法。首先,通过对观测矩阵与初始残差相乘所得的残余相关性向量进行离散余弦变换,估算出支撑集所要扩充的最大原子数;其次,采用与抽样率成正相关的因子对较大的阈值参数进行适当修正,并对通过设定阈值所选取的原子进行优化处理;最后在St OMP算法的框架下采用变步长的方法实现稀疏度的逼近和信号的精确重构。仿真结果表明:本文所提出的算法对信号的稀疏度具有很好的自适应特性,并且在保持了较低重构复杂度的同时具有更稳定的重构质量。

一种稀疏度自适应正交多匹配追踪重构算法

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。

改进的稀疏度自适应多路径匹配追踪算法

在信号重构算法中,针对基于树的多路径匹配追踪深度优先算法计算量大和多路径匹配追踪信号稀疏度未知等问题,本文提出了一种改进的稀疏度自适应多路径匹配追踪算法。该算法将自适应思想引入多路径匹配追踪算法中,自适应选择支撑集原子个数,并利用剪枝技术选择原子匹配概率最大的路径,使算法搜索路径更为有效,且大大降低了计算量。该算法改进了内积匹配准则,能在测量矩阵中更准确高效地挑选与残差信号匹配的原子,并在迭代过程中采用支撑集原子回溯和指数变步长方法提高重构精度。与传统MMP算法相比,本文提出的算法运算时间短,重建精度高,更具有实际应用价值。

一种改进的稀疏度自适应压缩采样匹配追踪算法

针对未知稀疏度信号的重建,提出了一种改进的稀疏度自适应压缩采样匹配追踪(MACSMP)算法。该算法以压缩采样匹配追踪(CoSaMP)算法为基础,结合变步长自适应的思想,摆脱了对于信号稀疏度的依赖,并在迭代过程中引入正则化思想,从而提升了算法的重构精度。仿真结果表明,文中提出的MACSMP算法在重构性能与运行效率两方面都要优于SAMP、OMP、CoSaMP这几种算法,且其计算量较低,运行时间较短。

一种变步长稀疏度自适应子空间追踪算法

针对压缩感知(Compressive sensing,CS)中未知稀疏度信号的重建问题,本文提出一种变步长稀疏度自适应子空间追踪算法.首先,采用一种匹配测试的方法确定固定步长,然后以该固定步长与变步长方式相结合,通过不同支撑集原子个数下的重建残差变化确定信号稀疏度,算法采用子空间追踪方法确定相应支撑集原子,并完成原始信号准确重建.实验结果表明,与同类算法相比,该算法可以更准确重建原始信号,且信号稀疏度值较高时,运算量低于同类算法.

稀疏度自适应分段正交匹配追踪算法改进

在基于压缩感知的信号重构问题中,有一类常见情况——未知信号稀疏度.针对此类情况,提出稀疏度自适应分段正交匹配追踪(Sparsity Adaptive Stagewise Orthogonal Matching Pursuit,SAStOMP)算法,该算法将自适应思想、变步长迭代思想与分段正交思想相结合,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,最终实现信号的精确重构.仿真结果表明,针对长度为256位的原始信号,该算法重建效果优于正交匹配追踪算法、正则化正交匹配追踪算法和分段正交匹配追踪算法等.

阈值稀疏自适应匹配追踪图像重构算法

针对稀疏度自适应匹配追踪算法(SAMP)在进行图像重构时存在重构精度低及计算复杂度高的问题,本文提出了一种基于阈值控制的稀疏度自适应匹配追踪(T-SAMP)算法.基于回溯迭代的正交匹配追踪(BAOMP)算法在原子选择阶段,采用阈值核查所选的可靠原子及删除不可靠原子,将核查可靠原子步骤作为SAMP算法迭代前的预处理步骤,以寻找到信号的最大近似系数,以提高重构精度以及降低算法复杂度.仿真结果表明,与SAMP算法相比,所提出的T-SAMP算法能平均提高3dB峰值信噪比,算法平均运行时间降低约60%.

盲稀疏度信号重构的改进正交匹配追踪算法

在信号盲稀疏度条件下,现有重构算法的固定阈值选择限制了重构精度和重构速度提高,鉴于此,提出一种改进的正交匹配追踪算法。通过非线性下降的阈值快速选择原子,自动调节候选集原子个数,以便每一次迭代时更加精确地估计真正的支撑集,并利用正则化过程实现支撑集的二次筛选,最终实现了盲稀疏度信号的精确重构。仿真结果表明,在相同的测试条件下,本文算法的重构精度和速度分别提高了8.5%和9.2%。

广义空间调制MIMO系统中基于块稀疏自适应匹配追踪的检测算法

广义空间调制(Generalized Spatial Modulation,GSM)在多输入多输出(Multiple Input Multiple Output,MIMO)系统中的应用能够提高系统的能量效率,但与此同时GSM-MIMO系统激活多根天线也给接收机的信号检测带来了极大的挑战,而接收端是否能正确高效地检测出发送信息对整个通信系统至关重要。由于在GSM-MIMO系统中,活跃用户和活跃天线都具有稀疏性,可以应用压缩感知算法进行用户和天线检测。针对多用户广义空间调制信号的结构和稀疏性,将检测问题转化为块稀疏恢复问题,提出了一种块稀疏自适应匹配追踪(Block Sparse Adaptive Matching Pursuit,BSAMP)算法,设计了支撑集检测的两步策略:第1步,利用块稀疏特征检测出活跃用户,得到块级支撑;第2步,通过求解活跃用户的各天线的l_(2)范数得到天线级的索引支撑集。有效利用每个用户的有源天线,检测出活跃用户及其用户数据。在信号值检测阶段,利用GSM-MIMO系统的特点对活跃用户有源天线上的信号取均值,降低了重构的误比特率。此外,采用稀疏度自适应的方法,接收端不需要严格知道活跃用户数目,更贴近实际环境。仿真结果表明,提出的BSAMP算法能够提高检测精度。

基于变分模态分解和稀疏表示的局部放电信号去噪算法

鉴于局部放电信号受各种噪声的干扰,文章提出一种基于变分模态分解和稀疏分解的局部放电信号去噪算法。以稀疏表示算法为核心,基于局部放电信号的特性构建其过完备字典,再采用匹配追踪算法在过完备字典中搜索出原信号的最佳匹配原子集合重构信号;为解决过完备字典维度过高而导致的搜索次数太多的问题,引进变分模态分解算法和峭度值筛选进行预处理和预重构;优化后的方法可以限制稀疏分解算法的搜索范围和字典参数,以减小计算复杂度。仿真验证以及对工程环境中实测信号的去噪结果表明:该方法具有更好的降噪效果,即使在极低信噪比的情况下,依旧能提取出有效的局部放电信号。

用于压缩感知信号重建的正则化自适应匹配追踪算法

压缩感知理论是一种充分利用信号稀疏性或者可压缩性的全新的信号采样理论。该理论表明,通过采集少量的信号值就可实现稀疏或可压缩信号的精确重建。该文在研究和总结已有重建算法的基础上,提出了一种新的基于正则化的自适应匹配追踪算法(Regularized Adaptive Matching Pursuit,RAMP)用于压缩感知信号的重建。该算法可在信号稀疏度未知的情况下,通过自适应过程自动调节候选集原子的个数,利用正则化过程实现支撑集的二次筛选,最终实现了信号的精确重建。实验结果表明,在相同测试条件下,该算法的重建效果无论从主观视觉上还是客观数据上均优于其它同类方法。

稀疏度自适应回溯追踪算法改进

针对压缩感知重构算法中信号稀疏度未知和步长大小固定的问题,提出一种新的压缩感知信号重构算法,即基于弱选择的稀疏度自适应回溯追踪(SPWAMP)算法。该算法将自适应思想、变步长迭代思想与回溯思想相结合,在未知信号稀疏度的情况下,利用阈值方法选取预选集,通过变步长更新支撑集原子个数并结合回溯思想剔除不可靠原子,最终实现信号精确重构。仿真结果表明,当信号稀疏度K达到65时,该算法重构精度相对稀疏度自适应匹配追踪(SAMP)算法提高了40%,而此时正交匹配追踪(OMP)算法、子空间追踪(SP)算法和分段弱选择正交匹配追踪(SWOMP)算法已无法实现重构。因此,该算法相对其它同类算法提高了信号重构精度。

基于压缩感知信号重建的自适应正交多匹配追踪算法

近年来出现的压缩感知理论为信号处理的发展开辟了一条新的道路,不同于传统的奈奎斯特采样定理,它指出只要信号具有稀疏性或可压缩性,就可以通过少量随机采样点来恢复原始信号。在研究和总结传统匹配算法的基础上,提出了一种新的自适应正交多匹配追踪算法(adaptive orthogonal multi matching pursuit,AOM-MP)用于稀疏信号的重建。该算法在选择原子匹配迭代时分两个阶段,引入自适应和多匹配的原则,加快了原子的匹配速度,提高了匹配的准确性,实现了原始信号的精确重建。最后与传统OMP算法进行了仿真对比,实验结果表明该算法在重建质量和算法速度上均优于传统OMP算法。

一种基于匹配追踪的OFDM稀疏信道估计算法

针对OFDM系统,利用信道冲激响应的稀疏特性,提出了一种新的OFDM信道估计算法。首先利用匹配追踪思想确定出非零抽头系数的位置,然后再采用最小二乘算法完成对非零系数值的二次估计,从而通过减少信道估计参数的个数降低算法复杂度。在低信噪比和导频数较少情况下,该算法具有良好的归一化均方误差性能,特别是当因信噪比低而引起GAIC算法性能恶化的时候,新算法具有更好的稳健性。仿真结果验证了算法的有效性。