利用块间耦合稀疏贝叶斯学习的建筑物布局成像方法

该文针对现有穿墙雷达建筑物布局成像中扩展目标稀疏成像方法未能有效利用墙体反射信号的结构稀疏性,导致成像中出现墙体不连贯和墙体轮廓不明显的问题,提出一种利用稀疏信号块间耦合的建筑物布局成像方法。该方法在块稀疏信号特性的高斯分层先验模型的基础上,利用块间耦合系数进一步表征场景中墙体反射信号的结构稀疏性,然后将其引入到控制稀疏信号先验概率分布的超参数中,从而把稀疏信号的结构性转化为超参数的耦合关系,最后利用期望最大化(EM)算法求解超参数的最大后验(MAP)估计。仿真和实验数据处理结果表明,该方法有效改善了墙体的成像质量。

智能反射面辅助MU-MISO系统宽带信道估计算法

为适应移动通信系统的宽带化应用,针对智能反射面(Intelligent Reflecting Surface,IRS)辅助多用户多输入单输出系统信道估计问题,提出了一种基于稀疏矩阵分解的改进正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法。首先,考虑基站导频约束及IRS相移约束,建立一个压缩感知模型。然后,通过自适应地细化变换矩阵的分辨率,避免稀疏信号的细节丢失;再利用信道在不同子载波处共享的公共稀疏性,对多个子频带进行联合估计。最后利用级联信道的双结构稀疏性,将信道估计扩展至多用户场景。仿真结果表明,与传统压缩感知算法相比,所提算法能以较小的导频开销获得更高的准确性。

基于改进BoW模型的行为识别

尽管传统的词袋(BoW,bag of worcls)模型在复杂场景行为识别中能够保持鲁棒性,但是硬向量量化会导致大量的近似误差,进而产生很差的特征集。行为识别中一个重要的挑战是视觉词汇的构造,从原始特征到分类标签没有直接的映射,因此高层的视觉描述子需要更加精确的词典,故提出基于结构稀疏表示的人体行为识别方法。在所提出方法的:BoW模型中,视频表示为组稀疏编码系数的直方图。与传统的BoW模型相比,所提方法具有更少的量化误差,而且高层特征表示可以减少模型参数和存储复杂性,并在标准化的人体行为数据集上评价所提方法,数据集包括KTH,Weimann,UCF-Sports,UCF50人体行为数据集,实验结果表明,所提方法与现存的其他方法相比各方面性能都有显著的提高。