一种自适应稀疏度的混合场信道估计算法

针对6G超大规模多输入多输出(Extremely Large-scale Multiple-Input Multiple-Output,XL-MIMO)系统信道特性变化造成现有的近场和远场信道估计方案不能准确估计XL-MIMO混合场信道的问题,同时考虑到实际系统中稀疏度难以获取,提出了一种基于分段弱正交匹配追踪的混合场信道估计(Hybrid-field Stagewise Weak Orthogonal Matching Pursuit,HF-SWOMP)算法。该算法利用XL-MIMO混合场中近场和远场区域不同的信道特性,分别对近场和远场信道分量进行估计,从而得到混合场信道。仿真结果表明,所提XL-MIMO混合场信道估计算法性能相对于仅考虑近场和远场信道估计方案分别提高了约3.5 dB和3 dB,更符合实际信道场景。

自适应稀疏度的1 bit压缩重构算法

1 bit压缩感知技术日益受到关注。1 bit信号往往有符号跳变,同时信号重构还需要稀疏度先验信息,如何有效地克服信号重构对稀疏度的依赖性,提高重构算法对噪声的鲁棒性,这是该领域面临的重大挑战。本文在二进制迭代硬阈值算法基础上,引入自适应稀疏度,利用残差能量的大小,通过对信号和噪声的学习,解决稀疏度依赖问题,通过引入弹球损失和自适应异常值追踪提高对噪声的鲁棒性,通过引入归一化参数,缩短运算时间。数值仿真实验表明,本文算法重构复杂度降低10%左右,在信号无噪声条件下重构信噪比提高2.1 dB,在有噪声条件下绝对均方误差(AMSE)降低约0.3。算法运行效率比基于自适应异常值追踪的二进制硬阈值算法提升了25%。与当前先进算法相比,能有效地克服信号重构对稀疏度的依赖性,对符号跳变引起的噪声具有很好的鲁棒性。

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。

基于稀疏度自适应压缩感知的电容层析成像图像重建算法

为提高电容层析成像(ECT)系统重建图像的质量,该文提出一种基于改进稀疏度自适应的压缩感知电容层析成像算法。利用压缩感知与电容层析成像算法的契合点,以随机改造后的电容层析成像灵敏度矩阵为观测矩阵,离散余弦基为稀疏基,测量电容值为观测值,建立模型。利用线性反投影算法(LBP算法)所得图像预估原始图像稀疏度,以预估稀疏度值作为索引原子初始值进行稀疏度自适应迭代。改进后的稀疏度自适应匹配追踪重构算法实现ECT图像重建,解决了稀疏度预估不准确导致重建图像精度差的问题。仿真实验结果表明,该算法可以有效重建ECT图像,其成像质量优于LBP算法、Landweber算法、Tikhonov算法等传统算法,是研究电容层析成像图像重建的一种新的方法和手段。

大规模MIMO系统稀疏度自适应信道估计算法

针对信道路径数未知的大规模多输入多输出(MIMO,multi-input multi-output)系统,提出一种稀疏度自适应的压缩感知信道估计方法——块稀疏自适应匹配追踪(BSAMP,block sparsity adaptive matching pursuit)算法。利用大规模MIMO系统子信道的联合稀疏性,通过设置阈值及寻找最大后向差分位置对支撑集原子进行快速初步选择,同时考虑了观测矩阵非正交性造成的能量弥散,提高算法的估计性能;通过正则化对原子进行二次筛选,以提高算法的稳定性。仿真表明,该算法能快速、准确地恢复稀疏度未知的大规模MIMO信道信息。

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。

基于压缩感知的稀疏度自适应图像修复

压缩感知理论利用信号的稀疏特性,能够以较少的采样数据恢复出完整的信号。本文基于压缩感知理论,提出一种稀疏度自适应图像修复算法。有别于传统的图像修复方法,本文首先根据大量样本数据进行K-奇异值分解(K-SVD)字典训练,用训练得到的超完备字典取代正交基函数;然后根据图像的退化模型对感知矩阵加以约束;最后针对二维破损图像稀疏度未知问题,在重构阶段提出了一种稀疏度自适应正则化正交匹配追踪算法(SA-ROMP)实现破损图像修复。本文引入的超完备字典能够自适应地根据训练样本进行特征提取,具有更强的稀疏表示能力。重构阶段的SA-ROMP算法在迭代过程中利用logistic回归函数获取阈值,再通过阈值对残差与感知矩阵的相关系数进行判定,能够自适应选择原子候选集的个数。图像修复实验结果验证了本文算法的可行性,并且修复效果明显优于其他同类算法。

一种稀疏度自适应超宽带信道估计算法

针对在超宽带信道估计中应用压缩感知理论需要预知信道稀疏度的问题,利用超宽带信道在时域上的稀疏性,将信道估计问题转化为压缩感知理论中的稀疏向量重构问题,提出了稀疏度自适应正则化压缩采样匹配追踪(SARCoSaMP)算法。该算法在压缩采样匹配追踪(CoSaMP)算法的基础上,引入自适应和正则化方法,自动调整所选原子数目,逐步逼近信道稀疏度K,在稀疏度未知的情况下精确地实现信道估计。仿真结果表明,该算法可有效应用于超宽带系统的信道估计,并且其性能明显优于CoSaMP算法和稀疏自适应匹配追踪(SAMP)算法。

基于稀疏度自适应算法的压缩感知

针对目前压缩感知的重构算法需预知信号稀疏度和重构时间较长的问题,提出基于稀疏度自适应算法的压缩感知,该方法基于分段和回溯思想,通过增大步长、合并上次原子来选择最匹配原子,能显著减小计算复杂度,从而减少信号重构时间。以语音信号为处理对象,对SAMP算法进行了仿真比较,仿真结果表明,在未知信号稀疏度的情况下,与基追踪(BP)算法和正交匹配追踪(OMP)算法比较,SAMP算法的重构信号运行时间明显降低,并且在不同的信号压缩比的条件下重构信号性能得以保证,验证了SAMP算法在稀疏度方面的自适应性以及重构效率高等优点。

一种基于差异系数的稀疏度自适应图像去噪算法

基于压缩感知的K-means Singular Value Decomposition(K-SVD)图像去噪算法具有良好的自适应性和细节恢复能力,但需事先给定稀疏度K。该方法的去噪效果会受到图像稀疏度的影响。另外,训练初始系数时用到的追踪类算法中通过向量内积值的大小评定图像分量间相关度的方法,因存在大值噪声点,容易造成假相关,从而影响去噪效果。提出基于差异系数的稀疏度自适应K-SVD去噪算法,通过引入差异系数来平衡因噪声点造成的假相关问题,同时使用相关度均值作为阈值来自适应地产生稀疏度K,避免因给定不恰当的稀疏度而影响去噪效果的问题。在USC标准库上的实验结果表明,所提算法在去噪效果方面有一定的优越性。

一种稀疏度自适应的压缩感知信道估计算法

针对目前稀疏度自适应的压缩感知(compressed sensing,CS)信道估计算法计算量过大的问题,文章提出了基于关联度分析的稀疏度自适应归档正则化迭代硬阈值(sparsity adaptive archiving normalized iterative hard thresholding,SAANIHT)算法。ANIHT算法可以解决传统压缩感知理论计算量大、计算时间过长的问题,但需要预知信道的稀疏度。引入高斯核函数对一种稀疏度估计算法进行了改进,并与ANIHT算法结合,使其可以在盲稀疏情况下对信道进行估计。仿真结果表明,在同等稀疏度条件下,该算法比其他算法节约了计算时间,在低信噪比下性能更优,具有较好的重构性能与稳定性。

基于压缩感知的稀疏度自适应图像修复探究

图像修复是指利用图像中已有的信息,对破损的地方进行修复或者删减目标物的图像处理技术。压缩感知是信号处理技术,利用信号的稀疏度,进行采样并恢复原始信号的技术。针对图像修复的算法,本文对样本数据进行大量的分析,对K-奇异值分解（K-SVD）字典训练,从而取代正交基函数。根据图像的退化数据,约束感知矩阵。对图像破损稀疏度未知的问题,提出了一种稀疏度自适应正则化正交匹配追踪算法（SA-ROMP）,提高图像修复精度。

一种稀疏度自适应的稀疏傅里叶变换算法

稀疏快速傅里叶变换需要信号以傅氏域的稀疏度为先验信息,但稀疏度通常是未知的,在一定程度上限制了算法的应用。为此,提出一种新的稀疏傅里叶变换算法。在下采样域进行能量检测,得到稀疏度的初始值,通过增大下采样维度提高稀疏度估计的准确性,从而近似估计稀疏度,设定阈值剔除冗余信息从而得到较好效果。实验结果表明,当信号长度大于219或稀疏度小于900时,该算法性能优于西方快速傅里叶变换,且具有较强的鲁棒性。

一种稀疏度自适应的SIMO-NOMA系统多用户检测算法

非正交多址接入(NOMA)可以通过对资源的非交使用来提高频谱利用率,增加用户连接数,有望成为5G的关键技术之一。考虑基站端配备多根天线,针对上行免调度SIMO-NOMA系统中活跃用户数量未知的情况,提出了一种基于压缩感知的稀疏度自适应匹配追踪硬融合算法(SAMP-HFA)。所提算法主要包括三部分:首先利用传统的SAMP算法估计基站端每根天线上的用户活动情况,接着融合这些检测到的用户活动信息获得一个公共的活跃用户集合,最后利用该集合估计活跃用户的传输数据。仿真结果表明,随着天线数目的增加,所提算法的误码率性能显著提高。

基于改进的稀疏度自适应振动数据修复方法

基于压缩感知的数据重构方法已用于解决信号采集中受损数据的修复问题,该算法首先需要已知数据稀疏度,而振动信号的稀疏度通常难以确定,增加了数据修复的难度;稀疏度自适应匹配追踪算法(SAMP)无需预估信号稀疏度,可用于受损数据修复,但SAMP算法的修复结果受终止条件影响较大,导致修复精度不高且效率较低;为此提出了基于终止准则改进的稀疏度自适应数据修复方法。基于振动信号波形特征和先验知识,选择适当的字典矩阵实现信号稀疏化;以单位矩阵为基础,根据数据的缺失模型构造观测矩阵;为了避免传统SAMP算法终止系数选取不当,导致支撑集引入错误原子的问题,采用改进的SAMP算法重构出完整信号,实现受损数据修复。通过仿真信号及轴承实测信号验证了方法有效性,且改进的SAMP算法在重构精度和运算效率上均有所提高;此外,改进的SAMP算法重构效果优于正交匹配追踪(OMP)与正则化正交匹配追踪(ROMP)。

毫米波MIMO系统中稀疏度自适应的压缩感知信道估计

利用毫米波MIMO系统的稀疏特性,信道估计可以转化为稀疏信号重构的问题。解决毫米波MIMO稀疏信道估计问题时,传统的OMP方法需要信号的稀疏度作为先验信息,实际系统难以满足此需要。文中引入StOMP算法,根据信号已知的稀疏先验信息确定阈值,并结合动态的阈值调整,提出一种新的StOMP-D算法,实现了稀疏度自适应的毫米波MIMO信道估计。仿真结果表明,所提的方法与传统的LS方法比较,信道估计性能显著提高,并且与稀疏度已知的OMP方法性能十分接近,在稀疏度未知时有明显的优势。

基于压缩感知的阈值多路径稀疏度自适应图像重构算法

针对深度优先的多路径匹配追踪算法在进行图像重构时需要已知图像稀疏度、计算复杂度高等问题,提出了阈值多路径稀疏度自适应图像重构算法。该算法引入多个候选集,通过设定阈值来进行原子筛选和候选集数量的调整。然后每次迭代选出残差最小的路径作为新的候选集,以提高重构速度。此外,将残差差分小于某一阈值作为算法停止条件,因此不需要图像稀疏度作为算法的输入。实验结果表明,该算法可以获得较好的重构效果,同时保持了良好的时间复杂度和抗噪性能。

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。