基于原子范数最小化的稀疏阵列稳健波束形成算法

为提高稀疏阵列在信号模型存在失配时的波束形成性能,提出一种基于原子范数最小化(Atomic Norm Minimization,ANM)的稳健波束形成算法。构建基于ANM的降噪问题模型,根据稀疏阵列的协方差矩阵结构将其转化为等价的半定规划问题,同时推导该问题的对偶问题以提高运行效率,求解得到阵列降噪后的接收数据和协方差矩阵。根据互质阵列的结构特性证明其空间谱的无模糊性,对所得的协方差矩阵直接使用多重信号分类算法获得入射信号的波达方向。利用虚拟填充技术得到与互质阵列孔径相同的均匀线性阵列的接收数据,最终获得阵列输出。通过计算机仿真实验,验证了所提算法的可行性和准确性,较其他被测算法输出的信干噪比至少提高1.5 dB。

基于原子范数最小化的通信感知一体化目标参数估计方法

为解决传统算法对信噪比和快拍数要求较高的问题,提出了一种基于原子范数最小化的通信感知一体化目标参数估计方法。首先,基于正交频分复用波形设计了通信感知一体化接收信号模型。在此基础上,挖掘接收信号在目标时延与多普勒在时频域的稀疏性,在快拍数有限情形下,利用原子范数最小化理论实现二维时频多普勒和时延参数联合估计。此外,利用奇异值分解提取接收信号的主要成分,设计了基于交替方向乘子法的快速求解算法,以降低算法的计算量。仿真结果表明:所提算法实现了通信感知一体化系统在有限快拍下的高估计精度,并显著提升了运算效率。

基于原子范数最小化的极化敏感阵列DOA估计

为了提高极化敏感阵列中压缩感知类波达方向(Direction Of Arrival,DOA)估计算法的精度,避免网格失配问题,本文使用正交偶极子阵列在原子范数最小化(Atomic Norm Minimization,ANM)的理论基础上提出一种无网格波达方向估计算法.首先,将一维正交偶极子天线接收到的多快拍信号分解为两个子阵再求和,然后通过解决半正定规划问题恢复出一个含有入射信源信息的半正定Toeplitz矩阵,继而对该矩阵进行Vandermonde分解,恢复入射信源的DOA信息.同时结合协方差矩阵的向量化结果和最小二乘法计算得到入射信源的极化辅助角和极化相位角信息.通过仿真实验,在不同快拍数和信噪比下,对比子空间类算法和压缩感知类算法,证明了该算法具有较高的测角精度.

基于原子范数最小化的单比特稀疏双极子阵列的波达角估计

现有的单比特稀疏双极子阵列的波达角估计方法为子空间方法,其估计精度依赖于信号的统计特征,并且没有充分利用协方差矩阵的结构,导致其估计精度较低.为了提高该阵列的波达角估计精度,本文提出了一种基于原子范数最小化的无网格稀疏化波达角估计方法.该方法将稀疏双极子阵列的波达角估计转化为标量阵波达角估计,并根据参数空间的连续性构造基于原子集的阵列信号稀疏模型,随后利用单比特采样下噪声的稀疏特征,将该波达角估计问题转化为l1范数约束下的原子范数最小化问题,并且给出一种基于交替方向乘子法的快速迭代求解方法.仿真结果表明:相较于现有的方法,本文所提方法有着更高的估计精度,在嵌套阵上,当信噪比为-5 dB时,其估计精度均方误差降低了17.9 dB;将求解原子范数最小化的计算复杂度由O(N6.5)降低为O(N3),其中N为与稀疏阵具有相同孔径和相同阵元间距的均匀线阵的阵元个数.

基于L2范数最小化联合模型的目标跟踪算法

为了解决稀疏表示的跟踪算法的计算代价比较大,且目标的表观由于多种原因会发生变化的问题,提出了一种在贝叶斯推理框架下,建立结合基于全局模板的判别式模型和基于局部描述子的生成式模型的联合模型,通过L2范数最小化进行求解的目标跟踪方法.在跟踪过程中,适时地更新判别式模型中的正负模板和生成式模型中模板的系数向量,使模板具有很强的适应性和判别性.实验结果表明,与其他典型的算法相比,该算法对于光照变化、尺度变化、遮挡、旋转等情况具有较强的鲁棒性.

融合L2范数最小化和压缩Haar-like特征匹配的快速目标跟踪

在贝叶斯推理框架下,基于PCA子空间和L2范数最小化的目标跟踪算法能较好地处理视频场景中多种复杂的外观变化,但在目标出现旋转或姿态变化时易发生跟踪漂移现象。针对这一问题,该文提出一种融合L2范数最小化和压缩Haar-like特征匹配的快速视觉跟踪方法。该方法通过去除规模庞大的方块模板集和简化观测似然度函数降低计算的复杂度;而压缩Haar-like特征匹配技术则增强了算法对目标姿态变化及旋转的鲁棒性。实验结果表明:与目前流行的跟踪方法相比,该方法对严重遮挡、光照突变、快速运动、姿态变化和旋转等干扰均具有较强的鲁棒性,且在多个测试视频上可以达到29帧/s的速度,能满足快速视频跟踪要求。

基于l_1范数最小化的非流形曲线族重构

从散乱点集重构曲线族在计算机视觉、逆向工程和医学图像处理等方面有着广泛的应用,非流形曲线族重构是其中的难点问题.文中在压缩传感理论基础上,提出一种基于l1范数最小化的非流形曲线族重构方法.该方法首先将散乱点集的法矢和位置信号表示为稀疏形式,通过l1范数优化方法,重建法矢信号和位置信号;之后,根据重建的法矢和位置计算点集的双边权,在此基础上构建最小生成树(Minimum Spanning Tree,MST)来重构曲线族;最后通过后处理过程,完成对重构曲线族的开闭处理.实验表明,该算法能处理包含开、闭曲线,流形、非流形曲线,以及具有尖锐特征的曲线等复杂情况的曲线族,并且对噪声较鲁棒.

基于改进l_1范数最小化组合算法的欠定盲源分离

基于稀疏假设,欠定盲源分离问题一般可采用线性规划、最短路径法和组合算法等l1范数最小化方法进行求解,但是这些传统方法对源信号的稀疏性要求较高,从而限制了源信号的估计精度。为此,本文提出了一种改进的l1范数最小化组合算法.该算法根据一定阈值找到与最小l1范数解最接近的若干次优解,将这些次优解和最小l1范数解进行加权叠加,并替代最小l1范数解,作为源信号的估计。采用语音信号的仿真实验表明,对于观测信号个数不太小的高维混合情况,该算法的源信号估计精度能够比传统的l1范数最小化组合算法提高10%左右。

基于l_1范数最小化的水下圆柱壳振动声辐射预报

基于模态叠加理论,将圆柱壳结构在流体中的响应以真空中振动模态形式展开,通过测点振动速度和模态矩阵建立以模态参与系数为未知量的欠定方程组。利用结构中低频段振动对应的模态参与系数的稀疏特性,采用l1范数最小化法求解基于测点振动所建立的欠定方程组,得到模态参与系数,从而重构结构振动速度场,最终采用边界元法进行声辐射预报。通过单层圆柱壳振动与声辐射实验结果和预报结果进行对比,验证了该预报方法的正确性。在此基础上,研究基于布置在内壳上的测点振动速度重构双层圆柱壳体结构振动和实现辐射噪声评估的可行性,并初步研究了测点数目和位置对预报精度的影响。

基于通道压缩的原子范数最小化DOA估计算法

针对波达方向(DOA)估计算法的精度以及分辨率受通道数目影响的问题,本文提出了基于通道压缩的原子范数最小化(CC-ANM)无网格DOA估计算法。该算法首先对通道数进行压缩,然后对压缩之后数据的协方差矩阵进行特征值分解,利用分解得到的特征值和特征向量构建新的观测向量,以此来构建单快拍模型下的ANM问题,最后根据半正定规划问题的最优解建立Toeplitz矩阵,通过其Vandermonde分解获得信号DOA参数的估计结果。仿真实验验证了CC-ANM算法在阵元数为20,压缩率为2,信噪比为20 dB,快拍数为200时,估计精度可以达到0.1°以下。对于角度间隔2°以上的信号可以达到100%的测量。对仪器接收入射角度为0°实测数据进行测试,该算法估计精度在0.3°以下,要优于同等条件下的压缩感知类算法。

基于加权L1范数最小化算法的地震数据重建方法研究

在地震勘探过程中,往往会因为某些不可抗拒的因素而造成地震数据不规则缺失,这将严重影响后续工作的处理,因此需要对缺失的地震数据进行重建。依据地震数据有效波具有连续性的特点,可采用加权L1范数最小化算法对缺失数据进行重建。实验结果表明:加权L1范数最小化算法具有重建精度高,抗噪声能力强的特点,对于工业生产极具应用价值。

基于原子范数最小化的高分辨距离像散射中心估计

雷达高分辨距离像(HRRP)体现了目标散射中心在视线方向分布的结构特征,在雷达自动目标识别领域具有重要的应用价值。本文提出了一种基于原子范数最小化的HRRP散射中心估计方法,该方法根据原子范数的信号模型,对HRRP进行建模,将散射中心的估计问题转化为原子范数最小化问题。此估计方法直接在连续的位置空间进行求解散射中心的位置与强度,无需对散射中心的位置进行离散化处理,有效的避免了基不匹配的问题。与此同时,该方法也不需要已知散射中心的数量,而且对噪声较为鲁棒。仿真数据处理结果验证了该方法的有效性。

基于迭代加权lq范数最小化的稀疏阵列综合方法

针对非均匀稀疏阵列综合问题,提出一种利用迭代加权lq(0<q<1)范数最小化的阵列综合方法。该方法利用稀疏阵列天线的稀疏物理特性,将稀疏阵列综合问题转化为一系列迭代加权lq(0<q<1)范数最小化的稀疏重构问题,并在每次迭代中求解出用于下次迭代的阵列加权向量闭式解,由满足迭代终止条件时的阵列加权向量的非零值来确定阵列的阵元位置及其激励幅度。仿真结果表明,与基于迭代加权l1范数的阵列综合方法相比,该方法在满足辐射特性前提下能以更少的迭代次数来综合出稀疏程度更高的稀疏阵列。

基于原子范数最小化的二维稀疏阵列波达角估计算法

基于二维稀疏平面阵列的波达角(Direction-of-arrival,DOA)估计问题在第五代移动通信大规模多输入多输出阵列的应用中日益重要。无网格稀疏重构技术促进了DOA估计问题的发展,原子范数理论则使得DOA估计的超分辨率得到进一步的提高。文中研究了多个方向的频谱稀疏信号入射到二维稀疏阵列时的DOA估计问题。为了准确、成对地识别出所有入射信号的仰角和方向角,提出了一种基于多个测量矢量(Multiple Measurement Vectors,MMV)的二维原子范数算法,并用半正定规划进行求解。所提算法将二维DOA估计问题中的压缩感知理论从单个测量矢量拓展到多个测量矢量,从而有效利用MMV的联合稀疏性。数值仿真结果表明,随着MMV矢量的增长,可识别的信源个数增加,稀疏阵列中物理传感器所占比例降低到30%,DOA估计误差也显著降低,并且在信噪比增大时,所提算法能够取得很好的收敛效果。

基于加权Schatten p范数最小化的磁共振图像重构方法研究

本文提出了一种基于加权Schatten p范数最小化(Weighted Schatten p-Norm Minimization,WSNM)的磁共振图像重构算法,该方法利用磁共振图像的非局部自相似性,并结合Schatten p范数和不同秩元素重要性的加权因子,实现磁共振图像重构过程的低秩约束.此外,采用交替方向乘子算法(Alternating Direction Method of Multipliers,ADMM)来求解基于WSNM磁共振图像重构的非凸最小化问题.实验结果表明,相比于最近的磁共振重构算法,基于WSNM的磁共振图像重构方法具有更好的重建效果,可获得更高的峰值信噪比(Peak Signal to Noise Ratio,PSNR)和更好的结构相似性(Structural Similarity,SSIM).

基于同伦l_(0)范数最小化重建的三维动态磁共振成像

高欠采倍数的动态磁共振图像重建具有重要意义,是同时实现高时间分辨率和高空间分辨率动态对比度增强成像的重要环节.本研究提出一种结合黄金角变密度螺旋采样、并行成像和基于同伦l_(0)范数最小化的压缩感知的图像重建的三维动态磁共振成像方法.黄金角变密度螺旋采样轨迹被用来连续获取k空间数据,具有数据采集效率高、对运动不敏感等优点.在重建算法中,将多线圈稀疏约束应用于时间总变分域,使用基于l_(0)范数最小化的非线性重建算法代替传统的l_(0)范数最小化算法,进一步提高了欠采样率.仿真实验和在体实验表明本文所提的方法在保持图像质量的同时,也可以实现较高的空间分辨率和时间分辨率,初步验证了基于同伦l_(0)范数最小化重建在三维动态磁共振成像上的优势和临床价值.

l_p范数最小化问题下的部分稀疏精确恢复条件

研究了部分稀疏信号精确恢复问题,在l_p范数最小化问题模型下,给出了部分稀疏精确恢复的充要条件:部分p-零空间性质;改进了部分稀疏精确恢复的充分条件:部分p-限制等距条件.研究了上述2个恢复条件在部分稀疏信号恢复时与完全稀疏信号恢复时所对应的条件之间的联系.

一类复值l1范数最小化问题的复值投影神经网络算法

通过定义新的投影函数,提出一种连续时间的复值投影神经网络模型及其离散化算法,能完全在复域上解决一类复值l1范数最小化问题,并在理论上得到新模型及其离散化算法的稳定性和全局收敛性。数值实验进一步表明,新模型的离散化算法能有效地求解基于l1范数最小化的复值稀疏信号的重构问题。

通过混合l_(2)/l_(1)范数最小化实现块稀疏信号恢复

块稀疏信号恢复问题在很多领域都有非常重要的应用.将Karmalkar用于处理稀疏信号问题的方法推广至块稀疏信号,研究带噪声的块稀疏信号恢复问题,通过混合l_(2)/l_(1)范数最小化和高斯矩阵的性质,可以得到最小测量误差,精确地恢复块稀疏信号.

基于L_2范数最小化的实时目标跟踪

目的在贝叶斯推理框架下,基于稀疏表示的跟踪算法能够较好地处理目标在视频场景中的各种复杂的外观变化,取得较为鲁棒的跟踪效果,但算法的计算复杂度很高,很难满足实时性要求。针对稀疏跟踪算法的这一问题,提出了一种基于L2范数最小化的实时目标跟踪算法。方法将主成分分析(PCA)子空间目标表示与L2范数最小化进行结合,去除稀疏跟踪算法中常用的琐碎模板集,建立基于L2范数最小化的目标表示模型以及将遮挡等因素考虑在内的观测似然度函数。结果在大量的实验测试集上的对比实验结果显示,该算法和多个非常优秀的跟踪算法相比,可以达到相同甚至更高的跟踪精度,而且在多个测试集上可以达到20帧/s的速度。结论该算法可以很好地应对视频监控场景中遮挡、光线突变、尺度变化和非刚性形变等干扰,同时算法复杂度低,满足了实时要求。