阈值收缩迭代算法在被动毫米波图像处理中的应用

为了克服被动毫米波图像处理系统中数据量巨大,实时处理要求高的缺点,将阈值收缩迭代算法应于被动毫米波图像处理中,通过一个非自适应的基矩阵对原始图像信号进行变换,求解一个优化问题获得稀疏性最高的信号,可以在噪声干扰的情况下以极高的精度恢复出原始图像信号。将算法用于被动毫米波模拟图像的恢复实验,得到了很好的结果。因此,它是一种高效、可行的被动毫米波图像处理方法。

基于两步迭代收缩法的多稀疏空间图像快速重构方法

由于多稀疏空间图像重构时,像素范围选取过大、峰值信噪比低以及重构时间长,导致图像重构方法存在重构效果差的问题,提出基于两步迭代收缩法的多稀疏空间图像快速重构方法。明确多稀疏空间图像重构存在的问题,在明确问题后,以迭代收缩阈值算法为基础,引入迭代加权收缩算法,结合每一轮迭代结果作为初值,完成图像重构的两步迭代收缩法设计,实现多稀疏空间图像快速重构。实验结果表明:应用该方法后的重构多稀疏空间图像峰值信噪比达到37.9 dB以上,图像重构时间仅为16.0 ms,图像结构相似性达到了0.98以上,并且重构多稀疏空间图像的效果更好,经过实验分析证实了所提方法具备可行性。

改进的迭代收缩阈值算法及其在量子状态估计中的应用

本文将含有稀疏干扰的量子状态估计问题,转化为考虑量子状态的约束条件下,分别求解密度矩阵的核范数,以及稀疏干扰l1范数的两个子问题的优化问题.针对迭代收缩阈值算法(ISTA)所存在的收敛速度慢的问题,通过在两个子问题的迭代估计中,引入一个加速算子,对当前值与前一次值之差进行进一步的补偿,来提高算法的迭代速度(FISTA).并将FISTA算法应用于求解含有稀疏干扰的量子状态估计中.针对5个量子位的状态估计的仿真实验,将FISTA分别与ISTA、交替方向乘子法(ADMM)、不动点方程的ADMM算法(FP-ADMM),以及非精确的ADMM算法(I-ADMM)4种优化算法进行性能对比.实验结果表明,FISTA算法具有更加优越的收敛速度,并且能够得到更小的量子状态估计误差.

改进变步长快速迭代收缩阈值算法

图像复原问题是图像处理中的一项重要研究内容,解决图像复原问题,往往涉及到大量的数据集和未知信息。为了解决此类高维数据优化问题,前向后向算法提供了简洁、实用的方法。快速迭代收缩阈值算法是在前向后向算法的基础上加入了全局加速算子,一定程度上提高了算法的收敛速率。但是,快速迭代收缩阈值算法在解决最小值优化问题时,采用的是固定步长因子,限制了算法的收敛速率。针对该问题,结合Barzilai-Borwein算子提出一种改进的变步长算法。改进算法在每次迭代中利用前两步的迭代信息更新步长因子,加快了算法的收敛。将该算法应用于压缩感知和图像去噪中,数值实验结果表明:该算法改进了原算法的收敛速率。因此,改进变步长快速迭代收缩阈值算法不仅提高了算法的效率,同时提高了信号复原的信噪比。

基于改进迭代收缩阈值算法的微观3D重建方法

迭代收缩阈值算法(ISTA)求解离焦深度恢复动态优化问题时,采用固定迭代步长,导致算法收敛效率不佳,使得重建的微观3D形貌精度不高。为此,提出一种基于加速算子梯度估计和割线线性搜索的方法优化ISTA——FL-ISTA。首先,在每一次迭代中,由当前点和前一个点的线性组合构成加速算子重新进行梯度估计,更新迭代点;其次,为了改变迭代步长固定的限制,引入割线线性搜索,动态确定每次最优迭代步长;最后,将改进的迭代收缩阈值算法用于求解离焦深度恢复动态优化问题,加快算法的收敛速度、提高微观3D形貌重建的精度。在对标准500 nm尺度栅格的深度信息重建实验中,与ISTA、快速ISTA(FISTA)和单调快速ISTA(MFISTA)相比,FL-ISTA收敛速度均有所提升,重建的深度信息值下降了10个百分点,更接近标准500 nm栅格尺度;与ISTA相比,FL-ISTA重建的微观3D形貌均方差(MSE)和平均误差分别下降了18个百分点和40个百分点。实验结果表明,FL-ISTA有效提升了求解离焦深度恢复动态优化问题的收敛速度,提高了微观3D形貌重建的精度。

迭代去噪收缩阈值算法重构压缩全息

为了解决全息图像数据在传输过程中占用大量内存并在一定程度上增加设计成本的问题,在数字全息成像技术中,应用压缩感知理论,提出了一种基于迭代去噪收缩阈值算法(IDNST)的数字全息重构方法.IDNST算法引入了去噪迭代因子和正则化收缩因子,利用前2次迭代的值、不断更新的迭代参数以及不断收缩的正则化参数来获得新的迭代值,加快了收敛速度,提高了全息图像的重构精度.仿真结果表明,所提出方法能够高概率地恢复出原始图像.

图像压缩感知的双收缩快速迭代算法

针对传统图像压缩感知重构算法重构质量差及时间复杂度大的问题,提出一种双收缩快速迭代算法。通过引入阈值和正则化参数的双收缩,逐步迭代恢复图像信号,以加快收敛速度,改善重构质量。仿真结果表明,与传统阈值迭代算法相比,该算法重构图像的峰值信噪比较高,在低采样率下运行时间较少。

基于迭代收缩阈值网络的地震数据重构研究

由于复杂地球物理条件的影响,野外采集的地震数据往往存在缺失道、坏道的情况,严重影响后续的处理解释工作。压缩感知理论的提出使得地震数据可以不满足Nyquist频率进行稀疏压缩恢复,但重构效果受限于变换域以及参数的选择。因此,本文通过结合压缩感知凸优化算法迭代收缩阈值算法以及深度神经网络,通过用深度神经网络的每一层表示迭代收缩阈值算法的迭代过程,通过端到端的学习自动更新网络中的参数。将本文的方法应用于Tesseral模拟数据以及实际地震数据的地震数据重构,并与传统的迭代收缩阈值算法进行对比,实验结果表明,基于迭代收缩阈值网络的重构方法精度高,重建所需时间短,可以更有效地恢复地震信号。

一种深度学习的波束空间信道估计算法

在时分双工(TDD)毫米波大规模多输入多输出(MIMO)系统中,因为波束空间信道具有稀疏性,导致将低维测量数据重建为原始高维信道时会带来较高的复杂度。针对上行链路,在不考虑稀疏度的情况下,将传统优化算法和基于数据驱动的深度学习方法相结合,提出一种改进的基于深度学习的波束空间信道估计算法。从重建过程入手,通过交替建立梯度下降模块(GDM)和近端映射模块(PMM)来构建网络。首先根据SalehValenzuela信道模型进行理论公式推导并生成信道数据;其次构建一个由传统迭代收缩阈值算法(ISTA)的更新步骤所展开的多层网络,并将数据传输到该网络,每层对应于一次类似ISTA的迭代;最后对训练好的模型进行在线测试,恢复出待估计的信道。构建Py Torch环境,将该算法与正交匹配追踪(OMP)算法、近似消息传递(AMP)算法、可学习的近似消息传递(LAMP)算法、高斯混合LAMP(GM-LAMP)算法进行对比,结果表明:在估计精度方面,所提算法相对表现较好的深度学习算法LAMP、GM-LAMP分别提升约3.07和2.61 d B,较传统算法OMP、AMP分别提升约11.12和9.57 d B;在参数量方面,所提算法较LAMP、GM-LAMP分别减少约39%和69%。

基于多步迭代方法的快速总变分图像复原

针对目前总变分图像复原算法收敛速度较慢的问题,本文提出了一类基于多步迭代的快速总变分图像复原算法。提出了两种多步总变分图像复原算法:多步迭代收缩阈值算法和多步迭代加权收缩算法,并针对多步算法每次迭代需要额外估计权参数的不足,给出了一种固定权参数的多步总变分复原算法。同传统的单步总变分复原算法相比,提出算法在每次迭代过程中无需额外增加计算量,且需要很少的迭代就能达到收敛。实验结果表明:对复原不同因素引起的退化图像,文中提出算法的收敛性能远高于传统的单步迭代复原算法,从而我们提出的算法是有效的。

基于通用迭代收缩阈值算法的多光谱生物发光断层成像

生物发光断层成像(bioluminescence tomography, BLT)是一种高灵敏非侵入式光学分子成像模态,但近红外光在生物组织中传输的复杂性及表面测量信息的有限性,对BLT光源重建算法提出了较高要求.本文提出了一种基于通用迭代收缩阈值(general iterative shrinkage and threshold,GIST)的BLT重建算法,采用非凸平滑剪切绝对偏差(smoothly clipped absolute deviation, SCAD)惩罚项,并通过迭代求解对非凸惩罚项有解析解的邻近算子问题来获得优化结果.此外,重建中也结合了多光谱测量和收缩可行域策略以降低逆问题的不适定性.为评估该算法的光源定位及多光源辨识能力,本文设计了多组仿真和物理仿体实验,并将GIST与几个典型稀疏重建算法进行了对比.实验结果表明GIST算法在不同光源深度和间隔距离的实验中在中心定位误差方面有较大优势.

基于改进GD-HASLR算法的遮挡人脸识别

针对遮挡人脸识别方面的算法在训练样本数目减少时,其识别结果也会下降。为了解决该问题,文中提出了一种改进的GD-HASLR(Gradient Direction-Based Hierarchical Adaptive Sparse and Low-Rank)算法。该算法先求得人脸图像的广义梯度方向,计算人脸图像从一阶到三阶的梯度大小和梯度方向,再利用映射函数进行映射后求得梯度方向向量,然后将其作为层次稀疏低秩模型的输入,求解出图像的表示系数和误差。文中采用了重启的快速迭代收缩阈值算法-Ⅱ求解稀疏表示系数。最后,计算一阶到三阶测试样本的残差,选取其频率最高或者平均等级最低的类别作为分类结果。在AR、Extended Yale B数据库上的实验结果表明,与GD-HASLR等方法相比,文中改进方法获得的识别效果更好。

多天线正交频分复用的雷达信号处理算法

在实现雷达通信一体化中,正交频分复用信号被广泛使用,多输入多输出天线阵列的引入能定位目标所在的方位角,同时利用多天线也能提高通信的性能。在多输入多输出正交频分复用雷达通信一体化系统中,本文通过构建信号的雷达接收模型,将参数估计问题建模为压缩感知问题并进行求解,提出基于快速迭代收缩阈值算法的参数估计方法。仿真结果显示,在低信噪比情况下,本文所提方法优于基于迭代收缩阈值算法和基于正交匹配追踪的参数估计方法。

基于压缩感知与快速迭代阈值收缩算法的脑功能网络重建

基于静息态功能磁共振成像(fMRI)构建脑功能网络是揭示人脑运作机制的有效手段,但是目前常见的脑功能网络普遍包含大量噪声从而导致错误的分析结果。本文使用压缩感知中的最小绝对值收缩和选择算子(LASSO)模型对脑功能网络进行降噪重建,该模型利用L1范数惩罚项的稀疏性避免过拟合问题。然后,通过快速迭代阈值收缩算法(FISTA)求解,该算法在每一次迭代中通过一个收缩阈值操作来更新变量,从而收敛到全局最优解。实验结果表明:与其他几种方法相比,该方法可以将脑功能网络降噪重建的准确率提高到98%以上,有效地抑制了噪声,有助于即使在噪声环境下也能很好地探索人脑的功能。

迭代收缩阈值雷达前视成像方法

针对机载多通道雷达的扫描前视成像问题,研究了利用迭代收缩阈值算法实现单个通道前视成像的方法,在此基础上提出一种扩展的多通道迭代收缩阈值算法来解决多通道前视成像问题,在理论上证明其收敛性,并给出加快收敛速度的方法。该算法首先通过对各个通道的加权叠加,获得多通道雷达最小均方误差意义下的最优解;然后利用目标的稀疏表示,获得最优解在相应稀疏约束下的稀疏解。理论分析和仿真实验表明,相对于现有扫描雷达前视成像方法,所提方法在算法稳定性、场景复原能力和噪声抑制能力等方面具有明显的优势。

一种基于深度学习的异常数据清洗算法

在物联网(IoT)中采用合适的异常数据清洗算法能极大地提升数据质量。许多研究人员采用统计学方法或分类聚类等方法对时-空相关数据进行清洗。但这些方法需要额外的先验知识,会给汇聚节点带来额外的计算开销。该文根据低秩-稀疏矩阵分解模型,提出一种基于深度神经网络的快速异常数据清洗算法,来解决物联网中时-空相关数据的清洗问题。结合感知数据的时-空相关性和异常值的稀疏性,将异常数据清洗问题转换为优化问题,并采用迭代阈值收缩算法(ISTA)求解该优化问题,再将ISTA算法展开成一个固定长度的深度神经网络。实际数据集的实验结果表明,该方法能够自动更新阈值,比传统的ISTA算法收敛速度更快,精度更高。

地震资料快速两步插值算法

为了提高插值效率以及选择最优的插值方案,基于凸集投影(POCS)算法和迭代阈值(IST)算法的分析公式,在前人的基础上发展了快速迭代收缩阈值(FIST)算法和快速凸集投影(FPOCS)算法。基本思想是:将前一步的插值结果与前两步的插值结果通过线性算子进行线性组合,得到迭代收缩算子;通过插值算法进行插值。同时引入质量控制新准则,提高了计算效率和精度。使用IST、POCS、FIST和FPOCS等算法分别对由Seismic Lab建立的四层地震模型、Marmousi模型的不完整地震数据进行插值,筛选出最佳的阈值策略,并最终由实际地震资料进行验证。结果表明:阈值指数递减策略较恒阈值、阈值线性递减、数据驱动阈值等策略获得的插值结果的信噪比更高;结合终止准则,最大迭代次数为35~50时,即可获得较好的插值效果。

基于IFISTA算法的LFM信号压缩感知重构

快速迭代收缩阈值算法(FISTA)为低复杂度、高效率的信号重建铺平了道路。但是,当应用到线性调频信号重构时,传统的FISTA算法存在重构效果不佳、收敛速度慢等缺点。为了提高重建效果,提出基于保护系数的改进快速迭代收缩阈值算法(IFISTA)。在新方案下,首先,利用线性调频信号在分数阶傅里叶变换下的时频稀疏特性得到线性调频信号良好的稀疏表示,在迭代过程中对所有重构系数进行分析;然后,与特征相关的系数将被保护免受阈值收缩,以减少信息损失。仿真信号实验分析验证了该算法的有效性,结果表明,在相同信噪比条件下,提出的算法在线性调频信号的重构方面优于传统算法的性能。

基于即插即用2D-FISTA的高分辨ISAR成像方法

基于即插即用框架,将二维快速迭代收缩阈值算法与深度去噪网络DnCNN相结合,提出对不同信噪比回波稳健的逆合成孔径雷达高分辨成像方法PnP 2D-FISTA。首先建立二维ISAR成像的信号模型与稀疏观测模型,给出2D-FISTA成像的迭代公式,然后用DnCNN作为去噪器代替软阈值收缩函数,获得良好的图像重构与去噪性能。仿真与实测数据实验结果表明,PnP 2D-FISTA能在不同信噪比条件下实现高效成像,并具有较好的重构性能与噪声鲁棒性。

双稀疏字典和FISTA的地震数据去噪

地震数据的随机噪声去除是地震数据处理中的一项重要步骤,双稀疏字典提供了两层稀疏模型,比单层稀疏模型可以更好地去除噪声.该方法首先利用contourlet变换对地震数据进行稀疏表示,然后在contourlet域中使用快速迭代收缩阈值算法(fast iterative shrinkage-thresholding algorithm,FISTA)对初始字典系数进行更新,接着采用数据驱动紧标架(data-driven tight frame,DDTF)在contourlet域中得到DDTF字典并通过FISTA得到更新后的字典系数,最后通过DDTF字典和更新后的字典系数获得新的contourlet系数,并对新的contourlet系数进行硬阈值和contourlet反变换得到去噪后的数据.通过模拟数据和实际数据的实验证明:与固定基变换去噪方法相比,该方法可以自适应地对地震数据进行稀疏表示,在地震数据较为复杂时得到更高的信噪比;与字典学习去噪方法相比,该方法不仅拥有较快的去噪速度,而且克服了字典学习因为缺少先验约束造成瑕疵的缺点.