一种复域压缩感知目标方位估计方法

针对频域压缩感知目标方位估计方法的性能退化问题,本文通过对线列阵接收信号进行复解析变换,按预估方位在复域对各阵元信号进行时延补偿、相关和累积处理,构建复域感知矩阵和测量值,采用复域压缩感知方法实现空间谱合成和目标方位估计.数值仿真和实测数据处理结果表明,在同一检测概率下,相比频域压缩感知方法,该方法对输入信噪比的最低要求得到近10lgMdB(M为通道数)的降低,提升了对弱目标的检测能力.

基于Berlekamp-Justesen码的压缩感知确定性测量矩阵的构造

确定性测量矩阵构造是近期压缩感知领域的一个重要研究问题。该文基于Berlekamp-Justesen(B-J)码,构造了两类确定性测量矩阵。首先,给出一类相关性渐近最优的稀疏测量矩阵,从而保证其具有较好的限定等距性(RIP)。接着,构造一类确定性复测量矩阵,这类矩阵可以通过删除部分行列使其大小灵活变化。第1类矩阵具有很高的稀疏性,第2类则是基于循环矩阵,因此它们的存储开销较小,编码和重构复杂度也相对较低。仿真结果表明,这两类矩阵常常有优于或相当于现有的随机和确定性测量矩阵的重建性能。

复域压缩感知近场声图测量方法

针对频域压缩感知近场声图测量方法性能下降的问题,基于阵列信号处理中相移与时延关系,按近场扫描位置在复域对各通道数据进行时延补偿和相关处理,建立复域感知矩阵和观测序列构建方法,提出复域感知矩阵近场声图测量模型。以数值仿真和某近场目标定位试验中测得数据为案例,将该模型与频域压缩感知模型处理结果进行对比。结果表明,相比频域压缩感知方法,通过改变观测序列和感知矩阵构建方式,最低信噪比的适应性得到近10lgM dB(M为通道数)的提升,提高了近场声图测量性能。

基于训练字典优化测量矩阵的SAR图像压缩算法

为压缩复数合成孔径雷达(SAR)图像,基于压缩感知理论,设计了基于训练字典优化测量矩阵。该方法可增强测量矩阵的列之间的不相关性,有效地降低测量矩阵列向量间的互相干性,提高重构结果的精确度。基于优化后的测量矩阵,可以获取更好的复数SAR图像压缩结果。通过真实场景的复数SAR图像实验,验证了该算法的有效性。

复矩阵特征值的两种估计方法

利用复矩阵特征值模之平方的上界估计方法一舒尔不等式(schur's inequatlity)得出更加逼近的 结论:并由此结果给出奇异复矩阵特征值模之上界的一种估计方法.

一种基于局部与全局结构特征的网络节点角色发现算法

针对复杂网络中基于节点结构特征的角色发现问题,在RolX角色发现算法的基础上,引入节点的局部及全局结构特征进行特征提取,构建节点结构特征矩阵。使用非负矩阵分解对节点结构特征矩阵进行降维,获得对应的节点角色矩阵。选用节点的全局、局部以及邻居节点重要性评价指标对分析所得的角色进行意义建构。在Facebook及Email-Enron两个数据集上的实验结果表明,该算法在局部以及全局等评价指标上与RolX(Role eXtraction)、GLRD(Guided Learning for Role Discovery)等算法相比,均具有更高的准确性。

基于Cholesky矩阵分解的贝叶斯压缩感知信号处理

随着雷达、卫星遥感技术的的高速发展,信号重构精度和效率的要求越来越高。针对传统贝叶斯压缩感知(Bayesian compressed sensing,BCS)算法需要进行高维矩阵反复求逆致使算法复杂度过高、运算时间过长的问题,结合Cholesky矩阵分解快速求逆方法,提出一种基于矩阵分解的改进贝叶斯压缩感知算法。通过仿真比较传统的BCS算法、最小l 1范数算法和正交匹配追踪算法(OMP),笔者改进的BCS算法在不损失信号重构精度的同时大幅缩减了算法运算时间,重构效果得到改善。

基于灰度共生矩阵的多尺度分块压缩感知算法

针对图像边缘与轮廓不能精确重构的问题,提出了一种基于灰度共生矩阵的多尺度分块压缩感知算法。该算法利用三级离散小波变换将图像分解为高频部分和低频部分。通过灰度共生矩阵的熵分析高频部分图像块的纹理复杂度,并根据图像块纹理进行再分块、自适应分配采样率。采用平滑投影Landweber算法重构图像,消除分块引起的块效应。对多种图像进行压缩重构仿真,实验结果表明,无观测噪声情况、采样率为0.1时,本算法在Mandrill图像上得到的峰值信噪比(PSNR)为25.37dB,比现有非均匀分块算法提高了2.51dB。不同噪声水平下,本算法的PSNR比无噪时仅下降了0.41~2.05dB。对于纹理复杂度较高的图像,本算法的重构效果明显优于非均匀分块算法,对噪声具有较好的鲁棒性。