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。

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。

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L1范数的低场核磁共振T_2谱稀疏反演方法

低场核磁共振技术(LF-NMR)以其无损、非侵入、原位和绿色等优势被广泛应用在食品、农业、能源和化工等行业,尤其是在食品安全监管领域发挥着越来越重要的作用.在油品品质检测中,常规非负奇异值分解(SVD)弛豫(T_2)谱反演方法,只能反映光滑模型的T_2谱,对于稀疏模型的反演结果存在较大差异,从而导致T_2谱反演分辨率低和品质分析不准确的问题.针对这一问题,本文提出基于L1范数最小化约束的T_2谱稀疏反演算法,建立NMR回波曲线的稀疏模型表达式,利用截断牛顿内点法求解L1范数最小化问题,得到稀疏模型的T_2谱反演结果.通过构造光滑模型的T_2谱、以及不同峰值数和信噪比的稀疏模型的T_2谱,对比非负SVD算法和L1稀疏算法的反演效果,得到当信噪比大于20 d B时,L1稀疏算法能精确反演多峰T_2谱,峰值幅度和峰位置均优于非负SVD算法结果.最后通过多组煎炸油样品进行低场核磁共振检测实验和不同信噪比数据的反演结果对比,验证了L1范数稀疏反演算法的准确性和优越性.

基于L_1范数和隐马尔可夫链的用电设备非侵入辨识方法研究

针对用电设备非侵入式负荷辨识精度不高、效率低等问题,在综合隐马尔可夫链模型(Hidden Markov chain Mode)后,提出了一种基于L1范数的稳态特征非侵入负荷辨识的方法。该方法将稳态谐波电流及稳态有功功率作为特征参数建立特征数据库,再通过边沿检测获取准确的稳态状态段,然后运用L1范数最小化算法进行迭代计算,同时以训练完毕的隐马尔可夫链模型对其进行修正,有效解决了传统模式识别类算法稳定性差、辨识效果不佳的缺陷。同时通过仿真和实验分析,对所提出的方法和传统的辨识方法进行了对比分析,结果证明该方法具有良好的辨识精度和辨识效率。

相关观测的L_1范数最小化方法的比较分析

在抵御粗差影响方面,L_1范数最小化方法比最小二乘更具可靠性。求解L_1范数最小化问题,主要有选权迭代法和线性规划法两种方法。针对相关观测,通常采用权阵的对角线元素来构造L_1范数最小化问题的目标函数,这种处理方法容易忽略观测值之间的相关性。如果采用Cholesky分解消去观测值之间的相关性,则容易造成粗差的转移,进而影响抗差功效。本文对上述两种方法进行了比较分析,数值实验结果表明将相关观测转换为独立等权观测,有利于增强线性规划的稳健性,而在探测粗差方面则具有等价性。由于基于选权迭代的方法收敛性较差,故不适合求解L_1范数最小化问题。

自适应环境变化的RSS室内定位方法

根据定位问题的天然稀疏性,提出一种基于两步字典学习的定位方法,依据测量值动态调整字典,使稀疏模型能够自适应RSS的变化。同时提出一种改进的加权l1范数稀疏重构算法,提高低信噪比情况下的重构精度。实验结果表明该方法可以在目标数量未知的情况下实现多目标定位,并具有较强的抗噪声能力。

基于广义最小最大凹惩罚项的ISAR稀疏成像方法

介绍一种基于广义最小最大凹(generalized minimax concave,GMC)惩罚项的ISAR稀疏成像方法。该方法的惩罚项形式与L_1范数最小化方法不同,不仅使最小二乘损失函数凸性最小,而且避免了L_1范数最小化方法系统性幅值低估问题。通过仿真实验说明GMC算法在ISAR成像中的幅度保持特性。利用Yak-42飞机的实际数据进行ISAR成像,结果表明GMC算法在成像精度方面优势明显,具有更好的成像效果。

基于神经动力学优化的压缩感知信号恢复方法

针对稀疏信号的准确和实时恢复问题,提出了一种基于神经动力学优化的压缩感知信号恢复方法。通过引入反馈神经网络(recurrent neural network,RNN)模型求解l1范数最小化优化问题,计算RNN的稳态解以恢复稀疏信号。对不同方法的测试结果表明,提出的方法在恢复稀疏信号时所需的观测点数最少,并且可推广到压缩图像的恢复应用中,获得了更高的信噪比。RNN模型也适合并行实现,通过GPU并行计算获得了超过百倍的加速比。与传统的方法相比,所提出的方法不仅能够更加准确地恢复信号,并具有更强的实时处理能力。

基于非负稀疏表示的SAR图像目标识别方法

针对合成孔径雷达(SAR)图像目标识别中存在物体遮挡的情况,该文提出一种基于非负稀疏表示的分类方法。通过分析L0范数和L1范数最小化在求解非负稀疏表示问题上的区别,证明在一定条件下,L1范数最小化方法除了保持解的稀疏性还能得到与输入信号更加相似的原子集合,因此也更加适用于分类问题中。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,采用L1范数的非负稀疏表示分类方法能达到较好的识别性能,并且相对传统方法对存在遮挡情况下的识别问题更稳健。

压缩波束形成声源识别的改进研究

凭借空间分辨率高、旁瓣衰减能力强等优势,压缩波束形成声源识别算法备受关注。传统方法直接最小化声源分布向量的l_1范数,重构声源分布与真实声源分布之间存在一定偏差,声源无法被直接准确量化。为改善该问题,给出迭代重加权l_1范数最小化方法,其迭代求解声源分布,且每次迭代中对声源分布向量进行加权。仿真及试验结果均证明:所给方法能有效降低传统方法的重构偏差,能直接用主瓣峰值准确量化声源强度,且空间分辨率更高、旁瓣衰减能力更强。

动态压缩感知波达方向跟踪算法

针对现有动态目标波达方向(DOA)跟踪方法在单快拍条件下估计精度较低甚至失效的问题,提出了一种基于动态压缩感知的DOA跟踪算法。首先,通过前一跟踪时刻所得到的先验DOA稀疏信息,获得当前跟踪时刻信号向量中各位置非零元素的分布概率,继而建立起动态DOA的稀疏概率模型。然后,采用加权l1范数最小化方法重构出当前跟踪时刻的信号向量,从而确定非零元素的位置,获得DOA的实时估计值,最终实现运动目标的动态DOA跟踪。本文算法可以在单快拍条件下实现对动态目标DOA的良好跟踪,并且在相同条件下具有比粒子滤波算法更好的跟踪性能。最后,通过仿真试验对所提算法进行了有效性验证。

基于压缩感知的人脸识别方法

基于稀疏重构的分类方法具有较好的识别效果,但计算复杂度高。为此,提出基于压缩感知的人脸识别方法 COMP,将L1范数最小化重构算法替换成正交匹配追踪(OMP)算法,以降低复杂度,并在OMP中引入模式类别信息,使该方法具有更强的分类能力。基于YaleB人脸库的实验结果表明,COMP在低维度时识别率高于OMP。

基于交替分裂Bregman迭代算法的鲁棒多道预测反褶积方法

将一次波的L_1范数最小化约束引入多道预测反褶积,提出基于交替分裂Bregman迭代算法的鲁棒多道预测反褶积方法。所提方法利用距离算子求解L_1范数最小化优化问题,在整个迭代过程中只需计算一次矩阵求逆,计算复杂度较低。首先介绍了多道预测反褶积方法的数学模型,然后给出鲁棒多道预测反褶积的优化问题,并阐述了交替分裂Bregman迭代算法求解优化问题的步骤。相对于基于迭代重加权最小二乘法的鲁棒多道预测反褶积方法,文中方法在保持多次波压制效果的同时,能进一步提高计算效率;相对于基于最小二乘法的多道预测反褶积方法和基于交替分裂Bregman迭代算法的鲁棒单道预测反褶积方法,文中方法能有效地均衡一次波的保护和多次波的压制。另外,所提方法利用了多道预测反褶积方法的优势,比单道预测反褶积方法能更好地适应海底的起伏变化。模型数据和实际数据测试结果表明:当水层多次波具有周期性时,文中方法能在保护一次波的同时,有效地压制水层多次波,并具有较高的计算效率;当水层多次波的周期性假设得不到很好的满足时,很难对多次波的压制效果进行直观判断。

基于局部结构变换域稀疏外观模型的目标跟踪

[目的]为了降低稀疏表示目标跟踪算法的计算复杂度,[方法]在粒子滤波框架下提出了基于局部结构变换域稀疏外观模型的视觉目标跟踪算法。[结果]该算法在目标区域附近提取重叠的局部图像块,并计算出所有局部图像块的二维离散余弦变换,获得图像块的变换域系数。变换域的能量集中特性被采用来降低字典的维度与候选样本的数量,并且对系数压缩一定的自由度可以抑制噪声与遮挡影响。采用被裁剪的样本与字典获得局部图像块的稀疏编码,然后将当前目标区域中所有小图像块的稀疏向量加权融合得到目标区域的稀疏表示值,并通过决策模型获取最优跟踪结果。与现有三种最新的跟踪算法比较的实验结果表明,[结论]所提算法的跟踪性能接近或超过对比算法,同时大大减小了l_1范数最小化的计算复杂度。

一种联合阴影和目标区域图像的SAR目标识别方法

地面目标的SAR图像中除了包含目标散射回波形成的区域,还包括由目标遮挡地面形成的阴影区域。但是由于这两种区域中的图像特性不相同,所以传统的SAR图像自动目标识别主要利用目标区域信息进行目标识别,或者单独使用阴影区域进行识别。该文提出一种阴影区域与目标区域图像联合的稀疏表示模型。通过使用l1\l2范数最小化方法求解该模型得到联合的稀疏表示,然后根据联合重构误差最小准则进行SAR图像目标识别。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,通过联合稀疏表示模型可以有效地将目标区域与阴影区域信息进行融合,相对于采用单独区域图像的稀疏表示识别方法性能更好。

基于压缩感知的探地雷达成像算法研究

压缩感知理论通过从一系列非自适应线性测量中求解一个凸L 1最小化问题,从而对稀疏信号进行重构。该文基于压缩感知理论对宽带合成孔径雷达成像,利用空间目标信号成像的稀疏性,提出了一种全新的低采样率数据采集重构算法。此算法在获取雷达信号原始数据时采用压缩感知的算法,减少了原始信号数据的采样量,并且用少量的测量数据和测量孔径获得重建测量目标的信息。最后将此算法与传统的反投影成像进行了比较,其仿真试验数据表明,基于压缩感知的探地雷达成像算法比传统反向投影算法成像效果好,且所需数据量少。

基于单通道盲源分离算法的局部放电特高频信号去噪方法

为有效抑制现场检测局部放电特高频信号背景噪声中的周期性窄带干扰和高斯白噪声干扰,提出一种基于单通道盲源分离算法的去噪方法。首先对局部放电特高频信号进行时频联合分析,获得源信号数量;然后对检测到的局部放电信号进行奇异值分解,将得到的重构奇异值子矩阵重新组合成多通道信号,并采用特征矩阵近似联合对角化方法进行盲源分离,从局部放电信号中分离出噪声干扰;最后采用l_1范数最小化方法进行源信号估计,得出去噪后的局部放电特高频信号。使用该方法对模拟试验和现场实测信号进行去噪处理,并与现有方法的去噪结果进行对比。结果表明,与现有方法相比,该方法可更有效抑制周期性窄带和高斯白噪声干扰,且去噪后的局部放电特高频信号波形不发生明显畸变。

基于压缩感知的电网传输线故障定位方法

文中提出了一种基于压缩感知稀疏重构技术的广域故障定位方法,用于准确定位传输网络中的单故障和双故障位置.与早期传统的故障定位方法不同,该方法只需要通过相量测量单元(PMU)在数量有限的节点中测量即可实现故障定位.测量得到的电压相量和电网的阻抗矩阵产生一个欠定方程组,可以通过压缩感知稀疏重构的方法求解.重构得到了一个稀疏故障电流矢量,通过其中的非零元素判断可能的故障区域.对于没有故障的区域,可以由PMU测量到的电流相量计算相邻节点的电压,然后用新计算的电压和PMU测量值确定故障线路.利用替代定理和最小二乘法计算发生故障前后的节点电压变化量和故障线路两端的电流变化量.文中针对几种典型的故障类型,基于压缩感知和改进的传输线方程精确估计故障位置,消除了复杂的数学迭代过程,进一步提高了故障定位精度.应用PSCAD仿真软件在IEEE39节点系统上进行算例仿真,对故障定位算法进行了测试研究,验证该算法可以实现常见故障的精确定位.