直接数据特征值分解的相干源DOA估计

提出一种基于均匀圆阵单次快拍数据的相干信源波达方向(direction of arrival,DOA)估计方法——直接数据特征值分解(direct data eigenvalue decomposition,DD-EVD)法. 算法通过模式空间转换将均匀圆阵虚拟为均匀线阵,再直接利用波束空间的快拍数据,构造一个Toeplitz矩阵,并对矩阵按阵列流形分解. 理论推导证明,矩阵的秩得到恢复,只与入射信号个数有关. 对该矩阵进行特征值分解可得到正确的信号子空间和噪声子空间,进而完成相干信源DOA估计. 算法使用单次快拍数据构造矩阵,适合非平稳信号参数的估计,同时不需要快拍累计和相关运算,降低了计算复杂度. 仿真结果验证了算法的有效性.      

基于稀疏表示和低秩矩阵逼近的图像去噪算法的研究

提出了一种基于稀疏表示和低秩矩阵逼近的图像去噪算法:首先,通过对图像块的数据矩阵进行奇异值分解和全局子空间分析,确定信号子空间和噪声子空间;其次,利用图像块与信号子空间的距离寻找相似块,并将相似块分组为训练样本;再次,对相似块矩阵进行奇异值分解,并确定表示相似块的奇异向量;最后,去除表示噪声的基.实验结果表明,该算法能...     

基于秩极小化理论的单幅图像超分辨率复原

由于自然图像中较小的图像块具有相似性,而这些相似图像块之间具有近似低秩结构.提出了一种基于秩极小化理论和块相似性的单幅超分辨率方法.该方法首先对于每一输入低分辨率图像块在训练图像库的低分辨率图像块中寻找其相似图像块;利用这些相似块所对应的高分辨率图像块构造近似低秩矩阵,建立秩极小化的复原模型,利用增广拉格朗日乘子算法将近似低秩矩阵分解为低秩矩阵和稀疏矩阵;最后根据相似的高分辨率图像块子空间的低秩矩阵,实现图像的超分辨率复原.通过在仿真数据机上进行验证和对比表明:本方法能够取得较好的超分辨率效果.     

基于时域解析估计的多重信号分类波束形成方法

针对频域多重信号分类(MUSIC)算法估计子空间的不稳定性问题,提出了一种基于时域解析估计子空间的MUSIC(TAMUSIC)波束形成方法.通过Hilbert变换将各阵元时域实数据转变为复解析数据,在时域构建经过时延后的协方差矩阵,利用特征分解求取噪声子空间,并利用噪声子空间自身的正交特性获得来波方向波束.数值仿真及实测数据处理结果表明,与频域MUSIC波束形成方法相比,TAMUSIC波束形成方法可以稳定获取快速运动目标的噪声子空间和来波方向波束,使波束旁瓣级最少降低3 dB,能够有效检测运动目标,且无虚假目标和波束分裂现象,并提高MUSIC波束形成方法在工程应用中的稳定性.     

稀疏低秩子空间聚类算法

子空间聚类算法的主要目标是从高维数据中找到其低维表示。在低秩表示子空间算法的基础上,针对采用数据本身作为字典会造成噪声过大的问题,提出稀疏低秩子空间聚类算法,采用稀疏表示优化字典,解决了数据自带噪声难以去除导致最终结果偏离过大的现象。实验结果表明,该算法相比于稀疏子空间算法和低秩表示算法效果有显著的提高。     

单通道小样本信号频率估计算法

针对噪声条件下单通道小样本信号的频率估计问题,提出基于MUSIC方法估计信号频率的算法,通过分析单通道接收信号,结合阵列信号处理方法,根据离散采样间隔和线性阵列阵元间距的关系,提出新的观测数据矩阵构造方法.利用采样数据构造一个Toeplitz矩阵,然后对该矩阵进行特征值分解得到信号子空间和噪声子空间,并通过MUSIC算法实现在单通道较小采样数据量的条件下,精确地估计信号频率.最后经过计算机仿真并与快速傅里叶变换(FFT)算法相比,验证了本文算法的有效性和优越性.     

基于低秩稀疏表示的子空间学习研究综述

以基于低秩稀疏表示的子空间学习为研究对象,对近几年的相关研究工作进行了归纳总结。首先,阐述了子空间学习及低秩稀疏表示的概念;然后,根据迭代更新的方法,将基于低秩稀疏表示的子空间学习分为基于矩阵分解的子空间学习和基于谱聚类的子空间学习两大类;其次,对它们各自算法的核心思想进行了详细介绍,并对这些算法的优缺点进行了对比分析;最后,介绍了基于低秩稀疏表示的子空间学习在人脸识别、语音情感识别和运动分割这些领域的应用,同时指出了该研究中存在的挑战及未来研究方向。     

采用EMD和奇异值分解子空间重构的信号降噪新方法

传统的奇异值降噪法对适合奇异值分解的矩阵构造及信号重构时有效秩阶次的选取缺乏具有物理意义的依据.提出一种采用EMD和奇异值分解子空间重构的信号降噪新方法,通过对EMD方法得到的各阶IMF分量构造时频矩阵进行奇异值分解,将信号的特征信息分解到各个不同的时频子空间中,根据时频子空间的特征变化,选择相应的子空间进行奇异值分解逆变换,从而实现信号降噪.对仿真合成电信号及实测机械振动信号的降噪应用,表明该方法能有效地从原始信号中提取所需的信号特征成分,具有直观的物理意义.     

矩阵低秩逼近的快速增量算法及其在人脸图像中的应用

针对矩阵数据降维或低秩逼近问题,提出了一种快速增量算法.假设矩阵数据存在双边分解,建立了两个相互耦合的特征子空间模型,因此增量算法由两个特征子空间的迭代更新构成.每一步迭代,新载入的矩阵数据沿着行(列)特征子空间进行正交分解,从而获得了行(列)协方差矩阵更紧致的表达.一旦该表达被建立,行(列)特征子空间的更新就可以通过解一个和矩阵数据的行(列)数相比更小规模的特征值问题来完成,算法的高效率得以实现.该算法被应用到人脸图像重构和人脸跟踪问题中,一系列实验表明了算法的有效性.     

四四元数域低秩逼近及其在矢量阵列波达方向和估计中的应用

提出了新的多元数概念——四四元数,以及四四元数框架下特征分解和奇异值分解等信号处理领域常用的矩阵运算新规则.在此基础上提出了四四元数矩阵的一种低秩逼近算法,并将其用于矢量传感器阵列信号建模及波达方向(DOA)估计中.结果表明,四四元数特征分解及奇异值分解能获得比现有方法更好的低秩逼近性能,基于四四元数模型的矢量传感器阵列信号DOA估计算法,在资源占用、子空间逼近以及对模型误差的鲁棒性等方面均明显优于传统算法.     

一种相邻相干信号的DOA估计新方法

提出一种估计相邻相干信号方位的新方法.该方法首先对传统空间平滑算法得到的数据协方差矩阵进行修正,然后对修正后的协方差矩阵进行奇异值分解,由左奇异矩阵得到噪声子空间;再构造新数据协方差矩阵,进行奇异值分解得到噪声子空间;最后取两次噪声子空间的平均值得到噪声子空间,利用MUSIC算法找到极大值对应的信号方向.计算机仿真表明,该方法能有效地估计出小信噪比下角度相隔较小的相干信号.     

非协作通信中的信噪比估计算法

研究基于信号协方差矩阵分解的信噪比估计算法.该算法使用最小描述长度准则实现了信号空间维数的估计,进而实现信噪比估计.在此基础上,提出了基于信号功率谱的信噪比估计算法.由该方法计算出接收信号的功率谱,估计出有用信号的带宽,在有用信号频带外的噪声频带上估计出噪声的功率,从而估计出信噪比值.仿真实验表明,当信噪比小于3dB时,基于信号功率谱的信噪比估计算法优于基于信号协方差矩阵分解算法.     

基于奇异值和奇异向量的盲自适应多用户检测方法

提出了一种基于奇异值和奇异向量的盲自适应多用户检测方法。传统的基于子空间的多用户检测方法需要估计信号子空间的特征值和特征向量 ,收敛速度较慢。这种新方法通过信号子空间的奇异值和奇异向量得到 CDMA系统的线性最小均方误差 (MMSE)多用户检测器。论文采用FST算法跟踪信号子空间的奇异值和奇异向量 ,并通过信号能量和噪声能量比值来确定信号子空间的阶数 ,使得多用户检测器能够很快地收敛 ,多用户检测器的输出信噪比很高 ,达到很好的多用户检测效果。     

ED与SVD及相关阵中信号的提取

本文介绍信号相关矩阵的奇异值分解(SVD)与特征根结构分解(ED)之间的关系及用信号特征矢量表示平稳随机过程和信号子空间的方法。利用信号子空间对信号进行信息提取,可减少噪声对估计参数精度的影响。文中论述了提高前向预测定向精度的方法。SVD能把信号空间与噪声空间分开,以提出互相关矩阵中信号信息。     

波达方向估计的一种改进SVD算法

本文主研究智能天线算法中的关键技术波达方向估计（DOA）。针对相干信号源的信号子空间与噪声子空间相互渗透,导致空间协方差矩阵缺秩从而经典算法失效的问题,本文基于奇异值分解（SVD）算法,提出了一种改进的SVD算法。该算法利用入射信号矩阵的最大特征向量元素包含所有入射信号信息的性质,进行矩阵重构,并对重构矩阵进行特征值分解得到噪声子空间和信号子空间,最后利用经典谱估计算法得到相干信源的入射方向。仿真试验结果表明改进SVD算法性能优于原始算法。     

奇异值曲率谱理论及其在信号处理中的应用

有效奇异值的确定一直是奇异值分解（Singular value decomposition, SVD）中的重要问题,在信号处理时尤其如此。分析了在Hankel矩阵方式下理想信号和噪声的奇异值特点,指出理想信号的奇异值曲线存在一个很大的转折点,而噪声的奇异值曲线则很平坦。进而提出了奇异值曲率谱的概念,利用它来描述含噪信号奇异值曲线上的转折点情况,并提出根据曲率谱最大峰值位置即奇异值最大转折点来确定有效奇异值个数。如果奇异值曲线在曲率谱最大峰值的位置坐标k处是凸出的,则有效奇异值的个数为k;如果奇异值曲线在k处是凹进的,则有效奇异值的个数为k-1,通过信号处理实例证实了这种结论。基于曲率谱的SVD准确地提取到了轴承振动信号中由于滚道损伤引起的调制现象,并据此可靠地判断出了滚道剥落坑总数。     

基于重构噪声子空间的相干信号DOA估计

传统DOA(direction of arrival)估计算法无法处理相干信号,因此提出一种基于重构噪声子空间的高精度DOA估计算法.该算法利用阵元接收数据的自协方差与互协方差信息构造成增广矩阵作为新的协方差矩阵,对该矩阵进行奇异值分解得到相应的噪声子空间和特征值矩阵.为了获得更精确的信号向量,重构一个由新特征值矩阵对应的特征向量所组成的噪声子空间.最后通过谱峰搜索得到DOA估计值.算法不影响对非相干信号估计的效果,并且比IMMUSIC(improved multiple signal classification)算法具有更高的估计精度,在低信噪比及信号入射间隔较小的情况下也有良好的准确性.仿真结果表明,提出的改进算法在低信噪比及低采样快拍数的条件下,能有效估计出相干信号的波达方向.     

奇异值分解对轴承振动信号中调幅特征信息的提取

为了从复杂的轴承振动信号中提取微弱的故障信息,提出了一种基于奇异值分解的特征提取方法.分析了基于奇异值分解的信号分解和特征提取原理,指出其信号分解的实质是一种线性叠加分解,并通过对轴承振动信号构造Hankel矩阵,利用奇异值分解处理后得到多个分量信号,并选择前面一定数目的分量信号进行叠加,准确地提取到了因滚道损伤引起的调幅特征,进而研究分析了不同数目分量所获得的调幅特征效果,并与小波变换进行比较.研究结果表明SVD对调幅特征的提取效果优于小波变换.     

基于SP子空间跟踪的修正的MMSE多用户检测方法

分析比较了多种子空间跟踪算法.复杂度高的特征值分解和奇异值分解不利于工程实现,而低复杂度的PASTd应用于多用户检测导致收敛速度慢并且检测性能差.介绍了SP子空间跟踪算法,利用SP算法跟踪信号子空间求得解调向量,设计了修正的MMSE检测器.与SVDMUD和PASTd MUD两种算法相比,仿真结果显示SP MUD算法收敛速度快,输出信噪比和误码率性能接近SVD MUD算法,并保持了较低的计算复杂度,是一种较好的实现方案.