基于改进量子进化算法的稀疏特征提取方法

特征提取是进行模式识别的关键环节,利用稀疏分解将信号表达为具有一定结构特征的原子组合,为提取信号内部特征信息提供了一种有效途径.本文提出基于改进量子进化算法的稀疏特征提取方法,利用改进量子进化算法的并行性和全局搜索能力,使信号在过完备的原子库上实现快速精确的稀疏分解.对过完备的原子库进行量子比特概率幅编码,通过量子比特的交叉进化-变异操作更新原子库,以信号残差与原子的内积作为量子进化目标函数,筛选出最具信号结构特征的原子,凭借稀疏重构实现信号的特征提取.仿真信号和故障轴承振动信号的稀疏特征提取结果表明了所提方法的有效性和优越性.      

基于NSST与改进稀疏表示的医学图像融合方法

针对单一模态的医学图像无法为临床诊断提供全面、 互补信息的问题, 提出一种基于非下采样剪切波变换(NSST)与改进稀疏表示(ISR)的多模态医学图像融合方法. 首先用NSST分解工具将待融合图像分解为一个低频子带和若干个高频子带; 其次, 用ISR方法融合低频子带, 通过Sobel算子和引导滤波器去除低频子带的细节特征, 从而提高低频子带的融合效率, 同时对高频子带采用绝对值最大的融合规则进行融合; 最后, 将融合后的低频子带和高频子带进行逆NSST变换得到最终的融合图像. 实验结果表明, 该方法在主观视觉性能和客观评价上均优于其他对比融合方法.     

基于RPCA的群稀疏表示人脸识别方法

针对训练样本图像和测试样本图像均存在光照、污染、遮挡等情况下的人脸识别问题,提出一种基于鲁棒主成分分析的群稀疏表示人脸识别方法(group sparse representation face recognition method based on robust principal component analysis, GSR-RPCA)。该方法将人脸图像由空域变换到对数域,增强人脸图像的对比度,并通过结构非相关鲁棒主成分分析算法从训练样本图像矩阵D中分解出干净的低秩部分人脸图像矩阵A和误差图像矩阵E,以增强恢复数据的鉴别力;学习A与D之间的低秩映射关系矩阵P,并用P将存在遮挡的测试样本映射到其潜在的子空间下,得到干净的测试样本y;计算y在A上的群稀疏表示系数,并利用类关联重构残差对测试人脸进行识别,获得测试人脸的所属类别。在CMU PIE,Extended Yale B和AR数据库上的实验结果显示,提出方法具有较高的识别率和较强的鲁棒性。     

基于组稀疏卡尔曼滤波的多步轨迹预测方法

提出一种基于组稀疏卡尔曼滤波的机动轨迹多步预测方法。首先引入组稀疏编码,通过一次学习建立简单的多步线性回归预测模型,克服了传统方法未能充分利用历史数据而导致预测精度降低的问题;再利用最小角回归算法来计算该模型的稀疏系数,进一步改善模型系数估计的准确性;然后改进了卡尔曼滤波算法,并结合上述组稀疏编码算法,来确保预测结果的精确性;最后通过与传统BP、长短时记忆网络和组稀疏编码方法的仿真比较,验证了所提方法的有效性。     

一种无人机分层三维航迹规划方法

针对SAS算法在三维航迹规划问题应用中的不足,提出了一种基于分层策略的三维航迹规划方法。该方法分为两个层次:粗粒度的SAS快速航迹规划和细粒度的遗传算法优化。SAS算法以较大步长快速找到搜索图中的最优解,建立航迹通道。在航迹通道内利用改进的遗传算法对航迹进行优化。设计了一种定向变异算子用于航迹的平滑。仿真实验表明,该方法规划的三维航迹能满足地形跟随和规避威胁的要求,同时具有良好的平滑特性。     

大规模MIMO系统信道状态信息反馈开销降低方法

针对大规模多输入多输出(massive-multiple input multiple output,massive MIMO)系统,结合离散余弦变换(discrete cosine yransform,DCT)和快速傅里叶变换(fast fourier transform,FFT)基,研究了基于压缩感知的信道状态信息(channel state information,CSI)反馈开销降低方法。首先在用户端,该方法基于压缩感知理论对三维(three dimension,3D)CSI采用不同稀疏基组合进行表示,进而形成两种不同的观测矩阵对其进行观测,其中方法 1基于3D CSI直接形成观测矩阵,而方法 2则基于垂直维CSI和水平维CSI分别形成两个中间观测矩阵,进而通过Kronecker积形成最终观测矩阵。最后,将观测值经矢量化后反馈给基站端;基站端则通过正交追踪匹配算法(orthogonal matching pursuit,OMP)重构CSI。仿真结果表明,基于两种稀疏基的组合可以使得CSI反馈开销得到大幅度降低,同时,基于方法 1生成的观测矩阵所重构CSI性能明显优于基于方法2的。     

基于块稀疏的低复杂度宽带MIMO-OFDM稀疏信道估计方案

CoSaMP压缩采样匹配追踪算法是一种有效且可靠的稀疏信号重构算法。针对大多数宽带MIMO-OFDM稀疏信道估计方案中常被忽略的信号内部特殊结构问题,采用MIMO-OFDM系统模型,分析信号块稀疏结构特性,研究了CoSaMP算法的改进问题。仿真结果表明,与其他信道估计方案相比,所提方案在未知信号稀疏度值的情况下依旧获得了接近理想状态下的系统和速率、归一化均方误差和信号重构效率,有效降低了计算复杂度。可见,所提方案具有很好的信道估计性能。     

基于自适应加权压缩感知的图像超分辨率重建

压缩感知理论被广泛应用于从少量随机观测中精确地重构原始信号,基于压缩感知理论来实现图像的超分辨率重建,在利用图像的局部稀疏性先验的基础上,采取了以下两项措施：一是通过对图像降质模型的估计,采用K-奇异值分解(K-singular value decomposition, K-SVD)算法构建过完备字典对,依据同一图像高低分辨率观测在对应字典下稀疏表示系数相似的特点,将字典对所表示的高低分辨率图像间的映射关系带入目标函数中,避免了降采样和模糊算子难以抽象为矩阵形式对求解造成的影响;二是在待超分辨率图像稀疏编码时提出一种自适应加权的梯度投影稀疏重构(adaptive weighting gradient projection for sparse reconstruction, AWGPSR)算法,克服了传统正交匹配追踪(orthogonal matching pursuit, OMP)算法在这一步需要固定稀疏度的缺陷,可获得更加精确的稀疏表示系数。结合得到的稀疏表示系数与高分辨率字典可以重建出图像的高频分量,将重建的高频分量与低频部分融合可以得到最终的图像超分辨率重建结果。实验结果表明,...     

基于Beta过程的高分辨ISAR成像

对于高信噪比、完整回波、目标平稳运动等理想观测环境, 现有成像技术已经较为成熟, 可以获得聚焦良好的高分辨逆合成孔径雷达(inverse synthetic aperture radar, ISAR)像。但在实际中的方位回波缺损与低信噪比观测情况下, 随机相位误差等因素会降低现有成像算法的性能甚至使其失效。本文首先建立了ISAR稀疏观测模型, 并基于稀疏贝叶斯学习理论, 通过引入Beta过程非参数先验构建层级概率模型, 进而交替利用Gibbs采样及最大似然方法对ISAR像及随机相位误差进行估计。实验结果表明, 所提方法在低信噪比、回波缺损等复杂观测环境下能够获得聚焦良好的ISAR图像。     

基于频域稀疏压缩感知的雷达目标三维散射中心反演方法

基于平面阵列的微波天线结构可以获取多视角下的目标散射中心三维分布。针对平面阵列稀疏分布导致的目标成像及散射中心反演精度较差的问题, 设计了一种基于组合巴克码的稀疏孔径分布方式。在此基础上, 利用稀疏孔径回波和频域主成分分析得到参考复数信号。利用该参考复数信号对原始回波进行干涉处理, 获得回波频谱的稀疏表征方式。在频域建立基于压缩感知的目标散射中心三维分布模型并进行优化求解, 得到重构后的目标三维频谱, 并逆变换至空间域, 可实现目标散射中心幅度及三维位置重建。暗室试验数据处理结果表明, 所提方法在X波段和稀疏采样率为50%的条件下, 目标散射中心幅度及三维位置反演精度均优于90%。