基于自适应网格的跳频信号参数估计

分析了现有跳频信号稀疏重构算法的基不匹配问题,导致离散字典的稀疏表示能力变差,严重影响稀疏重构算法的性能。针对这种情形,提出了基于自适应网格的变分贝叶斯稀疏重构算法。该方法通过对字典不断地加权聚类和缩放处理,实现字典的自我更新,使得参数网格更加精细化。仿真结果表明,该方法具有良好的抗噪性能和交叉项抑制能力,同时缓解了稀疏重构算法的基不匹配情形,时频聚焦性进一步提高,能够在较低信噪比条件下,获取较高时频分辨率的时频矩阵,可以更精确地完成后续跳时刻检测、跳周期及跳频率等参数估计。     

超完备稀疏表示的图像超分辨率重构方法

为改善单帧退化图像的分辨率,提出一种基于超完备字典稀疏表示的图像超分辨率重构方法。该方法的核心是构建信号自适应的超完备字典对及计算图像关于对应字典的稀疏表示。为降低在训练过程中构建超完备字典对的复杂性,采用学习低分辨率字典而数值计算高分辨率字典的方法,待超分辨图像应用正则正交匹配追踪的稀疏表示算法求解关于字典的稀疏表示,并联合高分辨率字典实现超分辨率重构。实验表明,该方法与其他类似算法相比,字典训练和超分辨测试的速度都有显著提高,实验图像的峰值信噪比改善3.3 dB,框架相似性提高0.09。本方法可应用于单帧模糊图像的高倍率的超分辨率重构,有效地提高了图像的分辨率水平。     

基于多重稀疏表示的声纳图像超分辨率重建方法

提出一种基于多重稀疏表示的声纳图像超分辨率重建方法。该方法针对声纳图像的光滑、边缘和纹理3种结构形态,分别利用离散平稳小波变换、contourlet小波变换和Gabor小波变换建立过完备字典,并对多重稀疏表示的声纳图像进行超分辨率重建。实验结果表明,该方法得到的超分辨率图像能够有效保持原始高分辨率图像的几何特征和纹理特征,可以得到更高的峰值信噪比,并且对噪声具有鲁棒性。     

Toeplitz矩阵有限等距特性研究

在压缩感知热潮的影响下,观测矩阵的有限等距特性（restricted isometry property, RIP）也受到广泛关注。大多数理论研究表明高斯随机矩阵是满足RIP特性的,但由于其存储成本较高,物理实现较复杂,在实际使用中托普利兹（Toeplitz）随机矩阵由于可以使用快速离散傅里叶变换实现而受到青睐。该文将图论中点均匀着色定理和盖尔圆盘定理应用于压缩感知中,对托普利兹观测矩阵的RIP特性进行了证明,证明结果表明,由服从某种特定概率分布的项构造的Toeplitz矩阵以较大概率满足有限等距特性。最后,对最小二乘算法（least square,LS）、线性最小均方误差（linear minimum mean square error,LMMSE）算法和高斯观测矩阵的压缩感知算法以及Toeplitz观测矩阵的压缩感知算法进行了对比分析,Toeplitz观测矩阵的压缩感知算法在性能方面要优于高斯观测矩阵的压缩感知算法和传统算法,运算复杂度方面要优于高斯随机矩阵,为压缩感知实现无失真地重构原始信号提供了理论和应用参考。     

基于压缩传感的MIMO-OFDM水声通信信道估计算法

充分利用水声信道的稀疏特征,提出一种基于压缩传感理论的多输入多输出正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing, MIMO-OFDM)水声通信系统信道估计算法。在MIMO-OFDM水声通信系统模型的基础上,考虑Doppler频移的影响设计符合压缩传感理论框架的过完备字典,利用一系列非正交基在过完备字典下描述待重建信号。通过对比分析基追踪降噪、丹茨格选择器以及正交匹配跟踪3种算法的信道估计性能,进一步证明了算法的有效性。仿真实验结果表明,基于压缩传感的稀疏信道估计算法具有优于传统最小二乘算法的信道估计精度,并且在最小二乘矩阵求逆奇异的情况下仍能准确地估计出信道参数;在计及Doppler频移的影响时,直接压缩传感估计优于补偿后的压缩传感估计方法。     

盲信号压缩重构——模型与方法

通过分析欠定盲信号分离模型和压缩感知模型本质内涵和内在联系,建立了基于压缩感知的欠定盲信号重构问题的数学模型,该模型对于欠定盲信号分离的实现提供了一个新的解决途径。基于该模型的压缩重构方法通过两步来实现：分别利用源信号稀疏域性质实现对盲估计欠定混合矩阵的估计;利用压缩感知的重构稀疏源信号的方法,实现对欠定稀疏盲信号的分离和重构。提出的算法根据实际应用场合,具有一定扩展能力。最后通过模拟实验验证了提出模型和相应算法的有效性。     

稀疏描述与结构特征融合的极化SAR斑点抑制算法

提出一种稀疏描述与结构特征相结合的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像斑点抑制算法。首先利用图像的极化信息对原图像按结构特征分类,形成分类标记图;然后采用正交匹配追踪(orthogonal-matching-pursuit,OMP)算法对图像进行稀疏分解,利用K奇异值分解 (K-singular value decomposition, K-SVD)算法对过完备字典进行训练更新,得到图像相应的训练字典和稀疏系数,重构图像;最后在重构图像中按分类图增强相应的点线目标。利用美国AIRSAR系统采集的半月湾地区数据进行实验表明:该方法在实现图像去噪的同时,能够有效的保持地物的散射特性。     

改进的压缩感知量测矩阵优化方法

压缩感知理论中信号的重建要求量测矩阵与稀疏变换基之间的互相关性要尽可能小。以降低二者互相关性为目的,研究了一种改进的基于变步长梯度下降的量测矩阵优化方法。该方法利用梯度下降法更新步长,并基于模拟退火中的降温思想引入学习速率因子来进一步调节步长的变化,提高算法的收敛速度,改善算法的性能。仿真结果表明,使用变步长梯度下降法优化后的量测矩阵与稀疏变换基的互相关系数在零附近的分布更加集中,量测矩阵的优化速度快并且重构图像的峰值信噪比提高。因此,所提方法优化所得的量测矩阵无论是降低互相关性还是提高图像重建质量都具有良好的性能。     

基于压缩感知的条带SAR缺失数据恢复成像方法

针对条带模式合成孔径雷达回波缺失数据,提出了一种利用压缩感知恢复缺失数据并成像的方法。将条带数据分块为多个子孔径数据,对子孔径利用压缩感知恢复缺失数据并拼接得到条带数据,缩短了整个数据的恢复时间,推导了压缩感知处理的基矩阵和测量矩阵。运用最大似然估计的特征向量方法(eigenvector method for maximum- likelihood estimation, EMMLE)实现了子孔径缺失数据的自聚焦,满足了压缩感知对图像的稀疏要求。利用压缩感知恢复完整的相位误差信号,解决了子孔径补偿相位误差数据的拼接问题。最后通过对恢复的雷达回波数据成像并自聚焦校正了距离徙动,得到了聚焦良好的完整图像,提高了缺失数据的成像质量。     

基于稀疏重构的L型阵列MIMO雷达降维DOA估计

针对L型阵列多输入多输出(multiple-input multiple-output,MIMO)雷达二维空间角估计问题,提出一种基于协方差矩阵联合稀疏重构的降维波达方向(direction of arrival,DOA)估计算法。该算法根据L型阵列MIMO雷达联合流型矢量的特点,通过降维矩阵的设计及回波数据的降维变换,最大程度地去除了所有的冗余数据;通过协方差矩阵联合构造稀疏线性模型,将2维角参量空间映射到1维空间,极大降低字典长度和求解复杂度的同时,不牺牲阵列孔径,实现了二维空间角度的有效估计和参数的自动配对。理论分析与实验仿真表明:与RD_MUSIC算法相比,本文降维处理有效提高阵元利用率的同时,最大程度地降低了回波数据的维数;与传统子空间类算法相比,基于协方差矩阵联合构造的稀疏线性模型充分利用了阵列孔径,无需预先估计目标数目,参数估计性能在低信噪比及小快拍数据长度下优势明显。最后,仿真结果验证了本文理论分析的正确性和算法的有效性。     

基于盲压缩感知模型的图像重构方法

为了解决压缩感知重建中噪声引起图像质量明显下降的问题,研究了自适应学习的压缩感知模型,提出了一种盲压缩感知图像重构方法。该方法采用盲压缩感知的稀疏矩阵与稀疏基交替更新的思想,应用了图像冗余变换和初始组合余弦变换基相结合的迭代策略,解决了压缩感知中的稀疏基难于表示的问题,抑制了噪声,提高了图像重构质量。通过实验验证所提方法较基于小波变换的正交匹配追踪方法和全变差方法有明显的噪声抑制功能,且能保持较好的图像纹理信息。     

联合低秩及稀疏结构特性的毫米波通信下行信道估计

毫米波通信的信道估计给系统带来较大负荷。为降低系统开销,联合无线信道低秩和稀疏特征,提出一种基于非凸低秩逼近的信道估计算法框架。针对基于信道建模的字典学习方法运算量大的问题,设计了基于深度神经网络信道特征分类的字典学习算法。仿真表明:在特定城市微蜂窝信道模型下,该方法的均方误差性能均优于基于信道模型的字典学习方法、贝叶斯框架下的信道估计方法以及基于压缩感知信道估计方法;获取相同归一化均方误差时本文算法所需的信噪比最低;所需导频数量低于上述3种方法。     

Novel imaging methods of stepped frequency radar based on compressed sensing

The theory of compressed sensing (CS) provides a new chance to reduce the data acquisition time and improve the data usage factor of the stepped frequency radar system. In light of the sparsity of radar target reflectivity, two imaging methods based on CS, termed the CS-based 2D joint imaging algorithm and the CS-based 2D decoupled imaging algorithm, are proposed. These methods incorporate the coherent mixing operation into the sparse dictionary, and take random measurements in both range and azimuth directions to get high resolution radar images, thus can remarkably reduce the data rate and simplify the hardware design of the radar system while maintaining imaging quality. Experiments from both simulated data and measured data in the anechoic chamber show that the proposed imaging methods can get more focused images than the traditional fast Fourier transform method. Wherein the joint algorithm has stronger robustness and can provide clearer inverse synthetic aperture radar images, while the decoupled algorithm is computationally more efficient but has slightly degraded imaging quality, which can be improved by increasing measurements or using a robuster recovery algorithm nevertheless.     

基于降维稀疏重构的相干信源二维DOA估计方法

直接将压缩感知(compressed sensing,CS)思想应用到相干信源二维波达方向(direction of arrival,DOA)估计中会带来高计算复杂度的问题。为了解决这一问题,提出了一种基于降维稀疏重构的二维DOA估计方法,该方法利用特殊阵列结构将二维冗余字典构建问题转化为一维冗余字典的构建,同时提出了一种基于子字典空间谱重构的配对算法,从而在极大降低算法计算复杂度的同时,提高了配对成功概率。仿真结果表明,该方法对相干信源具有接近于克拉美罗下界(Cramér Rao lower bound, CRLB)的估计性能,即使是在低信噪比、少快拍数和小角度间隔的情况下,仍有良好的估计性能。     

小波神经网络及其在旋转机械轴心轨迹识别中的应用

提出一种基于小波变换理论的小波神经网络模式识别方法,并将该方法应用于旋转机械轴心轨迹的识别。在本文提出的方法中,模式识别分两步来完成。第一步通过小波网络完成对数据的压缩,第二步应用前馈神经网络对第一步中的压缩数据进行学习与分类,从而达到模式识别的目的。     

基于压缩感知的米波雷达低空测角算法

为解决多径环境下米波雷达对低空目标探测问题,本文结合信号空域稀疏性和多径模型下的复合导向矢量提出了一种多径环境下高分辨的低空测角方法,能够有效地克服多径效应问题。该方法首先利用多径模型下的先验信息产生复合导向矢量,然后利用该导向矢量构造压缩感知矩阵,此时的感知矩阵是整合了多径衰减系数和回波角度关系等先验信息,同时通过对多快拍数据矩阵的奇异值分解获得较高信噪比的信号数据矩阵,继而利用感知矩阵和信号数据矩阵建立最优化L1范数约束求解模型,最后利用凸优化工具求解稀疏空间谱,估计直达波和反射波入射角度值。该方法能够增强信息矢量稀疏性,在较低信噪比下可获得高分辨的角度估计性能。仿真实验证明了该方法的优越性。     

基于Worldview-II多光谱遥感数据纹理

提出了一种基于Worldview-II多光谱遥感数据的纹理特征提取方法。该方法针对Worldview II的8个波段,通过主成分分析(principle component analysis, PCA)变换进行多光谱遥感数据压缩,针对压缩后的数据特点建立主成分灰度差频空间(gray level difference frequency space, GLDFS),并利用GLDFS对多光谱遥感数据进行纹理特征提取。实验结果表明,与传统的灰度共生矩阵(gray level co occurrence matrix, GLCM)单波段纹理分析方法相比,该方法能够保持多光谱数据之间的协同关系,具有更高的分类精度和执行效率。