基于块稀疏的频率分集阵MIMO二维参数估计

针对导向矢量时变导致频率分集阵列-多输入多输出(MIMO)雷达参数估计误差增大的问题,提出一种基于块稀疏的距离和角度参数联合估计方法.首先,就导向矢量时变性对参数估计性能的影响进行了理论分析;然后,通过公式推导证明了块稀疏理论在频率分集阵MIMO雷达参数联合估计中的适用性,并提出了基于块稀疏的参数联合估计方法,给出了参数估计的具体流程;最后,通过仿真对参数估计性能进行了分析.理论分析及仿真结果表明:基于块稀疏的参数联合估计方法可实现单次快拍下多目标距离和角度参数的联合估计,估计能力优于传统谱估计方法;在单目标和单快拍条件下,所提算法精度与二维ESPRIT和二维MUSIC算法相比,基于稀疏字典估计的参数精度优于两算法,而基于系数向量估计的参数精度介于两算法之间.     

模式耦合稀疏贝叶斯MIMO雷达成像

通过压缩感知稀疏恢复理论可利用少量MIMO雷达收发阵元实现对目标的高分辨成像。利用MIMO雷达目标图像的块稀疏特性,将模式耦合稀疏贝叶斯学习算法应用于MIMO雷达成像,首先建立MIMO面阵回波信号模型,引入模式耦合稀疏贝叶斯分层模型,将相邻系数通过共用超参数的方法耦合起来。通过贝叶斯推理得到雷达信号的估计式,再通过EM算法实现对超参数的迭代估计,进而实现对雷达信号的估计,直到信号满足误差允许范围,最后重构信号实现MIMO阵列高分辨成像。仿真实验表明,该方法的成像效果在图像的聚焦性能上优于传统的傅里叶、稀疏贝叶斯算法,在散射点重构上优于OMP算法。     

高维稀疏个性化推荐方法研究（英文）

考虑特征数据的多响应logit决策模型常用于个性化推荐问题，尤其在考虑参数矩阵的低秩结构时该方法表现较好。近年来有较多理论和算法上的进展，但是该决策模型中的参数估计在高维情形下仍然具有挑战性。因此，本文引入了基于特征数据的惩罚似然方法，进而还原顾客、产品关于推荐结果的稀疏结构。提出的方法同时考虑低秩和稀疏结构，以降低模型复杂度，同时提升参数估计和模型预测的精度。新算法稀疏因子梯度下降(SFGD)用于参数矩阵的估计，该方法有较高的可解释性以及计算效率。作为一阶的方法，SFGD不用考虑Hessian矩阵的计算，在高维情形下有较好表现。模拟研究表明，SFGD在参数估计、稀疏还原以及算法平均regret上均优于现有方法。通过广告行为数据分析来验证了方法的有效性。     

块匹配运动估计算法的速度优化

在视频压缩系统进行帧间编码时 ,很多运动估计块匹配算法利用搜索样式的设计来节约计算资源 ,搜索速度尚有提高的空间·利用运动矢量主要分布在搜索区中心 3× 3范围内的中心偏置特性来优化块匹配算法 ,并同时采用起始搜索点位置预测来提高搜索命中率· 仿真试验表明 ,优化算法在保证原算法精度的基础上明显提高了搜索速度     

冲击噪声下基于Lorentzian范数的CSR参数估计

针对现有重构算法及其改进算法在压缩感知雷达(CSR)参数估计中存在的稳健性不强、适用性不广等问题,提出了一种适用于冲击噪声背景的鲁棒性算法——Lorentzian-ISL0(基于Lorentzian范数的改进光滑l0范数).建立CSR参数估计的稀疏线性模型,并基于Lorentzian范数和高斯函数稀疏正则化,构造冲击噪声下稳健的优化目标函数;修正优化目标函数的牛顿方向,并沿修正方向对估计值进行更新,直至收敛.仿真实验结果表明:与已有算法相比,本文方法计算复杂度更小,支撑集重构更精确,信号重构精度更高.     

基于协方差准则迭代估计的雷达回波压缩重构

在雷达技术领域得到高度关注的压缩感知理论,能够有效地降低高分辨率雷达成像系统的数据率,解决雷达系统中超大数据量的采集、存储与传输问题.宽带雷达回波在信号的幅度-延时基上具有稀疏表示.基于这一特性,可以使用压缩感知理论通过降维采样大大减少数据量.针对降维采样后信号重建问题,文中研究了一种基于协方差准则循环迭代的稀疏参数估计方法(SPICE).文中首先根据雷达回波信号的特征构造了波形延时稀疏字典,再通过随机采样对数据进行压缩,最后将SPICE作为信号重构算法引入雷达回波压缩感知处理过程中.仿真结果表明利用SPICE参数估计方法,可使得压缩率降到很小的程度,且降低重建信号相对原始信号的误差.此外,SPICE算法本身具有数据自适应特性,不需要再根据信号特征选取循环结束条件.仿真结果表明,算法具有较快的收敛速度,能够在较短的时间内准确估计出雷达回波的稀疏参数.     

基于量子算法的逆合成孔径雷达稀疏成像方法

经典稀疏重构算法的计算复杂度较高，易导致雷达系统面对较大规模雷达回波数据时实时成像处理能力不足。针对这一问题，将量子算法应用于逆合成孔径雷达成像的稀疏信号处理中，为雷达稀疏成像带来量子计算短时间内处理大规模数据的优势。首先，根据逆合成孔径雷达稀疏成像的经典算法，分析匹配滤波、稀疏重构等经典算法的量子化方法，建立经典算法与量子算法之间的映射关系；其次，在确定相应量子算法及步骤关系的基础上，构建能够实现稀疏成像经典算法功能的量子线路，提出基于量子算法的逆合成孔径雷达稀疏成像方法；最后，根据构建的量子线路，结合雷达回波信号，制备相应的量子态，输入到量子线路中获得成像结果。仿真实验表明：相较于经典稀疏成像算法，基于量子算法的稀疏成像方法能够在保证成像质量的同时，大幅降低雷达成像处理数据的计算复杂度。     

姿态鲁棒的分块稀疏表示人脸识别算法

针对稀疏表示人脸识别算法对姿态变化敏感的问题,提出一种姿态鲁棒的分块稀疏表示人脸识别算法,通过对人脸进行分块表示并利用仿射变换模型对姿态变化建模,提高稀疏表示人脸识别算法对姿态变化的鲁棒性.同时,通过最小化图像分块重构误差来估计仿射变换参数初值,有效提高仿射变换参数估计精度,进而提升人脸识别算法的性能.实验结果表明,本文算法可在一定程度上克服姿态变化造成的对齐误差,比现有相关算法具有更好的姿态鲁棒性和识别性能.     

一种改进的LFMCW雷达多目标加速度和速度估计方法

针对已有估计算法对线性调频连续波(LFMCW)雷达多目标加速度和速度参数的估计精度差、计算复杂度高等问题,该文提出一种改进方法。该方法将时频重排平滑伪Wigner-Ville分布(RSPWVD)与Radon变换相结合,通过恒虚警率检测和阈值处理,实现了LFMCW雷达多目标加速度与速度参数估计,克服了现有方法中计算复杂、存在误差积累效应的缺点。给出了估计算法的实现步骤。仿真实验结果表明:改进方法在低信噪比时仍具有较高的参数估计精度。     

基于图像熵分块的压缩感知字典学习算法

针对传统字典学习算法预处理阶段未考虑图像内外部特征的问题,提出一种基于灰度梯度矩阵的图像熵字典学习算法.该算法通过灰度梯度矩阵计算图像块熵值,并对各图像块进行分类,每类数据组合成训练数据集,再利用基于系数矩阵的奇异值分解算法更新各类子字典.对测试图像的稀疏表示系数进行重建实验,仿真结果表明,该算法可高效训练出自适应稀疏字典,显著提高图像重建精度.      

基于OS-SASP算法的欠定盲源分离

针对基于稀疏分量分析的欠定盲源分离问题,提出一种基于优化支撑的稀疏度自适应子空间追踪(OS-SASP)算法.通过引入自适应思想,克服传统子空间追踪(SP)算法对稀疏度的依赖;同时在迭代开始之前通过离散余弦变换的能量集中特性确定最小支撑集的大小,对最小支撑集求并集获得优化支撑集,优化支撑集联合迭代过程中的候选集来定位最佳原子,提高源信号的恢复精度.仿真结果表明,OS-SASP算法在一维稀疏信号与语音信号的欠定盲源恢复过程中表现出良好的性能.     

Sparse assortment personalization in high dimensions

The data-driven conditional multinomial logit choice model with customer features performs well in the assortment personalization problem when the low-rank structure of the parameter matrix is considered. However, despite recent theoretical and algorithmic advances, parameter estimation in the choice model still poses a challenging task, especially when there are more predictors than observations. For this reason, we suggest a penalized likelihood approach based on a feature matrix to recover the sparse structure from populations and products toward the assortment. Our proposed method considers simultaneously low-rank and sparsity structures, which can further reduce model complexity and improve its estimation and prediction accuracy. A new algorithm, sparse factorial gradient descent (SFGD), was proposed to estimate the parameter matrix, which has high interpretability and efficient computing performance. As a first-order method, the SFGD works well in high-dimensional scenarios because of the absence of the Hessian matrix. Simulation studies show that the SFGD algorithm outperforms state-of-the-art methods in terms of estimation, sparsity recovery, and average regret. We also demonstrate the effectiveness of our proposed method using advertising behavior data analysis.     

基于块稀疏信号重构的高分辨率ISAR成像算法

为实现快速高分辨率逆合成孔径雷达(Inverse synthetic aperture radar,ISAR)成像,充分利用目标的内在块稀疏结构信息,提出一种块平滑l_0范数稀疏重构ISAR成像算法.首先,将ISAR稀疏成像转化为块l_0范数的优化问题,采用一阶负指数函数趋近块l_0范数.其次,采用单循环步骤代替平滑l_0范数算法中的双循环结构,减小控制参数的间隔,实现对块稀疏信号的优化重构.该算法能够在块稀疏度未知时利用ISAR目标固有的内在结构特征进行高分辨率成像.仿真实验结果证实该算法的成像质量高且快于其它算法.     

基于稀疏编码和机器学习的多姿态人脸识别算法

为改善多姿态人脸识别效果, 设计一种稀疏编码和机器学习相融合的多姿态人脸识别算法. 首先对多姿态人脸进行采集和预处理, 并提取基于稀疏编码的人脸图像特征; 然后采用主成分分析对特征进行处理, 降低多姿态人脸识别的特征维数, 提高多姿态人脸识别效率; 最后采用机器学习算法中的支持向量机建立多姿态人脸识别 分类器, 并采用标准人脸数据库和多姿态人脸数据库对算法性能进行验证. 验证结果表明, 该算法可有效提高多姿态人脸识别正确率, 大幅度减少多姿态人脸的平均识别时间, 取得了比对比算法更优的识别结果, 从而验证了该算法的优越性.     

基于改进恢复算法的双选稀疏信道估计

高速移动情况下,正交频分复用系统(orthogonal frequency division multiplexing,OFDM)无线通信信道可建模为时间-频率双选信道,其响应在时延-多普勒域呈现稀疏性,使压缩感知技术得以应用到稀疏信道估计中。当稀疏度提高时,压缩感知(compressed sensing,CS)中正则化正交匹配追踪恢复算法(regularized orthogonal matching pursuit,ROMP)的复杂度增大。提出了有严格计算约束的改进恢复算法,该算法每次迭代选择固定数目的原子使支撑集为非奇异矩阵来降低原子选择和最小二乘(least squares,LS)法计算上的复杂度,并且每次迭代更新支撑集来保证精度。仿真结果表明,和ROMP算法比较,改进恢复算法的运行时间明显降低,并且在一定的迭代次数下精确度得以保证。     

MIMO-OFDM中稀疏度自适应的信道估计方法

将压缩感知应用在稀疏度未知的多天线正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing,MIM0-OFDM)系统信道估计中,提出一种2级阈值的变步长自适应匹配追踪(variable step size adaptive matching pursuit,VssAMP)算法,利用残差值确定第1级阈值调整稀疏度步长,提高信道稀疏度的估计精确度,利用噪声能量和信噪比(signal to noise ratio,SNR)确定第2级阈值控制算法迭代条件,降低小信噪比时信道重构误差.理论分析和仿真结果表明,该算法减小了初始步长对信道稀疏度估计精确度的影响,解决了VssAMP算法阈值难以确定的问题,相比原算法提高了信道估计精确度.     

有限差分结合多波前算法分析波导问题

采用有限差分法(FiniteDifferenceMethod)的五点差分离散对Helmholtz方程进行离散,并结合多波前算法(MultifrontalAlgorithm)求解稀疏矩阵方程,用于分析波导问题.数值结果表明,该方法是一种准确而有效的快速算法.     

机械故障稀疏特征相似性度量优化研究

针对当前机械故障诊断研究忽略了对其参数的选取与优化,导致准确性较差等问题,提出基于量子遗传 算法优化的机械故障稀疏特征相似性度量方法。基于先进行信号非线性混合,再进行去混合。将峭度作为目 标函数,利用量子遗传算法,对盲源分离过程的分离矩阵参数与非线性去混合参数进行优化,实现机械故障盲 源分离。基于故障信号处理,利用量子遗传算法与最小二乘支持向量机(LSSVM: Least Squares Support Vector Machine)相结合实现机械故障稀疏特征相似性度量。当LSSVM在机械故障诊断时对模型参数选取,利用量子遗 传算法针对 LSSVM 模型参数进行优化。将 LSSVM 参数选取问题转换为优化问题,利用优化后的 LSSVM 分类 模型实现机械故障稀疏特征相似模式分类。实验结果表明,该方法可以实现高效盲源分离,机械故障诊断准确 率高,运行性能良好。     

一种改进的迭代硬阈值算法

压缩感知重构算法直接影响信号重构速度和效果。迭代硬阈值(IHT)算法具有重构速度快的优点,但是其重构精度不高。提出一种改进的迭代硬阈值(MIHT)算法,在迭代硬阈值算法的基础上引入压缩采样匹配追踪(CoSaMP)算法中原子回溯的思想,保证每次迭代都能找到正确的索引集,提高算法的重构精度。Matlab仿真结果表明,本文提出的算法在重构精度上明显优于迭代硬阈值算法,而在迭代次数和重构时间上明显低于压缩采样匹配追踪算法。