基于快速变分稀疏贝叶斯学习的频谱感知与定位

针对稀疏贝叶斯压缩感知算法存在复杂度高、收敛速度慢等缺陷,提出了一种快速变分稀疏贝叶斯学习的频谱检测与定位算法.该算法在原始问题求解过程中增加了辅助变量,消除了原问题模型中未知变量之间耦合度高的问题.并依据稀疏参数的收敛情况,自适应删除不收敛稀疏参数对应的基函数,从而进一步加快了算法的收敛速度.实验结果表明:该算法在收敛速度和频谱检测精度上有显著的改善.     

一种基于贝叶斯压缩感知的图像修复方法

图像修复是利用图像中已知区域信息对破损区域进行信息填充,以弥补信息的损失.传统的修复方法依赖图像的结构来确定,使图像达到人眼主观可以接受的程度.基于贝叶斯压缩感知的图像修复方法首先对受损图像进行稀疏变换,利用贝叶斯压缩感知得到稀疏系数的后验分布函数,求得分布函数的均值和方差,将均值作为图像的稀疏系数的估计,方差作为噪声的估计.仿真结果验证了该方法可以提高图像的修复质量.     

基于多任务贝叶斯压缩感知的宽带频谱检测

针对认知无线网络中主用户信号在空频域的稀疏性,基于贝叶斯压缩感知(BCS)的信号重构通过层次化贝叶斯分析分级先验模型获得稀疏信号估计.将贝叶斯压缩感知应用于认知无线电宽带压缩频谱检测,利用多认知用户感知信号的时空相关性实现在多用户多任务传输条件下的稀疏信号重构与宽带压缩频谱检测.研究了基于期望最大化算法和相关向量机模型的多任务BCS参数估计.仿真结果表明:相比于传统单任务BCS重构方法,多任务BCS在节点能耗与网络带宽受限的条件下,通过对估计参数的合理优化,在较低压缩比区域可实现重构均方误差的快速收敛,且检测性能随着任务数的增加而提高.当感知数据相关性从25%增加到75%,且任务数一定时,所提方法的重构观测数明显下降,宽带频谱检测性能显著提高.     

基于频谱池边界检测的宽带压缩频谱感知方法

频谱感知是认知无线电的一项重要内容,引入频谱池策略能够有效降低其复杂度,由于频谱池具有内在稀疏性,利用压缩感知技术能够进一步减少频谱感知的实现开支。提出一种基于频谱池边界检测的宽带压缩频谱感知方法,该方法能够利用较少的采样数据恢复出频谱池子带功率在边界发生跳变的程度并据此完成频谱感知。分析了压缩采样信号和频谱池边界的数学联系,并在此基础上建立了基于频谱池边界检测的宽带频谱感知的压缩感知模型。分析和仿真表明,该方法在不同虚警概率和压缩比下,相对基于边界检测的压缩频谱感知方法具有更优的检测性能和更低的计算复杂度。     

宽带压缩频谱感知非稀疏保护策略

针对频谱非稀疏情况下宽带压缩频谱感知性能下降的问题,提出一种基于信号重构模型参数分析的频谱非稀疏保护策略,该策略根据次用户接收到的相邻三帧信号之间的相关系数的大小动态判断宽带压缩频谱感知正确与否.首先建立基于高斯分层概率的宽带压缩信号模型对压缩重构进行分析,在此基础上综合考虑重构各帧信号模型参数的相关系数与频谱稀疏性之间的关系,设计一种认知用户能够根据信号模型参数相关系数的大小制定频谱稀疏与否的判决条件,进而制定保护措施.仿真结果表明:所提保护策略可以有效检测到由频谱非稀疏导致的宽带压缩频谱感知错误,降低对主用户的干扰概率.     

贝叶斯压缩感知稀疏信号重构方法研究

讨论了贝叶斯框架下压缩感知稀疏信号重构的方法,描述了基于非参数方法构建压缩感知字典的过程.实验结果表明:基于贝叶斯方法的压缩感知算法能够对单元脉冲信号进行较好重构,且与其他算法相比具有更小的重构误差.最后对贝叶斯压缩感知的发展进行展望.     

低复杂度的压缩感知信道估计方法

针对采用非正交多载波调制的无线通信系统中,信道的稀疏度未知且非零稀疏路径随时间变化的问题,提出了一种基于导频信号互相关运算的压缩感知信道估计方法,利用接收端导频信号互相关计算对信道稀疏度及非零稀疏路径的时延分布进行预估,结合改进的低复杂度压缩感知重构算法得到信道估计结果.针对非正交多载波调制系统具有频谱利用效率高、信道环境适应性强的优点,对非正交多载波调制系统的导频图案进行优化设计,提高压缩感知信道估计算法的精度.仿真结果和理论分析表明:该方法不仅能够提高非正交多载波调制系统的频谱效率,还可以降低系统传输误码率与计算复杂度.     

基于压缩感知的稀疏信道估计

在正交频分复用(OFDM)系统中,通常使用等间距的导频估计信道,比如多径瑞丽信道.但是,众多其他类型信道的冲击响应系数只有少数非零值.对于这些稀疏信道,基于压缩感知的稀疏信道估计可以有效地降低导频数目,从而提高频谱利用率.现有应用里面采用最小l1范数法.首先提出了OFDM系统中应用压缩感知理论估计信道的模型,接着使用改...     

基于压缩感知的新型宽带频谱协作检测算法

针对认知无线电领域现有的宽带频谱检测技术在低信噪比情况下检测性能不足的问题,提出了一种新型的基于压缩感知的宽带频谱协作感知算法。该算法依据无线通信信号在循环谱域具有独特的稀疏特性,首先从信号相关函数的压缩采样中获取循环谱的观测值,然后利用稀疏自适应同步匹配追踪协作重构算法重构出整个宽带内所有信号的循环谱。仿真结果表明：该宽带检测算法在低信噪比和瑞利衰落信道条件下,具有较好的检测性能。同时,与以往经典的重构算法相比,该算法中提出的稀疏自适应同步匹配追踪协作重构算法在重构精度和算法复杂度等方面都有较大的提高。     

基于修正压缩感知的信道估计算法

针对稀疏信道在两个OFDM符号间变化缓慢的特性,利用宽带稀疏信道分簇特性,提出了一种修正分簇自适应正则匹配追踪(MOD-CRAMP)压缩感知信道估计算法.该算法在原有基于压缩感知稀疏信道估计算法的基础上,加入信道的先验信息.同时,利用前次估计的索引值作为当前估计的支撑,并采用正则化的思想对候选支撑集进行2次筛选,从而达到信道的精确重构.仿真结果表明,该算法比传统的OMP算法、CRAMP算法及MODOMP算法均具有更好的估计性能.     

宽带SSDF攻击下的压缩频谱感知

在宽带主用户信号的模型下,提出了一种新型的宽带SSDF(spectrum sensing data falsification)攻击模式,并结合了压缩感知(compressed sensing,CS)技术与平均一致(average consensus)算法,建立了可防御这种宽带SSDF攻击的分布式宽带压缩频谱感知模型.频谱感知分为感知阶段和信息融合阶段.在感知阶段,各个CR(cognitiveradio)节点对接收到的主用户信号进行压缩采样以减少对宽带信号采样的开销和复杂度,并作出本地频谱估计.在信息融合阶段,为了更好地排除宽带SSDF攻击节点的影响,建立了子信道声望值指标,各CR节点的本地频谱估计结果以分布式的方式进行信息融合,排除潜在恶意次用户的影响,得到最终的频谱估计结果.仿真结果表明,提出的频谱感知模型可以有效地抵御宽带SSDF攻击,并且利用了恶意次用户节点的有用数据获得了额外的分集增益,提高了频谱感知的性能.     

基于CS与K-SVD的欠定盲源分离稀疏分量分析

为了提高盲源分离的准确率,提出了结合压缩感知(CS)与K均值奇异值分解(K-SVD)的稀疏分量分析方法进行盲源分离.首先,分析欠定盲源分离估计源信号与压缩感知问题的等价性,建立压缩感知框架;其次,在此框架下利用K-SVD方法训练稀疏字典;最后利用经典追踪算法计算得到稀疏分量,结合传统的两步法,进行盲源分离.大量实验表明...     

高光谱遥感图像的稀疏分解与压缩感知

基于稀疏分解和压缩感知原理对高光谱遥感图像进行压缩重构,提出一种基于过完备原子库上分解图像的稀疏分解快速算法,以减少图像稀疏分解的计算量.仿真计算结果表明,利用压缩感知和谱带分组技术对高光谱图像进行谱间压缩,可提高运算速度,并降低成本.     

基于块目标的频率步进连续波探地雷达压缩感知重建算法

压缩感知理论对于解决频率步进连续波探地雷达信号处理过程中存在的采样速率高、存储数据量大、信号处理时间长等问题具有重要意义. 针对雷达探测中块目标物体在探测区域不满足稀疏性的问题,提出一种适合块目标的压缩感知重构模型.利用某些稀疏正交基对块目标进行稀疏化处理使其满足稀疏性,将字典矩阵与稀疏矩阵结合形成适用于块目标物体的新观测矩阵,再通过压缩感知凸优化算法求解稀疏化系数,最后把该系数通过稀疏变换得到块目标的反射系数.通过实验仿真验证该方法的可行性,与未稀疏化处理的压缩感知重构模型相比具有更高的精度和分辨率.     

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。     

基于压缩感知的自适应加权匹配追踪算法

压缩感知（compressed sensing,CS）技术通过减少发射导频数来提高频谱的利用率。将CS技术应用于导频辅助的稀疏度未知的正交频分复用（orthogonal frequency division multiplexing,OFDM）信道估计中,提出一种自适应加权匹配追踪（CS-based adaptive weighting &matching pursuit,AWMP）算法。该算法使用自适应加权、匹配追踪的方法估计信道时域脉冲响应,按照估计信噪比和匹配原则,利用多次迭代进行自适应加权和寻找最佳稀疏度,实现未知信道稀疏度与信噪比的情况下,准确估计信道信息。仿真验证表明,与传统的信道估计算法相比,采用基于AWMP的信道估计方法,能够利用较少的导频信息获得更低的误码率和均方误差。     

MIMO-OFDM系统低复杂度的同步参数与稀疏信道联合估计

由于MIMO-OFDM系统中载波频偏、采样频偏、符号定时误差等多个同步参数及信道的影响,文中提出一种同步参数与信道的最大似然（ML）联合估计算法.稀疏衰落的情况下,该算法使用基于压缩感知（CS）的信道估计,通过较少的接收样值来恢复稀疏信道,以降低复杂度.仿真中通过数值模拟对估计性能进行分析.结果表明,该算法在保持较低复杂度的同时,可获得理想的性能.     

基于对抗样本的深度学习图像压缩感知方法

压缩感知是研究数据采样压缩与重构的信号处理新理论,近年来研究人员将深度学习运用到图像压缩感知算法中,显著提高了图像重构质量.然而,图像信息常与隐私关联,高质量的重构图像在方便人们观赏的同时,带来了隐私保护的问题.本文基于深度学习理论,提出一种对抗的图像压缩感知方法.该方法将压缩理论和对抗样本技术统一于同一个压缩感知算法,通过设计损失函数,联合重构误差和分类误差来训练压缩感知深度神经网络,使得压缩感知重构样本同时也是一个对抗样本.因此,重构图像在保证重构质量的同时,也能对抗图像分类算法,降低其识别率,达到保护图像隐私的效果.在Cifar-10和MNIST图像集上进行的实验结果表明,和已有的压缩感知方法相比,我们提出的对抗压缩感知方法以损失仅10%的图像重构质量为代价,使得图像分类精度下降了74%,获得了很好的对抗性能.     

基于深度学习稀疏测量的压缩感知图像重构

针对压缩感知理论中测量矩阵硬件实现与重构性能问题,提出一种深度学习方法来获得稀疏的三元测量压缩感知.该方法构建了非常稀疏的三元{0, 1,-1}观测矩阵,在所提出的网络架构上施加稀疏性和二元约束,用更少的观测值满足高概率的图像重构保证,解决了硬件限制和重构性能要求.该文深度学习架构以端到端的方式,提出的网络架构在训练阶段共同学习一对测量矩阵和重建算子,优化线性传感过程和非线性重构过程.实验表明:该文方法在5%非零元素测量矩阵条件下,图像重建质量优于现有方法,说明该文方法具有可行性与有效性.