基于句向量的文本相似度计算方法

为进一步提高文本相似度计算的准确性,提出基于句向量的文本相似函数(part of speech and order smooth inverse frequency, PO-SIF),从词性和词序方面优化了平滑反频率(smooth inverse frequency, SIF)计算方法,SIF算法的核心是通过加权和去除噪声得到句向量来计算句子相似度。在具体计算时,一方面通过增加词性消减因子调节SIF句向量计算权重参数,获得带有词性信息的句向量,另一方面通过将词序相似度与SIF句向量相似度算法进行线性加权优化句子相似度得分。实验结果表明,增加词性和词序的方法可以提升算法准确率。     

一种对异常值鲁棒新颖的无格点谱估计方法

针对稀疏谱估计中,基于协方差的无格点稀疏迭代估计算法(GLS)对频率间隔在c(1c2)倍采样数据窗主瓣宽度内的谱信号估计精度较低的问题,本文提出了一种对异常值鲁棒的无格点谱估计算法.该算法首先将GLS算法的频率估计误差描述成误差向量,再利用l1范数对异常值的鲁棒性,来分别约束信号幅度和误差向量的拟合误差,进而通过交替迭代来使它们同时到达最小,以同时实现了对信号幅度和误差向量的联合鲁棒估计.在证明了所提出算法收敛性的同时,分析了它的运算复杂度.仿真实验结果验证了本文提出算法的有效性.     

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.     

基于稀疏贝叶斯的多跳频信号二维波达方向估计

分析了现有跳频信号二维波达方向(DOA)估计算法的优缺点,提出了一种基于稀疏贝叶斯学习的跳频信号二维DOA估计算法.该算法利用L型阵列特点,将方位角、俯仰角和跳频率三维信息转换为一维空间频率信息,降低了冗余字典长度和稀疏求解难度.其次,经过奇异值分解降维处理,减少了矩阵运算维数,降低了算法复杂度,通过稀疏贝叶斯算法和快速傅里叶变换估计出空间频率和跳频率,利用Capon空间频率配对算法将空间频率和跳频率正确配对,计算出空间角.最后,由空间角几何关系解算出方位角和俯仰角.模拟结果表明,在低信噪比或低快拍数条件下,该算法DOA估计精度较高,且不易受空间频率间隔和跳频信号源相干性的影响.     

基于遗传算法优化匹配追踪的自然环境声音分类

针对自然环境中各种背景噪声下的声音事件识别问题,提出一种基于遗传匹配追踪算法将自然环境音频信号稀疏表示进行分类的方法.首先,利用匹配追踪(MP)算法稀疏表示信号的主体结构,以消除噪声影响,其中利用采用精英策略的遗传算法(GA)优化MP的分解重构速度;接着,提取MFCCs作为音频信号的特征参数;最后,使用分类器支持向量机(SVM)和高斯混合模型(GMM)对4大类19种声音进行分类与比较,分类效果明显优于未进行稀疏表示的声音信号.实验表明,SVM模型分类效果优于GMM,提出的方法对实地采集的自然环境音频信号能有效识别.     

基于稀疏重构残差和随机森林的集成分类算法

传统的基于稀疏表示的图像分类算法,通常根据稀疏重构后类残差向量的l2范数得到分类判决.在复杂情况下,各类残差向量l2的范数差别可能并不明显,从而导致分类器作出错误判决.提出了一种基于稀疏表示和随机森林的集成分类方法,通过稀疏表达字典对图像进行重构,提取各类残差图像的l2范数组成特征向量,并引入随机森林进行分类判决,有效地提升了算法基于类残差向量的判决能力.在手写数字数据库MNIST上的实验结果表明,在训练样本数较少的情况下,提出的基于稀疏表示和随机森林的集成学习分类方法与目前主流的SVM分类方法及随机森林方法进行比较,识别率有较为明显的提高,具有良好的鲁棒性.     

基于改进稀疏编码模型的图像分类算法

针对图像表示,提出了一种基于改进稀疏编码模型的图像分类算法.首先,提取表示图像视觉局部特征的SIFT (Scale Invariant Feature Transform) 描述子;然后,利用稀疏编码方法生成基于SIFT描述子的视觉词汇库,将SIFT描述子编成稀疏向量;通过有效稀疏向量的区域融合和空间结合而获取整体的稀疏向量并用于图像表示;最后,采用随机森林多分类器对稀疏向量进行训练和测试.结果表明,与现有的算法相比,该算法的性能更佳,可以有效表示图像的特性并提高其分类的准确率.     

实矩阵降维的稀疏贝叶斯跳频信号DOA估计

提出一种基于实数域矩阵降维的稀疏贝叶斯跳频信号到达角(DOA)估计算法.该算法通过酉矩阵变换将复数域信号稀疏表示转换至实数域,利用奇异值分解对实数域数据矩阵进行降维,降低了计算复杂度;通过改进稀疏贝叶斯算法中预设阈值的比较方式和噪声方差初始值的设置方法,减少算法迭代次数.仿真结果表明:在低信噪比或低快拍数条件下,该算法DOA估计精度优于传统的稀疏贝叶斯学习算法,所需计算时间更少,且不受跳频信源相干性影响.     

基于T-SBL的多跳频信号参数估计

针对多跳频信号参数估计问题,利用跳频信号频率在时频域上的稀疏性,在块稀疏贝叶斯学习(b SBL)的基础上,提出了一种T-SBL稀疏学习算法,通过重构后信号的时频图完成跳频信号的跳周期、中心时刻、跳时刻等参数的估计.首先将接收信号进行重叠分割得到观测矩阵;然后根据跳频信号时频域的稀疏性建立信号的多测量(MMV)稀疏模型,在块稀疏贝叶斯学习算法的基础上将多测量模型转化为单测量(SMV)模型;最后通过重构后信号的清晰时频图进行参数的快速估计.为了进一步提高低信噪比下的估计性能,采用形态学滤波的方法对获得的时频图进行修正.理论分析和仿真实验表明了该算法的有效性和良好的估计性能.     

基于稀疏贝叶斯重构的多跳频信号参数估计

针对宽带条件下多跳频信号的参数估计问题,利用多跳频信号在空间频率域上的稀疏性,提出了基于稀疏贝叶斯重构的空间频率估计方法.通过重构信号获得信号瞬时频率估计,在此基础上完成了波达方向信息估计.为了提高低信噪比条件下参数的估计性能,采用形态学滤波的方法对得到的时频图进行修正,在修正的时频图上完成了信号频率集和跳周期的精准估计.仿真实验表明:该算法在信噪比低于0dB的情况下仍能够取得良好的估计性能.     

阵列误差下宽带信号DOA估计自回归迭代算法

本文基于MMSE准则提出一种新的在随机阵列误差条件下宽带信号波达方向(DOA)估计算法,并分析了随机阵列误差对算法的影响。将含有阵列误差的宽带信号通过窄带滤波器组转化为窄带信号,在MMSE准则下采用自回归迭代方法恢复窄带信号的稀疏表示,由此得到信号源个数和DOA估计。新算法不仅有超分辨率能力,而且不需要预先知道信号源个数,此外还能对相干信号进行DOA估计,对阵列误差有比相干子空间法更好的稳健性。计算机仿真验证了算法的有效性和稳健性。     

基于信号空间压缩感知算法的机械故障诊断

为了解决压缩感知（CS）重构算法通过重构稀疏系数求解原始信号的重构精度不高的问题,提出一种基于信号空间的压缩采样匹配追踪算法。首先在冗余字典中求解原始信号的最优表示空间,然后在最优表示空间中利用迭代算法直接求解原始信号,最后以轴承故障振动信号为例进行实验验证。结果证明本文算法提高了信号的重构精度,可以为增强机械振动信号的故障检测能力提供依据。     

基于级联原子库的时频原子分解

为了分解多分量雷达辐射源信号,提出一种基于级联原子库的时频原子分解方法.该方法先构建级联原子库,采用该原子库对信号进行时频原子分解,以得到信号的最优稀疏表示.仿真实验结果表明,对多分量雷达辐射源信号进行时频原子分解,该方法在重构精度、衰减率和重构信号时频聚集性3个方面均优于单一时频原子库下的时频原子分解方法.     

基于压缩感知的非线性 OFDM 系统迭代信道估计算法

针对因非线性失真引起的正交频分复用（orthogonal frequency division multiplexing,OFDM）系统信道估计性能下降的问题,提出了一种基于压缩感知的非线性OFDM系统迭代信道估计算法。在算法实现过程中,利用信道与非线性噪声的双重稀疏性,将导频信息作为观测矩阵进行压缩感知信道估计,再将所得信道信息看作观测矩阵进行压缩感知非线性失真估计,进而对信号进行非线性补偿,并逐步循环迭代至算法收敛。仿真表明,在稀疏信道下,该算法在较少的迭代次数下即可有效减小非线性失真对信道估计的影响,且比现有方法性能更优,仿真证明了该方法在性能上的优越性。     

Application of Decomposition and Denoising of Gearbox Signal Based on Morphological Component Analysis

Morphological component analysis( MCA) is a signal separation method based on signal morphological diversity and sparse representation. MCA can extract the signal components of different morphologies by different dictionary combinations. Firstly,the theory of MCA was analyzed with sparse representation principle and relaxation criterion. Then detailed steps of block coordinate relaxation( BCR) were given. Finally,algorithm performance was verified by simulation signals analysis, MCA was applied to decomposing and denoising gearbox signals, and the fault parameters were extracted by energy operator demodulation envelop of morphological component.     

Two-stage DOA estimation method for passive radar based on sparse representation

In a GPS illuminator based passive radar system,estimation of direction of arriving(DOA) of multiple targets is a difficult problem due to strong interference.A two-stage method combining extensive cancellation algorithm(ECA) and sparse representation is proposed.In the first stage,ECA algorithm is used to eliminate the direct-path and multi-path interference.In the second stage,sparse representation of improved weight constraints based on L1 norm is adopted to estimate DOA and suppress the interference.Simulation results show that the proposed method can effectively estimate DOA in low computation complexity without estimating the disturbance parameter.     

基于3D-OMP算法的SAR动目标成像方法

针对稀疏场景下的SAR动目标成像问题展开研究，提出一种基于三维正交匹配追踪(3D-OMP)算法的稀疏成像方法。首先对成像区域进行网格划分，然后以运动目标的二维速度作为动态参数构建三维稀疏字典矩阵，即参数化稀疏表征。在算法迭代过程中，通过计算回波数据矩阵与三维稀疏字典矩阵各层之间的相关度筛选出信号的支撑集。最后利用最小二乘准则，计算出支撑集下目标场景的稀疏表征系数。该3D-OMP算法是经典OMP算法的改进与拓展，因此继承了OMP算法计算复杂度低、信号稀疏特征增强明显的优势，同时具备了重构SAR动目标图像的能力。仿真实验结果验证了该SAR动目标成像方法的有效性。     

基于深度学习和约束稀疏表达的人脸识别算法

目前的人脸特征匹配算法大多关注于单图像与单图像的匹配而不能有效利用图像序列之间的相关信息,因而提出了一种基于深度学习与约束稀疏表达的人脸特征匹配算法.通过CNN网络对人脸图像进行特征提取,并利用改进的稀疏表达方法自动选取相似的图像序列进行特征匹配,有效地利用了图像序列之间的相关信息.实验结果表明,该算法在LFW和AR数据库上取得了很好的效果并优于传统的SRC,L1-norm和CRC-RLS算法.      

基于联合过完备库的信号分离及重构

在信号稀疏分解理论的基础上，提出了构建联合过完备库的思想。通过对包含不同特征成分的过完备子库进行联合构建联合过完备库，它包含丰富的待分解信号的信息，复合信号在其上具有更好的稀疏性，同时由于每个分量信号在各自的过完备子库上均具有稀疏性，利用基追踪算法实现各个分量信号的分离和重构。仿真结果表明：联合过完备库对复合信号的重构以及分量信号的分离和重构具有较好地效果。     

基于圆形采样和稀疏表示模型的鲁棒目标跟踪

为解决基于稀疏表示的跟踪算法在小样本空间中出现模板漂移而在大样本空间中实时性差的问题,提出了一种基于圆形采样的双重稀疏表示目标跟踪算法.该算法对跟踪矩形窗数据进行圆形采样,这不仅保证了目标的灰度和结构信息,而且减少了背景信息干扰.同时对稀疏表示得到的小模板系数引入距离权重判断函数,判断目标样本变化情况,提高模板更新效率.最后引入HOG（histogram of oriented gradient）特征,对稀疏表示得到的多个次优解进行二次稀疏表示,有效解决小样本数量少带来的估计误差.实验结果表明,该算法能够提高小样本空间中目标跟踪的鲁棒性和实时性.