一种稀疏度自适应正交多匹配追踪重构算法

压缩感知理论是一种利用信号稀疏性或可压缩性对信号进行采样同时压缩的新颖的信号采样理论。针对稀疏度未知信号重构问题,提出了一种稀疏度自适应正交多匹配追踪重构算法。该算法在广义正交匹配算法(generalized orthogonal multi matching pursuit,GOMP)基础上结合稀疏自适应思想。根据相邻阶段信号能量差自适应调整当前步长大小选取支撑集的原子个数,先大步接近,后小步逼近信号真实稀疏度,从而实现对信号精确重构。实验仿真结果表明,该算法能有效精确重构信号。具有良好的重构性能和较高的重构效率。     

语音自适应压缩采样匹配追踪重构算法

基于小波分解下的语音压缩编码与重构框架,研究分析了含噪情况下贪婪算法的重构性能和抗噪性能,提出了一种改进的自适应压缩采样匹配追踪算法(ACoSaMP).该算法可在稀疏度未知的情况下,通过设置可变步长分阶段实现对稀疏度的逼近.同时,在每次迭代过程中,用最小二乘法对残差信号进行估计,代替传统CoSaMP算法对整个信号的估计.最后用小波去噪法对合成语音进行处理.实验结果表明:不同压缩比下,该算法的主客观重构效果均优于现有同类算法,对噪声有较强的鲁棒性.     

一种改进的子空间追踪算法

为了使压缩感知重构算法在稀疏度未知的情况下能够实现信号精确重构,提出了一种新的贪婪匹配追踪重构算法—一种改进的子空间追踪算法。该算法首先通过一种新的柔性方法获得信号的稀疏度,然后将稀疏度估计的结果和子空间追踪算法结合起来对信号进行重构,若子空间追踪不能精确地重构信号,则利用弱匹配原则来获取新的原子。实验结果表明,和同类算法比较,当信号稀疏度相同时,改进的子空间追踪算法重构的精度较高,运行速度也较快。     

改进的压缩感知重构算法研究

为了对未知稀疏度信号、特殊信号、含噪声信号进行准确重构,提出一种改进的压缩感知重构算法——预测正交匹配追踪算法。提出的算法通过所选支撑集内原子总数、信号间能量差以及残差共同预测并选择所需原子。预测正交匹配追踪算法能够在稀疏度未知的情况下自适应地对块稀疏信号、噪声信号及图片信号进行准确重构。实验结果表明,在相同条件下,改进后的算法提高了重构质量,减少运行时间。     

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.     

压缩感知重构SAMP的改进算法

压缩感知提供了一种用于采集在正交基上稀疏信号的新范式,突破了奈奎斯特采样定理对采样率的限制,提高了采样端的效率.国内外学者已经探索出大量过完备词典,能够有效对信号稀疏化采集并且尽量不丢失原信号中所含信息.压缩采样中的主要算法挑战是从观测样本中重构原信号.提出一种称为稀疏度自适应匹配追踪算法(sparsity adaptive matching pursuit,SAMP)的迭代恢复算法的改进方法.相较于原算法的方案,该方法回避了对原信号稀疏度的过估计,采用了在过估计时回溯稀疏度,并调整步长的方法,解决了原方案中恢复速度和恢复精度的矛盾.通过仿真实验比较了在不同稀疏度和采样率的情况下两种算法的精确重构成功率,结果证明了改进算法明显优于原算法.     

基于改进稀疏度估计模型的压缩感知去噪算法

针对带有高斯白噪声的宽带信号,提出改进基于二项分布的稀疏度估计模型,使其能够适用于带有噪声的信号,并根据稀疏度上界确定采样数目以保证信号能够被准确重构;利用估计的稀疏度上界,改进自适应阈值去噪算法,降低噪声折叠对信号重构的影响。仿真表明,对带有高斯白噪声的宽带稀疏信号,所提算法能够较为准确地估计出稀疏度上界,在保证信号重构精度的前提下,减少了采样数目,同时也降低了自适应阈值去噪算法的计算开销。     

一种稀疏度自适应分段正交匹配追踪算法

针对分段正交匹配追踪(St OMP)算法需要信号的稀疏度作为先验信息且重构精度较低的特点,提出一种稀疏度自适应分段正交匹配追踪算法。首先,通过对观测矩阵与初始残差相乘所得的残余相关性向量进行离散余弦变换,估算出支撑集所要扩充的最大原子数;其次,采用与抽样率成正相关的因子对较大的阈值参数进行适当修正,并对通过设定阈值所选取的原子进行优化处理;最后在St OMP算法的框架下采用变步长的方法实现稀疏度的逼近和信号的精确重构。仿真结果表明:本文所提出的算法对信号的稀疏度具有很好的自适应特性,并且在保持了较低重构复杂度的同时具有更稳定的重构质量。     

一种改进的变步长自适应匹配追踪算法

压缩感知是利用信号的稀疏性和可压缩性进行信号处理的新理论.针对压缩感知中信号稀疏度未知的问题,提出了一种改进的变步长自适应匹配追踪(MVss AMP)算法.该算法通过计算余量与测量矩阵的相关性,自适应地选择候选集原子,并且通过可变步长更新支撑集,实现信号的精确重建.该算法通过设置一个参数来控制步长变化.仿真结果表明:该算法在误差范围内实现了信号精确重建,并且重建性能优于其他同类算法.     

一种基于广义Jaccard系数的改进SAMP压缩信号快速恢复算法

压缩感知算法作为一种信号处理方法，可以解决机场终端区实时频谱监测的问题。 基于稀疏度自适应匹配追踪(SAMP)信号重构算法，引入了广义Jaccard系数、t-平均相关系数、变步长思想，提出了JTVS-SAMP算法。在算法的原子筛选部分引入广义Jaccard系数可以减少原子混淆导致的精度下降问题，t-平均相关系数的引入可以避免测量矩阵RIP系数的计算，降低了算法的复杂度，变步长思想中的大步长迭代，小步长靠近的步骤使得算法的效率及精度都大大提升。采用一维高斯随机稀疏信号作为测量信号进行仿真，可以有效的模拟机场终端区经过能量检测后的测量信号，经过仿真，JTVS-SAMP在不同的测量数、稀疏度情况下的算法重构成功率的表现明显优于传统压缩感知算法，且与SAMP算法相比，JTVS-SAMP在重构误差和算法时间方面的表现均有显著提升。     

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。     

一种改进的变步长前后向追踪重建算法

压缩感知中前后向追踪（forward-backward pursuit,FBP）算法能有效缩短重建时间,但一旦迭代过程中前向、后向步长确定,将导致计算时间增长,影响重构效率,因此,提出一种改进的FBP算法,称为变步长前后向追踪算法（variable step size forward-backward pursuit,VSSFBP）.该算法引入判决阈值和等比因子,考虑到估计的稀疏度远小于真实稀疏度,选择较大迭代步长,减少迭代次数,缩短运行时间;同时考虑到当估计的稀疏度达到一定值时,减小迭代步长,减慢逼近的速度,提高信号重构精度.仿真结果表明：VSSFBP算法在保证重构效果的同时,明显缩短了重构时间.当图像压缩比为0.45时,信噪比提高了1 dB,峰值信噪比提高了0.8 dB,重构时间降低为原来FBP算法的42.04%.与同类算法相比,在保持较高的峰值信噪比和信噪比的条件下, VSSFBP算法消耗的时间大大缩短,重构速度更快,重构信号更精确.     

基于改进SAMP的频率捷变和PRI抖动雷达群目标检测

针对群目标场景下目标个数未知和网格失配影响稀疏重构效果的问题,提出一种改进的稀疏度自适应匹配追踪（sparsity adaptive matching pursuit,SAMP）算法用于频率捷变和脉冲重复间隔（pulse repetition interval,PRI）抖动雷达的动目标检测.改进算法回溯阶段的原子选择策略,通过正则化挑选出能量相近的原子进行网格失配矫正,可以有效减小重构误差、抑制重构伪峰.根据重构信号的功率变化率自适应扩展支撑集长度（群目标个数估值）,减少算法在同一步长的搜索时间.仿真结果表明,相比于SAMP算法和传统的群目标检测算法,本文改进的算法在提升重构效果的同时也能减小距离和速度测量误差.     

SC-FDE系统中基于压缩感知的海上稀疏多径信道估计方法研究

首先建立了适用于不同海情级、不同频段的海上船舶间通信时的多径信道模型,针对SC-FDE系统在海上多径信道上的传输,研究了基于压缩感知的稀疏信道估计方法,利用CHU序列作为导频设计了一种Toeplitz循环矩阵作为压缩感知的测量矩阵,结合稀疏度自适应匹配追踪信号重构算法提出了T-SAMP算法,分析比较了T-SAMP、正交匹配追踪算法和最小二乘法3种算法的归一化均方误差和误码率性能.仿真结果表明提出的T-SAMP算法可以在未知稀疏度的情况下对信道进行准确估计,比正交匹配追踪算法更具有实用性,而且获得了比最小二乘法更好的信道估计性能,且需要的导频数量较少,提高了频带利用率.     

基于压缩感知的语音盲稀疏重构算法及其去噪应用

根据传统的正交匹配追踪(OMP)算法和稀疏度自适应匹配追踪(SAMP)算法各自的缺陷,提出可以在盲稀疏状态下重构带噪语音的多匹配正交追踪(MMOP)算法。该算法采用同时匹配多个原子以及同步增大和缩小原子集的办法来解决SAMP算法中原子的过匹配和欠匹配现象,此外,还提出一种新的去噪思想和设置初始步长方法,并且采用分阶段步长来重构原始语音信号。研究结果表明:本文算法不仅修正SAMP算法的过匹配和欠匹配的现象,而且还具有匹配速度快、迭代次数少的优点,同时又提高语音信号在盲稀疏状态下的重构精度,此外,该算法还可以应用在噪声语音中,有较明显的去噪效果,且其重构后的语音主客观质量评价都要好于传统的OMP算法和SAMP算法。     

基于压缩感知和虚警概率的电力线脉冲噪声抑制方法

针对OFDM电力线通信中噪声抑制方法依赖于脉冲噪声特征参数及脉冲噪声稀疏度的问题,提出一种基于压缩感知和虚警概率的宽带电力线脉冲噪声抑制算法.该算法利用OFDM零子载波观测脉冲噪声投影,采用基追踪降噪方法对脉冲噪声进行粗估计,并设计基于虚警概率的自适应脉冲噪声检测门限,根据门限得到粗估计的脉冲噪声支撑集,在支撑集上通过最小二乘方法对脉冲噪声幅度进行重构,接收信号减去估计的脉冲噪声可得到去噪的OFDM信号.仿真结果表明,提出的算法在未知脉冲噪声稀疏度的情况下可以对噪声信号进行重构,算法的性能优于传统压缩感知及非线性去噪方法,能可靠有效的对宽带电力线脉冲噪声进行抑制.     

一种新的基于分布式压缩感知的时变稀疏信道估计

对OFDM(Orthogonal Frequency Division Multiplexing)系统中快时变稀疏信道估计进行了研究,采用CE-BEM模型(Complex Exponential-Basis Expansion Model)对时变信道进行建模。由于信道是稀疏的,所以对应的CE-BEM基的系数也是稀疏的,由此将估计信道的抽头响应问题转化为求解稀疏CE-BEM系数的问题。针对现实稀疏度未知的场景,提出了一种稀疏度自适应的分布式压缩感知(Distributed Compressive Sensing,DCS)算法。考虑到导频放置对性能影响的重要性,提出了一种新的放置方式。仿真结果表明,本文算法有效地提升了估计性能。     

一种改进的光滑化共轭梯度稀疏信号重构算法

压缩感知理论可以在远低于奈奎斯特采样率的前提下精确重构稀疏信号,重构算法是该理论的核心内容之一。为提高稀疏信号重构精度,提出一种改进的光滑化共轭梯度算法并将其应用到真实口腔CT图像重构中。与光滑化共轭梯度算法相比,首先,该算法采用的在线柏萝登-弗莱彻-戈德福布-生纳(Online Broyden-Fletcher-Goldfarb-Shanno, OBFGS)校正矩阵近似目标函数的Hessian逆矩阵的精度更高,进而提高了信号重构精度;其次,相较于线搜索准则求步长的方法,该算法采用自适应巴尔兹莱-博韦恩(Barzilai-Borwein)步长方法,降低了步长计算量。实验结果表明：与改进前的算法和半阈值算法相比,该算法重构稀疏信号的成功率和信噪比均提高、相对误差降低;重构CT图像的峰值信噪比和结构相似性指数均提高,最大分别提高约3.14dB和0.015。     

一种稀疏度自适应的压缩感知信道估计算法

针对目前稀疏度自适应的压缩感知(compressed sensing,CS)信道估计算法计算量过大的问题,文章提出了基于关联度分析的稀疏度自适应归档正则化迭代硬阈值(sparsity adaptive archiving normalized iterative hard thresholding,SAANIHT)算法。ANIHT算法可以解决传统压缩感知理论计算量大、计算时间过长的问题,但需要预知信道的稀疏度。引入高斯核函数对一种稀疏度估计算法进行了改进,并与ANIHT算法结合,使其可以在盲稀疏情况下对信道进行估计。仿真结果表明,在同等稀疏度条件下,该算法比其他算法节约了计算时间,在低信噪比下性能更优,具有较好的重构性能与稳定性。     

基于变分稀疏贝叶斯学习的DOA估计

针对传统稀疏贝叶斯学习的DOA估计算法复杂度较高、收敛速度较慢等问题,提出了一种基于变分稀疏贝叶斯学习的DOA估计算法。首先通过空间网格划分方式建立基于稀疏表示的DOA估计信号模型;其次在此模型基础上为未知待估计参数指定先验分布,得出稀疏信号的后验概率分布;然后利用变分贝叶斯学习算法,通过最小化KL散度寻求后验概率分布的近似分布;最后估计出未知参数,并得到信号的DOA估计值。根据MATLAB仿真图的结果,该算法成功估计出信号的DOA,并达到了预期效果。与传统稀疏贝叶斯学习算法相比,该算法单快拍下具有更高的DOA估计精度以及更快的收敛速度。