一种改进的分段广义正交匹配追踪算法

压缩感知理论是根据信号本身具有的稀疏性提出的新型信号采样理论.为提升正交匹配追踪算法采样信号的准确性和实时性,研究该算法的信号重构算法.分段广义正交匹配追踪算法就是以通过改变原始正交匹配追踪算法筛选原子为依据,达到对正交匹配追踪算法改进的目的.改进算法将原子筛选过程分为2个阶段,不需要已知信号的稀疏度且优化了算法的运行时间,有更准确地恢复初始信号的能力.仿真结果表明,该改进算法的运行时间和对信号的恢复效果均优于正交匹配追踪算法的.     

基于位置参数二分法控制的信号稀疏分解

研究基于匹配追踪方法实现的信号稀疏分解算法。通过对信号稀疏分解中使用的过完备原子库的结构特性分析,找到中心位置,构造时频原子库,利用二分法控制中心位置参数,将信号快速稀疏分解,应用于基于中心位置参数的改进贪婪匹配追踪算法。该算法与匹配追踪相比,计算速度大约提高了36倍,降低了计算复杂度,提高了稀疏分解的精度。通过对仿真数据的处理验证了所提方法的可行性和有效性。     

交替方向块稀疏信号快速重构算法

研究模型压缩感知中的块稀疏信号重构问题.在l2/l1模型基础上,提出一种基于交替方向法的块稀疏信号重构算法.在该算法中,首先对目标函数进行变量分裂,然后利用交替方向法对各变量进行交替更新,直至满足收敛条件.仿真实验中,将该算法与块正交匹配追踪和块压缩采样匹配追踪算法进行比较,结果表明该算法能够在保持高重构精度的前提下获得更快的计算速度.     

基于GA和过完备原子库划分的MP信号稀疏分解算法

信号稀疏分解计算量大是阻碍其实时应用的主要因素.研究基于匹配追踪(Matching Pursuit)方法实现的信号稀疏分解算法,提出了基于过完备原子库集合划分的、分两阶段搜索的、遗传算法快速寻找MP过程中每一步分解的最佳原子,在稀疏分解重建信号质量不变的条件下,提高了稀疏分解的速度.算法的有效性为实验结果所证实.     

结合系数重用正交匹配追踪的字典学习算法

针对压缩感知中字典对信号稀疏表示能力不足的问题,文中提出了一种结合系数重用正交匹配追踪的自适应字典学习算法,该算法使用系数重用正交匹配追踪算法得到稀疏系数,在字典更新阶段引入上一次迭代过程的先验信息.首先对稀疏系数矩阵进行奇异值分解,再分别用前一次更新的字典对左奇异矩阵和用训练信号对右奇异矩阵进行变换,然后采用变换后的左、右奇异矩阵构造新矩阵,最后利用新矩阵进行字典训练.实验结果表明,采用文中算法得到的字典对图像具有更好的稀疏表示能力,提高了重构图像的质量.     

基于Takenaka-Malmquist系的语音信号压缩与降噪方法

语音信号的稀疏表示是语音压缩与降噪等语音处理的关键技术之一.在匹配追踪(matching pursuit, MP)、正交匹配追踪(orthogonal matching pursuit, OMP)等算法的基础上,提出了一种基于Takenaka-Malmquist系的贪婪权值算法(a greedy weight algorithm based on the Takenaka-Malmquist system, TMGW).采用TMGW对语音信号进行重构时只需要较少的分解项数,从而达到语音压缩的目的.同时,根据稀疏分解后信号与噪声在时频面上能量分布不同的特点,该算法可实现对含噪语音的降噪.实验结果表明, TMGW比基于自适应Gabor子字典的匹配追踪算法(matching pursuit algorithm based on the adaptive Gabor sub-dictionary, GMP)更适用于语音信号的稀疏表示.     

双重约束非负矩阵分解与改进正交匹配追踪算法的语音增强

针对非负矩阵分解算法实现语音增强效果不理想的问题,提出了一种双重约束非负矩阵分解结合改进正交匹配追踪算法的语音增强方法.采用时间约束及稀疏度约束的双重约束方式改进非负矩阵分解算法,使得分解后的数据更能反映出语音特征.通过改进正交匹配追踪算法提升重构精度,并结合语音信号在时频域的分布特征,引入低通滤波器进一步平滑重构后的...     

基于局部性质的改进正交匹配追踪算法

正交匹配追踪算法是一种重要的压缩感知重构算法,针对正交匹配追踪算法中当前信号的最优估计,每一个采样点都有它的局部性质,且相邻采样点之间必然相互影响.本文基于局部性质,对正交匹配追踪算法进行改进,提高了对稀疏参数的估计精度,实现了信号的重构,实验证明了该方法的有效性.     

基于GOMP及其改进的OFDM系统稀疏信道估计

研究在正交频分复用（OFDM）系统的稀疏信道估计问题.由于在许多通信系统中信道具有稀疏性,因此可以把信道估计问题转化为稀疏信号的恢复问题,应用压缩感知理论求解,把现有的恢复算法——广义正交匹配追踪算法（GOMP）运用到信道估计中,并对它加以改进.仿真结果表明,与广义正交匹配追踪算法（GOMP）相比,正交匹配追踪算法（OMP）运行时间少,计算复杂度低,但是估计的最小均方误差略差.为了进一步提高该算法的性能,提出了改进的广义正交匹配追踪算法,性能得到了较大的提高.      

基于改进遗传算法和Sin-Chirplet原子的调频雷达信号稀疏分解

为构建合适的时频原子库和信号分解算法,提出一种基于改进遗传算法和Sin-Chirplet原子的调频雷达信号稀疏分解算法.这种新的Sin-Chirplet原子在Chirplet原子的基础上增加正弦调频因子,改善原子时频曲线的弯曲性能,使原子对非线性调频信号具有较强的匹配性能.然后基于原子的匹配特性,改进遗传算法中初始原子种群产生机制,提高了最佳原子搜索速度.理论分析和仿真结果表明,基于改进遗传算法的信号稀疏分解效率高于传统遗传算法和匹配追踪算法.相比现有的3种典型时频原子,Sin-Chirplet原子的匹配性能良好,可以更有效地分解调频雷达信号及其混合信号.     

压缩感知中基于梯度的贪婪重构算法综述

正交匹配追踪（OMP）算法是贪婪类算法中最经典的算法之一,但是对于大规模数据的重构问题却有着计算复杂度高、存储量大的缺点,而如果将最优化方法中的梯度与贪婪算法相结合,就会大大减少计算复杂度和存储需求.文中详述了梯度追踪算法,从理论上分析了这些算法的计算复杂度、存储需求和优缺点,并用这些算法分别重构一维信号和二维信号,分析重构效果.实验结果表明,梯度追踪算法的重构效果均比OMP好.尤其是基于变尺度法的梯度追踪算法,无论是重构时间还是重构效果,均优于OMP算法.     

基于稀疏表示的步态识别

提出一种基于稀疏表示的方法,采用CASIA-B和CUSD步态数据库进行步态识别.首先对步态序列中心化及归一化处理,之后提取了步态的主动能量图像(AEI),AEI很好地表达了步态中的动态信息,以此作为步态的特征图像,并对特征AEI采用两种方式稀疏表示:一是采用基于重构误差的方法建立字典、更新字典及分解系数;二是采用基于区分辨别字典的方式建立字典、更新字典及分解系数.系数分解采用的是正交匹配追踪算法.实验证明提出的方法识别准确性高,识别速度快,适合实时性要求高的场合.     

基于GST的变速机械故障信号稀疏特征提取方法

为提取强噪声背景下的变速旋转机械设备的冲击故障特征,提出了一种基于广义S变换的稀疏特征提取方法.首先,通过多分辨率广义S变换（multiresolution generalized S-transform,MGST）搜索每次迭代过程中的最佳原子,多分辨率广义S变换可以得到信号不同尺度下的归一化时频谱,并从中找出能量最大值及其所对应的时频因子,根据故障冗余字典的构建模型可得到冲击成分的最佳匹配原子.其次,结合正交匹配追踪算法（orthogonal matching pursuit,OMP）,计算出信号在原子集合下的投影,由于采用了基于多分辨率广义S变换的原子搜索策略,大幅度提高了OMP的分解效率.最后,根据稀疏表示中第一个冲击信号的出现时刻,可依次计算出冲击信号在变速情况下的出现时刻理论值,通过与实测值的比较,实现变速机械的故障诊断.仿真和实例分析结果表明,该方法比传统OMP方法和广义S变换具有更高的计算效率和定位精度.      

基于Gabor匹配甚低码率视频编码算法的研究

提出一种基于Gabor匹配的甚低比特视频编码算法 ,通过算法自学习优化Gabor匹配集提高编码效率 .实验测试结果表明 ,在甚低码率 ( 2 4kb/s和 10kb/s)下有效保证视频编码PSNR和编码效率 ,同时从根本上解决传统编码方法在甚低码率视频编码中的块效应问题 .     

基于贪婪算法获取稀疏表示探讨研究

本文给出一个反例,指出在一般的字典中,稀疏表示中正交匹配搜索（OMP）算法不能得到测量的最稀疏信号,从而说明匹配搜索、正交匹配搜索等贪婪算法在稀疏表示中不能保证每一个测量能得到信号的最稀疏表示.     

压缩感知重构算法在稀疏信号恢复中的应用

阐述了压缩感知理论产生的背景、基本原理和应用方式,研究了两类压缩感知重构算法的重构思想和方法,并将两类重构算法的典型算法正交匹配追踪和基追踪应用于稀疏信号的重构。结果表明：对于无噪观测和含较小噪声的观测,正交匹配追踪算法从重构频率和重构时间两方面显示出更好的性能。     

基于PSO_MP算法的电力线信道模型参数识别方法

针对低压电力线信道模型的多参数识别问题,提出了一种基于粒子群优化的匹配追踪算法(particle swarm optimization_ matching pursuit, PSO_MP)。匹配追踪算法(matching pursuit, MP)实现过程简单,但是计算复杂、计算量比较大;粒子群优化算法(particle swarm optimization, PSO)具有全局搜索能力强、收敛快等优点;将两者结合使用不仅可以提高信道模型参数辨识精度,而且还可以提高系统收敛速度。针对传统的高斯原子数目较大的问题,设计了一种新的原子结构。仿真实验表明,基于PSO_MP的模型参数识别精度高,验证了该算法的可行性和优越性。     

角度域和时延域联合稀疏信道估计

针对多输入多输出(MIMO)系统在双选信道下信道估计问题,以及挖掘信道在时延域和角度域的联合稀疏特性,提出了一种新的基于压缩感知的联合稀疏信道估计方案.首先,基于基扩展模型,将信道估计建模为结构化压缩感知问题,随后基于压缩感知模型,提出了两种新的贪婪算法,有效地恢复了时变信道参数.其中两步同时正交匹配追踪(TS-SOMP)算法先在时延域中找到所有非零抽头位置,然后估计非零角度域系数.两环同时正交匹配追踪(TLSOMP)算法包括内外两个循环,在外部循环中找到一个非零抽头位置后,即可直接在内部循环求解非零角度域系数.最后,给出了归一化均方误差(NMSE)的仿真曲线,验证了本算法的有效性.     

压缩感知中基于广义Jaccard系数的gOMP重构算法

为了解决信号重构性能差的问题,提出了一种基于广义Jaccard系数的广义正交匹配追踪(generalized orthogonal matching pursuit, gOMP)重构算法。该算法利用广义Jaccard系数相似性匹配准则替换gOMP算法中的内积度量准则,优化了通过感知矩阵来选择与残差余量最匹配原子的匹配方式。实验结果表明,该算法的重构成功率不仅高于gOMP算法,同时也高于OMP、StOMP等算法。