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.     

一种OFDM稀疏信道估计系数优化方案

围绕利用贪婪追踪算法的正交频分复用（orthogonal frequency division multiplexing, OFDM）调制系统的稀疏信道估计,研究了由于原子的错误选择所导致的恢复性能下降问题.基于针对贪婪追踪算法中最小二乘重构运算过程的分析,发现错误原子上存在严重的原子系数的过估计现象.在此基础上,提出了利用相邻符号间信道路径时延相关性的系数优化方案（coefficients optimization scheme, COS）,用以提高原子选择错误时稀疏信道估计的准确性.仿真结果表明,将COS与传统的正交匹配追踪（orthogonal matching pursuit, OMP）算法和稀疏度自适应匹配追踪（sparsity adaptive matching pursuit, SAMP）算法融合,都有效地抑制了原子的错误选择对稀疏信道估计的影响,并且在低信噪比下提升了贪婪追踪算法的估计性能,在不同多径信道模型下的仿真测试中均具有较好的鲁棒性.     

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。     

稀疏线性预测字典在语音压缩感知中的应用

压缩感知理论框架可以同时实现信号的采样和压缩,将压缩感知应用于语音信号处理是近年来的研究热点之一.本文根据语音信号的特点,采用K-SVD算法获得稀疏线性预测字典,作为语音信号的稀疏变换矩阵.高斯随机矩阵用于原语音信号的采样从而实现信号的压缩,最后通过正交匹配追踪算法(OMP)和采样压缩匹配追踪算法(Co Sa MP)将已采样压缩的语音信号进行信号重构.实验考察了待处理语音信号帧的长度、压缩比,稀疏变换字典以及压缩感知重构算法等因素对语音压缩感知重构性能的影响,结果表明,基于数据集训练的稀疏线性预测字典相比传统解析构造的离散余弦变换字典,对语音的重构性能具有0.6 d B左右的提升.     

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.     

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。     

改进的压缩感知重构方法

为了在稀疏度未知的情况下重构信号,并且解决SAMP框架下的步长选择难题,提出一种新的稀疏度估计方式,以及一种新的压缩感知重构算法——步长自适应匹配追踪算法。该算法通过新的方式估计稀疏度,采用估计出的稀疏度作为初始步长,重构信号间能量差作为改变步长的方法,使得信号能在稀疏度未知的条件下,自适应的重构信号。实验结果表明,本算法能够较好地重构信号,保证重构质量的同时提高重构速度。     

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.     

基于Sparse K-SVD学习字典的语音增强方法

提出一种基于Sparse K-SVD学习字典的语音增强方法,采用Sparse K-SVD算法自适应地训练一个可稀疏表示的冗余字典,在该冗余字典上采用正交匹配追踪(OMP)算法对带噪语音信号进行稀疏分解,利用稀疏系数矩阵重构纯净语音,实现语音增强.使用NOIZEUS语音库进行了一系列的语音增强实验,主客观评测数据表明,基于稀疏表示的语音增强方法(分别使用Sparse K-SVD和K-SVD训练字典)相对于传统语音增强方法(小阈值波法、谱减法、改进谱减法)可进一步改善语音质量;对字典训练时间进行统计,发现Sparse K-SVD算法训练字典消耗的时间为K-SVD算法训练时间的1/6~1/10,大幅度提高了计算效率.     

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.     

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AOMP 重建的宽带频谱感知算法

为解决OMP(Orthogonal Matching Pursuit)算法在盲稀疏度情况下迭代终止条件带来的过匹配问题, 提出了一种AOMP(Adptive Orthogonal Matching Pursuit)算法。该算法在迭代过程中通过额外增加观测样本估算原始信号的重构误差, 通过寻找最小误差点自适应地确定最佳频谱重构对应的迭代次数。仿真结果表明, 该算法在
低信噪比下, 能有效地重构原始信号, 与已知信号稀疏度的重构效果相当。     

用于AIS实时信号稀疏表示的追踪算法研究

为解决非周期船舶自动识别系统(AIS)信号的载波跟踪问题,利用信号稀疏表示方法对AIS实时信号进行重构,以获得AIS信号的信道信息,从而为实现定位信息的测量打下基础.从AIS信号特点和AIS实时信号处理的要求出发,对基于K-SVD算法所构造的自适应冗余字典,从信号处理时间、稀疏表示精度、误码率和受噪声的影响几方面对比了基追踪(BP)和正交匹配追踪(OMP)两种不同的追踪算法.实验结果表明,两种算法都能有效精确地重构AIS信号,BP算法相比OMP算法具有更好的稀疏表示精度和误码率,但是信号处理时间会更长.由于AIS对实时性的高要求,OMP算法更适合用于AIS自主定位系统.     

基于扰动BOMP算法的块稀疏信号重构

给出了测量矩阵受扰动的块正交匹配追踪(BOMP)算法,仿真实验表明:当扰动水平越低、部分扰动元素越少、分块数越小或采样数越多时,重构信号的相对误差越小,即扰动BOMP算法重构性能更好.相比传统的扰动OMP算法,实验结果表明扰动BOMP算法能更加有效地处理块稀疏信号,说明信号结构对于信号恢复至关重要.     

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。     

一种混合优化的匹配追踪生态声音识别方法

针对生态自然环境中噪声对声音识别产生干扰的问题,提出利用混合优化的匹配追踪(MP)进行生态声音识别的方法.首先,使用萤火虫算法(GSO)和粒子群算法(PSO)对匹配追踪算法进行混合优化,加快匹配追踪有限次稀疏分解的速度并重构声音信号,保留高相关成分,滤除低相关噪声;其次,根据所选最优原子的时频信息结合MFCCs提取复合抗噪特征;最后,结合支持向量机(SVM)对40种生态声音在不同背景噪声与信噪比的情境下进行分类与识别.实验表明,优化后的匹配追踪算法去噪性能优于谱减法和小波去噪法.与常用的MFCCs方法相比,本方法对生态声音在不同信噪比下的识别性能有不同程度的改善,并且具有较好抗噪性.     

MIMO-OFDM系统中基于RAMP及其改进的稀疏信道估计算法

研究了在MIMO-OFDM系统中的稀疏信道估计问题。将正则化稀疏度自适应匹配追踪算法（RAMP）运用到MIMO-OFDM稀疏信道估计中,并对该算法的迭代结束条件加以改进,取残差的能量之差小于设定的阈值来终止迭代过程,更加准确地估计出信道稀疏度,进而提高了稀疏信道的估计精度。仿真结果表明,在MIMO-OFDM系统中,相比RAMP算法与稀疏度自适应匹配追踪算法（SAMP）,改进算法能够获得更好的MSE性能,在不需要稀疏度的前提下达到了与正交匹配追踪算法（OMP）算法相似的MSE性能。      

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...