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.     

基于自适应加权压缩感知的图像超分辨率重建

压缩感知理论被广泛应用于从少量随机观测中精确地重构原始信号,基于压缩感知理论来实现图像的超分辨率重建,在利用图像的局部稀疏性先验的基础上,采取了以下两项措施：一是通过对图像降质模型的估计,采用K-奇异值分解(K-singular value decomposition, K-SVD)算法构建过完备字典对,依据同一图像高低分辨率观测在对应字典下稀疏表示系数相似的特点,将字典对所表示的高低分辨率图像间的映射关系带入目标函数中,避免了降采样和模糊算子难以抽象为矩阵形式对求解造成的影响;二是在待超分辨率图像稀疏编码时提出一种自适应加权的梯度投影稀疏重构(adaptive weighting gradient projection for sparse reconstruction, AWGPSR)算法,克服了传统正交匹配追踪(orthogonal matching pursuit, OMP)算法在这一步需要固定稀疏度的缺陷,可获得更加精确的稀疏表示系数。结合得到的稀疏表示系数与高分辨率字典可以重建出图像的高频分量,将重建的高频分量与低频部分融合可以得到最终的图像超分辨率重建结果。实验结果表明,...     

一种改进广义正交匹配追踪的DOA估计方法

针对传统匹配追踪算法的波达方向(direction of arrival, DOA)估计方法精度不高、收敛速度较慢等问题,提出一种改进广义正交匹配追踪(generalized orthogonal matching pursuit, GOMP)算法的DOA估计方法。通过空间网格划分建立DOA估计模型,在此模型基础上引入GOMP算法对接收到的信号进行重构,然后在原有GOMP算法基础上引入最速下降法,提出一种改进GOMP算法用于DOA估计中。与GOMP算法相比,改进算法使用运算简单的最速下降法进行信号重构,降低了重构算法的复杂度。仿真结果表明:改进算法成功地得到了DOA估计值,相对于传统OMP算法,改进算法具有更高的DOA估计精度,有效地减少了重构耗时,具有更高的估计性能。     

一种使用MUML-CMVDR接收机的SIMO CDMA系统

提出了一种使用基于多用户MIL估计,可以抑制多址干扰(MAI)、符号间干扰(ISI)和噪声的带限制条件的MVDR接收机(MUML-CMVDR Receiver)的SIMOCDMA系统．给出了SIMO CDMA系统模型和CDMA多用户、多径的信道模型,用ML方法进行信道参数估计,然后利用估计到的信道参数给出了分部加权和整体加权2种CMVDR接收机．进行了系统模拟,并对分部加权和整体加权2种MUML-CMVDR接收机的性能、SIMO CDMA系统和其它系统的性能分别进行了比较。     

一种应用于光照变化场景的视频编码方法

为提高存在光照变化场景的视频的编码效率,提出一种基于局部亮度补偿的视频编码方法.该方法先计算当前块和匹配块的空间邻近Γ型区域的平均亮度差异,然后用该亮度差异对匹配块进行亮度补偿,进而提高预测精度,最后计算差值信号并对差值信号进行编码.此外,为消除局部亮度变化对运动估计的影响,采用纹理匹配准则进行运动估计,提高运动估计所得的匹配块与当前块的纹理相似度.与H.264标准采用的加权预测方法相比,该方法可以对图像中不同的区域采用不同的参数进行亮度补偿,因此可以进一步提高编码效率.实验结果表明,在恢复视频质量相同的条件下,该方法的编码比特率较H.264标准采用的加权预测方法的编码比特率平均下降了2.34%.     

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.     

水声OFDM信道压缩感知估计研究

针对传统最小二乘(least square,LS)算法估计时变水声OFDM信道误差较大问题,提出一种基于压缩感知的准确估计方法.首先导出了水声OFDM系统接收序列、发送序列及信道传输矩阵之间的关系;在此基础上利用水声信道稀疏特征,探讨了采用正交匹配追踪(orthogonal matching pursuit,OMP)算法估计水声OFDM信道的方法;分析了导频插入方式、导频数及径数等对水声OFDM信道估计均方误差(mean square error,MSE)的影响.研究表明:当导频随机插入时,OMP算法用较少导频即可准确估计水声OFDM信道的传输矩阵.当信噪比大于10dB时,OMP算法的MSE小于-24dB,比传统的LS算法小18dB.     

改进指纹和LSC加权的恶意程序代码相似度估计算法

恶意程序代码的相似度估计是恶意程序代码分析和检测的重要研究内容。现有的方法主要是对恶意程序代码进行属性计算或结构度量,但由于恶意程序代码结构的灵活性和恶意程序代码的伪装、恶意程序代码的相似度较难度量。提出了改进指纹和LSC加权的恶意程序代码相似度估计算法。该算法首先对恶意程序代码进行函数作用域划分和标准化预处理,然后对其进行字串序列化,利用改进的指纹相似度来对恶意程序代码的相似度进行度量;同时结合最大公共字串匹配算法进行结构度量,并对其相似度计算结果进行加权,对恶意程序代码结构的相似度进行综合估计。实验以C语言结构的程序代码为例,利用折半查找算法生成恶意程序代码测试数据集进行算法有效性验证。仿真证明该算法具有较好的恶意程序代码相似度估算精度。     

基于块分割的新型压缩感知算法

针对现有块分割压缩感知(block compressive sensing,BCS)算法的块效应问题,提出一种低复杂度、可消除块效应的新型块分割重构算法.在稀疏表达时,采用小波变换(DWT)代替离散余弦变换(DCT),改善图像细节分量;在测量时,依据分块图像频率特征对测量矩阵加权,提高图像质量;在重构时,采用正交匹配追踪(orthogonal matching pursuit,OMP)算法代替匹配追踪(matching pursuit,MP)算法,提高重构速度.仿真结果表明,所提出的算法可在保证重构速度的情况下,有效消除块效应,且不增加内存占用.     

样本属性重要度的支持向量机方法

支持向量机(SVM)是一种新的机器学习方法,已经广泛应用于模式识别和函数估计等问题中.针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑属性重要性对分类结果的影响的缺陷,提出了基于样本属性重要度的支持向量机方法,该方法首先利用信息论中的信息增益技术计算各个样本特征属性对分类属性的重要度,然后对所有样本的同一特征属性的值分别用对应的属性重要度进行加权,最后所得数据集用于训练和测试SVM.数值实验的结果表明,该方法提高了分类器的分类精度.     

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.     

一种样点缺失条件下的跳频信号参数估计方法

在样点随机缺失条件下研究跳频信号参数估计问题具有现实意义。 针对样点缺失条件下线性时 频分析方法失效的问题, 提出了一种基于正交匹配追踪(orthogonal matching pursuit, OMP) 和卡尔曼滤波 (Kalmanfilter,KF) 的跳频信号参数实时估计方法。 该方法对信号加滑动窗, 将窗内样点随机缺失建模为 一个信号稀疏表示问题, 傅里叶正交基作为过完备字典, 利用 OMP 直接估计窗内信号频率而不需要恢复信 号。 KF 针对估计得到的信号频率进行平滑, 当频率跳变时, KF 的频率预测值将严重偏离历史值和频率估 计值, 偏离程度作为跳变时刻估计的依据。 仿真结果和对比实验表明, 在样点没有缺失时, 该方法具有更优 的跳频信号参数估计性能, 在滑动窗长足够并满足信号稀疏度要求时, 即使在样点缺失的条件下, 依然可以 获得有效的跳频信号参数估计结果。     

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。     

基于压缩感知的相干信号DOA估计算法

本文从稀疏信号重建的角度提出了一种相干信号波达方向(DOA)估计改进算法。稀疏信号重建主要受冗余字典中原子间干扰的影响。本文基于正交匹配追踪(orthogonal matching pursuit-OMP)算法通过设计感知字典削弱原子间干扰估计相干信号DOA。通过仿真验证算法的运行速度、DOA估计、估计值的最小均方误差(RMSE)与克拉美罗界(CRLB)对比,仿真结果验证了算法的有效性。本文所提方法运算复杂度低,且具有信源过载能力。     

基于ROI的多分辨率网格框架的图像检索

提出一种新的基于ROI(regions of interesting)的多分辨率网格框架的图像检索方法。先利用网格对图像进行分块,并利用小波变换对分块进行多分辨率分析,以提取图像各分块的颜色和纹理特征信息,然后根据用户指定的感兴趣的区域得到查询子图,最后使用一种融合子图(integrated sub-images matching,ISM)的匹配方法进行图像检索。通过对比实验,证明该方法能够有效地得到降低图像检索的语义鸿沟,并取得很好的检索效果。     

基于SURF和TPS的立体影像密集匹配方法

利用加速鲁棒特性(SURF)算法搜索影像的特征点,基于薄板样条(TPS)建立对应域之间连续和光滑形变变换,用于影像视差的估计,在此基础上提出一种新的立体影像密集匹配方法.首先,基于SURF算法进行特征匹配;然后,利用极线和TPS变换约束选择稳定可靠的同名点,计算影像之间的TPS变换矩阵,估计对应点的位置;最后,基于影像灰度进行密集匹配,并利用极线约束和TPS矩阵删除误匹配点.为保证视差估计的可靠性,利用种子点的外接凸边形对匹配区域进行限定.以人脸三维重建中的影像匹配为例,得到了稳定可靠且密集的同名点.     

基于ROI的多分辨率网格框架的图像检索

提出一种新的基于ROI(regions of interesting)的多分辨率网格框架的图像检索方法.先利用网格对图像进行分块,并利用小波变换对分块进行多分辨率分析,以提取图像各分块的颜色和纹理特征信息,然后根据用户指定的感兴趣的区域得到查询子图,最后使用一种融合子图(integrated sub-images matching, ISM)的匹配方法进行图像检索.通过对比实验,证明该方法能够有效地得到降低图像检索的语义鸿沟,并取得很好的检索效果.     

一种基于稀疏重构的NB-IoT时延估计算法

针对传统的时延估计算法无法解决窄带物联网(narrowband internet of things, NB-IoT)低速率低功耗引起的估计精度低、计算复杂度高等问题,提出一种加入代价函数模型的基于稀疏重构的时延估计算法。利用窄带定位参考信号(narrowband positioning reference signal, NPRS)与传统的正交匹配追踪算法(orthogonal matching pursuit,OMP)进行时延值预估计,然后根据预估计的时延值构建冗余字典,在此基础上利用改进的OMP算法进一步对时延值进行估计。该算法中加入代价函数的思想将多维的时延估计降维成多个一维的时延估计,同时利用稀疏重构来消除各信号之间的干扰。另外,为了消除降维带来的局部最优的问题,合理设置软门限来有效并快速地终止代价函数模型的迭代过程。仿真结果表明,与OMP算法等传统时延估计算法相比,该算法具有更好的检测性能以及更高的时延估计精度。     

低复杂度的大规模MIMO分布式信道估计

针对大规模多输入多输出(multiple-input multiple-output, MIMO)系统传统信道矩阵获取方式导频开销大、计算复杂度高的问题,提出了一种低复杂度的二阶段分布式信道估计方案。该方案的初始阶段在基站侧采用传统压缩感知算法恢复信道矩阵,第2阶段在用户端利用信道的时间相关性,将大规模MIMO的角度域信道分解为密集部分和稀疏部分,并分别估计以实现连续信道追踪。稀疏部分信道通过所提的分布式自适应弱匹配追踪(distributed adaptive weak matching pursuit, DAWMP)算法,利用子信道的联合稀疏性进行多维重建。相比于线性最小均方误差(linear minimum mean square error, LMMSE)算法,所提方案的信道分解策略有效减少了在用户端进行信道估计的计算复杂度。仿真结果表明,所提算法与经典压缩感知信道估计算法相比,计算复杂度降低了约33%,算法性能提升了约0.5 dB。