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.     

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。     

基于树型冗余字典正交匹配追踪的信号稀疏分解

结合树型结构和正交匹配追踪算法,提出一种信号稀疏分解的新方法.该方法的基本思想是在基于树型结构的匹配搜索过程中引入正交化过程,其中树型结构可以快速有效地实现稀疏分解,正交匹配追踪算法提高了信号分解的收敛速度和稀疏性.对语音和地震信号的测试实验结果表明,该算法能以较快的速度收敛到零.     

基于OMP方法的语音信号重构

压缩传感是近年来的研究热点,本文简单阐述了压缩传感（CS）的理论框架,在研究Orthogonal Matching Pursuit（正交匹配跟踪）算法的基础上,探索了其在信号稀疏分解中的应用,实验结果表明基于OMP算法的语音信号稀疏分解具有较好的重建精度。     

基于低冗余度曲波变换的三维地震信号处理

地震信号的插值和去噪问题是地震信号处理的重要研究内容,基于稀疏变换的方法将地震信号在变换域中稀疏表示,根据信号和噪声在变换域的不同表现采用阈值法实现插值和去噪.介绍了一种低冗余度三维曲波变换,并将其用于地震信号的插值和去噪.数值结果表明,该变换冗余度低,在保证曲波变换对地震信号处理有较好的数值效果的同时,将计算速度提高了4倍左右.     

PSO稀疏分解在齿轮信号故障特征提取中的应用

针对齿轮早期故障诊断,传统的信号处理方法受噪声干扰大,严重影响了齿轮故障特征提取。结合粒子群(PSO)算法和稀疏分解算法提出PSO稀疏分解,利用PSO在搜索最优解方面的优势降低了稀疏分解的计算复杂度,并提出了"匹配度"作为信号的特征量。通过对模拟信号和某型航空发动机齿轮毂振动信号的分析,证明PSO稀疏分解在强噪声背景下具有很好的稳健性,提高了振动信号的信噪比,能够有效提取齿轮的故障特征,故障信号的"匹配度"比正常信号平均高出0.4左右,与传统方法相比,优势较为明显。     

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。     

自适应语音压缩感知方法

针对固定正交基下语音信号稀疏化程度低、适应性差的问题,提出了一种自适应的语音稀疏化方法,并将其应用到语音压缩感知理论中.该方法首先采用线性预测系数的加权线性组合对语音信号进行线性预测,并以线性预测残差基作为信号基.然后,按照稀疏约束条件训练出稀疏表示的过完备字典,并交替应用1-范数稀疏约束的追踪和奇异值分解算法,达到字典与稀疏系数同步更新.该方法从信号特征入手,学习并提取特征或纹理信息,能较好地实现语音信号的稀疏化,提高语音压缩感知的重构性能.实验结果显示,与其他正交基方法相比,该方法的语音稀疏化程度高.语音质量的主客观评价结果显示,该方法具有良好的重构性能.     

基于DTCWT与GA改进稀疏分解的轴承故障诊断

为解决滚动轴承故障信号信噪比低、故障特征难以提取的问题,提出一种双树复小波分解(DTCWT)与遗传算法(GA)相结合的改进稀疏分解方法.首先,采用双树复小波对轴承振动信号进行分解,并结合峭度最大准则提取包含冲击特征的最优分量,对该分量进行稀疏重构,实现强噪声信号的深度降噪、故障冲击特征的重构;然后,针对稀疏分解在处理高维复杂信号时计算效率低的问题,使用遗传算法优化基于匹配追踪(MP)算法的寻优过程,提升信号的重构效率;最后,提出基于残差信号包络熵的终止准则以合理选取迭代次数.经仿真与实验验证,与传统的稀疏分解相比,该方法能在强噪声背景下自适应地提取故障信号中的冲击特征,实现滚动轴承的故障识别.     

基于改进量子进化算法的稀疏特征提取方法

特征提取是进行模式识别的关键环节,利用稀疏分解将信号表达为具有一定结构特征的原子组合,为提取信号内部特征信息提供了一种有效途径.本文提出基于改进量子进化算法的稀疏特征提取方法,利用改进量子进化算法的并行性和全局搜索能力,使信号在过完备的原子库上实现快速精确的稀疏分解.对过完备的原子库进行量子比特概率幅编码,通过量子比特的交叉进化-变异操作更新原子库,以信号残差与原子的内积作为量子进化目标函数,筛选出最具信号结构特征的原子,凭借稀疏重构实现信号的特征提取.仿真信号和故障轴承振动信号的稀疏特征提取结果表明了所提方法的有效性和优越性.      

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.     

基于小波分解的语音自适应压缩感知

根据语音信号经过小波分解后低频分量和高频分量的特点,提出分别对他们进行自适应压缩感知。首先对信号的低频分量用训练的过完备基进行稀疏分解,降低了稀疏分解过程中的计算量。然后详细描述了改进自适应观测矩阵的产生,以及对低频和高频分量分别进行自适应观测。最后通过OMP重构算法分别对低频和高频分量进行重构,通过小波合成还原出原始信号。实验表明,语音信号在基于小波分解的自适应压缩感知方案中具有良好的重构性能。     

分块稀疏矩阵因子表的修正

结合稀疏矢量法中因子分解道路的概念，研究了对６×ｂ分块稀疏矩阵的因子表进行 直接修正及部分再分解的算法，在电力系统计算中两种算法能显著提高计算速度。在各 类与稀疏矩阵有关的工程问题中，本文导出的算法同样具有非常广泛的应用前景。     

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.     

基于残差比阈值的迭代终止条件匹配追踪稀疏分解方法

基于传统的迭代终止条件,应用匹配追踪(MP)稀疏分解方法分解高噪信号,研究了固定迭代次数及阈值迭代终止条件的不足.引入相邻残差之比,规格化相邻残差之差,减少了噪声的干扰,设计了残差比阈值迭代终止条件. 采用残差比阈值迭代终止条件,对高噪声超声信号进行稀疏分解,分解过程会根据噪声成分的水平自适应地终止迭代,克服了传统迭代终止条件无法选择迭代终止阈值的问题.理论推导与实验都证明了残差比阈值迭代终止条件具有很强的鲁棒性.     

非负矩阵分解下的稀疏基构建

当信号在某个变换域是稀疏的或可压缩的,可以利用与变换矩阵非相干的测量矩阵将变换系数投影为低维向量,同时这种投影保持了重建信号所需的信息。 压缩感知技术以较少的投影数据实现信号的精确或高概率重构。而信号重建能力很大程度上取决于信号的稀疏性,以及采样矩阵和变换矩阵的非相干性。本文提出用非负矩阵分解（NMF）对原始信号进行稀疏变化,构建稀疏变换基矩阵 ,并与离散傅立叶变换（DFT）和离散小波变换构（DWT）建变换矩阵进行对比研究,对相干度,稀疏度进行测量,并采用正交匹配追踪（OMP）进行信号还原能力分析,表明在同等测量次数下NMF还原能力优于DFT和DWT。     

信号稀疏分解降噪在DOA估计中的应用

提出了一种基于稀疏分解的阵列信号降噪方法。该算法是通过匹配跟踪(MP)的稀疏分解对阵列接收信号进行降噪,然后结合一般的MUSIC算法实现DOA估计。首先将对阵列接收数据分阵元通道独立进行基于MP分解的降噪处理,在不改变阵列流型的前提下,达到了对阵列信号降噪的效果,且在实际算法中分析了MP分解迭代终止阈值的确定。通过仿真分析证实了信号MP分解降噪的方法应用于DOA估计中的可行性。仿真结果显示,在低信噪比环境中,基于MP分解降噪后的MUSIC估计方法取得了更好的估计性能,因此证实了该算法的有效性。     

基于BP自回归模型的混合信号稀疏分解

针对混合信号中少量未知的交叠信号无法检测与精确描述的问题,提出了一种新的检测方法。该方法基于BP自回归模型,将待检测信号通过稀疏分解理论分解为一系列信号源的线性描述。仿真结果表明,该方法具有较高的精确度和有效性。     

基于稀疏采样的调频率估计与多目标ISAR成像

针对目前多目标成像中关于信号调频斜率估计的算法存在着采样频率过大,以及短时条件下精度不高的问题,结合压缩感知理论,提出了一种基于稀疏采样的回波信号调频率估计与多目标ISAR成像方法。首先,根据目标回波信号的特点构造超完备稀疏基,将信号投影到该稀疏基上,利用高斯随机矩阵对分解后的信号进行欠采样,采用FOCUSS稀疏重构算法,精确提取出信号的调频斜率;然后,利用估计出的调频斜率对多目标回波信号中各个目标的回波分量进行分离和补偿;最后,基于稀疏采样对各个单目标分别进行成像。仿真实验验证了该方法的可行性和有效性。     

基于共振稀疏分解与子带增强的滚动轴承声学诊断方法

针对轴承声信号易受环境噪声干扰,导致声学诊断结果准确率低的问题,提出一种结合共振稀疏分解与小波降噪选取核心冲击子带、对信号进行二次降噪的滚动轴承诊断方法。首先采用共振稀疏分解算法对原始声信号进行降噪处理,提取信号瞬态冲击成分;然后通过小波包变换对信号进行分解,依据各子带信号峭度值选取核心冲击子带信号进行线性叠加并重构;最终通过包络谱分析确定轴承故障。故障模拟实验结果表明,本文方法可有效增强复杂声场环境下轴承声信号的冲击特性,实现针对滚动轴承的声学诊断。