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.     

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。     

MMSE准则下基于玻尔兹曼机的快速重构算法

全连接的玻尔兹曼机模型可全面描述稀疏系数间统计依赖关系,但时间复杂度较高.为了提高基于玻尔兹曼机的贝叶斯匹配追踪算法(BM-BMP)的重构速度和质量,本文提出一种改进算法.第一,将BM-BMP算法的最大后验概率(MAP)估计评估值分解为上一次迭代的评估值与增量,使得每次迭代仅需计算增量,极大缩短了计算耗时.第二,利用显著最大后验概率估计值平均的方式,有效近似最小均方误差(MMSE)估计,获得了更小的重构误差.实验结果表明,本文算法比BM-BMP算法的运行时间平均缩短了73.66%,峰值信噪比(PSNR)值平均提高了0.57 dB.     

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.     

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.     

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。     

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.     

一比特压缩传感的贪婪重构算法

针对测量值的一比特量化,提出了一种新型贪婪迭代算法:符号子空间追踪算法。该算法融合了一致性恢复和贪婪迭代的原理,将量化误差对重构的影响降到最小。仿真结果表明,在高比特率的情况下,该算法的重构误差比只考虑稀疏性和只考虑一致性恢复的算法分别低13 dB和21 dB。     

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.     

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。     

混合粒子群MP算法在脑电信号分析中的应用

目的开辟脑电信号分析的新途径。方法将混合粒子群算法与MP算法相结合,对脑电信号进行重构。结果混合粒子群MP算法不但极大地提高了信号稀疏分解的速度,而且还能够取得良好的重构效果。结论混合粒子群MP算法可以作为脑电信号分析的新方法。     

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OS-SASP算法的欠定盲源分离

针对基于稀疏分量分析的欠定盲源分离问题,提出一种基于优化支撑的稀疏度自适应子空间追踪(OS-SASP)算法.通过引入自适应思想,克服传统子空间追踪(SP)算法对稀疏度的依赖;同时在迭代开始之前通过离散余弦变换的能量集中特性确定最小支撑集的大小,对最小支撑集求并集获得优化支撑集,优化支撑集联合迭代过程中的候选集来定位最佳原子,提高源信号的恢复精度.仿真结果表明,OS-SASP算法在一维稀疏信号与语音信号的欠定盲源恢复过程中表现出良好的性能.     

基于单层小波变换的自适应压缩感知图像处理

文章在未知二维图像的稀疏度的情况下,提出了基于单层小波变换的自适应压缩感知算法,保留其中的低频系数,只针对高频系数进行测量。在小波变换把二维图像分成低低、低高、高低和高高的4块之后,利用稀疏度自适应匹配追踪算法,分别对其中包含在低高块中的列、高低块中的行、高高块整体中的那些高频系数进行恢复,再进行小波逆变换重构图像。仿真结果表明,与原来的单层小波变换的非自适应压缩感知算法相比,该算法解决了稀疏度未知情况下的图像恢复问题,而且重构图像质量也得到很好的保证,例如在相同的采样率下,新算法与原算法之间的PSNR相差不过2dB。