利用密度描述符对应的视觉跟踪算法

针对稀疏描述符由于关键点检测不稳定及其误匹配造成跟踪失败的问题,提出了一种利用密度描述符对应实现目标跟踪的算法。该算法通过计算目标在相邻两帧之间的密度描述符流,考虑目标的空间分布特性和描述符的权重,得到目标的运动矢量,获得目标在当前帧中的估计;根据密度描述符的运动矢量与目标运动矢量的关系及其匹配程度,更新密度描述符的权重。在大量测试数据上对所提算法进行实验,并与相关跟踪算法进行比较,定性和定量分析表明:当发生光照、遮挡、姿态变化时,所提算法能够稳定地跟踪目标,跟踪成功率均在90%以上,跟踪误差要小于其他算法。     

基于e~0范数优化算法的图像重建

为了解决稀疏信号的重建问题提出了光滑e0范数优化算法,它与最小1范数优化算法等图像重建的方法相比有很大的不同,着重实验了这种信号重建算法中重要参数的选择,并利用手写体数字图像库为试验样本做了一维信号重建和二维图像重建实验.实验结果证明了基于e0范数优化算法在图像重建时间和重建精度上的优越性,此为后续的图像工程研究奠定了基础.     

鲁棒主元分析和稀疏表示方法在模拟电路错误检测中的应用

模拟电路错误检测问题,即重点是检测出模拟电路芯片存在错误后确定错误元件或参数的问题,对于进一步明确错误产生原因,在设计或制造中加以改进,有重要的意义.经典做法是通过预先设置错误,并仿真得到其对应的响应数据,构造"错误字典",然后将测试信号与错误字典进行比对,识别其属于哪一类错误类型.本文提出一种基于数据稀疏表示方法来进行错误类型识别的新方法,它计算属于不同错误类型的数据在所有类型的数据构成的空间中的展开向量,根据得到的稀疏向量来判断其所属错误类型.对于稀疏表示方法无法进行准确分类识别的情况,采用SVM作为二级分类器进行修正.存在某些错误类型,其响应数据构成的空间之间线性相关性较强,对于稀疏表示后属于其中之一类型的数据,采用传统的SVM方法来加以辅助分类.在两个实验例子中,与SVM,Ada Boost以及没有加SVM辅助分类的单纯稀疏表示方法相比较,本文方法有更高的错误类型识别正确率.     

多尺度移不变稀疏编码及其在机械故障诊断中的应用

提出了一种融合多尺度信息的高效移不变稀疏编码算法,并用于机械故障诊断. 将移不变稀疏编码作为分类器应用于故障诊断,直接对振动信号进行训练和识别,不需要提取特征和预处理. 为进一步提升效果,将不同尺度的移不变稀疏编码分类器融合在一起. 经实验验证,即使在训练样本和测试样本负载不同的情况下,文中方案仍然能够以较高的准确率识别出轴承的故障位置和程度. 与其他方法相比,文中方法的准确率、鲁棒性更高,具有一定的工程应用价值.      

Compressed sensing based channel estimation for fast fading OFDM systems

A compressed sensing (CS) based channel estimation algorithm is proposed by using the delay-Doppler sparsity of the fast fading channel. A compressive basis expansion channel model with sparsity in both time and frequency domains is given. The pilots in accordance with a novel random pilot matrix in both time and frequency domains are sent to measure the delay-Doppler sparsity channel. The relatively nonzero channel coefficients are tracked by random pilots at a sampling rate significantly below the Nyquist rate. The sparsity channels are estimated from a very limited number of channel measurements by the basis pursuit algorithm. The proposed algorithm can effectively improve the channel estimation performance when the number of pilot symbols is reduced with improvement of throughput efficiency.     

大型结构动力特性的Lanczos数值计算方法及程序设计

针对大型结构动力分析中结构总体刚度矩阵的对称性和稀疏性,使用稀疏矩阵数据管理方法实现了Lanczos算法,降低了Lanczos算法的时间和空间复杂度,并将该算法应用到大型结构动力学特性计算问题中.经算例测试表明了该算法的正确性、可靠性和实用性.     

分组训练卷积字典的图像去噪算法

卷积稀疏编码(convolutional sparse coding,CSC)这一全局模型因字典的特殊结构而受到广泛关注,其中卷积字典学习算法(slice-based dictionary learning,S-BCSC)是最为有效的CSC模型优化算法.虽然S-BCSC算法非常有效,但算法在应用中对整幅图像只使用一个固定大小的字典,然而这并不利于图像信息的准确描述.为克服这一缺陷,讨论如何根据图像大小确定卷积字典大小,结合稀疏表示字典学习算法,提出分组训练卷积字典的图像去噪算法.新算法首先将过冗余图像块按照平滑、纹理、边缘分为三类;然后为每一类分别确定所要训练的卷积字典大小;最后依据S-BCSC算法完成字典学习以及图像去噪过程.从实验结果可以看出,所提算法在图像质量、清晰度上相比原S-BCSC算法都有所提升.     

时域加权稀疏约束的空时自适应处理算法

1DT是典型的时空级联的后单多普勒空时自适应处理的方法,能够显著降低对独立同分布样本的需求量和空时自适应处理时的运算量,但是进行时域处理时对主瓣杂波的抑制效果较差。针对此问题,提出一种利用时域滤波器频率响应的稀疏特性进行加权稀疏约束的自适应滤波器设计算法。在时域自适应滤波器的模型中加入对旁瓣的稀疏约束,并构造加权矩阵对稀疏约束加权。仿真实验表明：此方法在有效抑制主瓣杂波的前提下能够降低副瓣,并且当存在天线幅相误差时具有较好的稳健性。     

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。     

稀疏阵列MIMO雷达高精度收发角度联合估计

提出一种基于孔径扩展的稀疏阵列MIMO雷达高精度收发角度估计算法. 采用收、发阵列均为稀疏线性分布式子阵的双基地MIMO雷达系统,通过非均匀阵列设计,利用Khatri-Rao乘积运算实现收发阵列中阵元间短基线和子阵间长基线的同时虚拟扩展. 对接收数据进行降冗余和数据平滑处理,利用双尺度酉ESPRIT算法解周期性模糊,得到无模糊的高精度收发角度估计. 与传统算法相比,所提出的算法在不增加天线数目和硬件复杂度的情况下可有效扩展MIMO雷达的阵列孔径,在实现多目标收发角度联合估计的同时获得更高的参数估计性能. 仿真结果验证了阵列虚拟扩展和算法方位估计的有效性.