基于块稀疏度与自适应迭代的压缩感知方法

针对分块压缩感知算法在平滑块效应时损失了大量的细节纹理信息,从而影响图像的重构效果问题,提出了一种基于块稀疏信号的压缩感知重构算法。该算法先采用块稀疏度估计对信号的稀疏性做初步估计,通过对块稀疏度进行估算初始化阶段长,运用块矩阵与残差信号最匹配原则来选取支撑块,再运用自适应迭代计算实现对块稀疏信号的重构,较好地解决了浪费存储资源和计算量大的问题。实验结果表明,相比常用压缩感知方法,所提算法能明显减少运算时间,且能有效提高图像重构效果。     

一种应用于欠采样图像的自适应稀疏重建方法

针对图像稀疏重建中因使用固定参数的全变分(TV)正则项所带来的图像细节缺失和阶梯效应问题，提出了一种自适应二阶广义全变分(TGV)约束的图像稀疏重建算法。该算法采用二阶广义全变分模型权衡图像的一阶导数和二阶导数，且能够根据每次迭代得到的重构解及对应张量函数自适应地修正权重系数，实现图像的稀疏重建。与全变分正则模型和固定参数广义全变分正则模型相比，该算法能更好地保持图像轮廓和细节信息，提高重建图像的峰值信噪比(PSNR)和结构相似度(SSIM)。     

一种适用于稀疏多径信道的自适应均衡算法

针对传统的自适应均衡算法在稀疏多径信道下性能表现不佳的问题,提出了一种基于基追踪降噪的自适应均衡算法。该算法利用稀疏多径信道下均衡器权值的稀疏性,将自适应均衡器的训练过程看作压缩感知理论中稀疏信号对字典的加权求和,并利用重构算法直接对稀疏权值进行求解,解决了迭代参数设置和收敛慢的问题。采用基追踪降噪作为重构算法并选用变量分离近似稀疏重构对该最优化问题进行求解,既提高了权值的重构精度又降低了计算的复杂度。仿真结果表明,所提算法能够以较低的计算量和较少的训练序列达到更优性能,这对提升系统的通信性能具有参考价值。     

一种稀疏重构的相关干涉仪测向算法

针对基于凸优化模型的相关干涉仪测向算法计算量过大的问题,提出了一种基于稀疏度自适应匹配追踪算法的相关干涉仪测向算法。该算法首先根据压缩感知原理利用传统相关干涉仪算法的测向数据库作为基底将入射信号稀疏表示;接着,根据贪婪算法对信号进行重构,估计入射信号的方位。该算法的优点在于在迭代过程中引入回溯思想,自动调整估计步长,实现计算复杂度和估计精度的平衡。仿真结果表明,相比基于凸优化模型的相关算法,该算法的计算量大大降低,测向速度提升24.6%,特别在多入射信号情况下具有明显优势。     

一种新的基于压缩感知的毫米波信道估计算法

针对传统稀疏重构算法需要信道稀疏度先验信息、复杂度高、不利于实际应用的问题,提出了一种新的基于波束空间分解的稀疏度自适应毫米波信道估计算法。该算法利用毫米波信道稀疏性的特点对信道进行波束空间分解,构造基于码本的感知矩阵,获得l1范数约束问题模型;其次结合分段弱匹配追踪算法,采用弱阈值从感知矩阵筛选原子,再通过分组选择机制对选择的原子进行二次优化;最后根据最小二乘法估计出毫米波信道。仿真结果表明,所提算法的估计精度和复杂度在低信噪比和低训练长度情况下明显优于传统匹配追踪算法。     

适用于彩色图像人脸识别的字典学习算法

现有的基于稀疏表示的人脸识别算法在识别前需要将彩色人脸图像转换成灰度人脸图像,这样虽然提高了运算速度,但忽视了不同色彩通道数据本身所包含的信息及它们之间的相关性。为了利用不同通道间相关性,基于标签一致的K奇异值分解（LC-KSVD）字典学习算法,提出了一种适用于彩色图像人脸识别的字典学习算法。该算法将RGB通道数据顺序排列成列向量,并在稀疏编码的环节中,对正交匹配追踪（OMP）算法的内积计算准则进行修正,以此提高字典原子的色彩表达能力。在彩色人脸数据库上进行实验,结果表明：所提出的字典学习算法能够有效地提高识别率。     

压缩感知稀疏表示在雷达目标识别中的应用

高分辨距离像(HRRP)目标识别算法很多,在其利用高分辨距离像蕴含的目标结构信息的同时,也需要面对数据量巨大的难题。事实上,尽管高分辨距离像数据量巨大,但却是稀疏的,然而利用其稀疏特性进行识别的方法却不多。为此,提出了一种基于压缩感知稀疏表示方法实现目标识别的算法。该算法首先采用遗传正交匹配追踪（OMP）算法对一维距离像训练样本进行稀疏分解以获得类别字典,然后根据类别字典分析测试样本的重构误差实现目标识别。仿真实验证明,所提算法简捷、识别率更高,相较于常规算法识别率提高最多可达20%,并且在受到噪声干扰情况下依然能够稳健地识别目标。     

基于稀疏编码的鲁棒型人脸超分辨率重建

为了减少人脸超分图像的边缘伪影和图像噪点，利用基于稀疏编码的单幅图像超分辨率重建算法，在字典学习阶段，结合L1范数引入在线字典学习方法，使字典根据当前输入图像块和上次迭代生成的字典逐列更新，得到更加精确的超完备字典对，用于图像重建。实验中进行的仿真结果表明，改进算法超分结果的峰值信噪比（PSNR）和结构相似性（SSIM）比同类型的稀疏编码超分法（SCSR）和应用在线字典学习算法的超分方法（ODLSR）均有较大幅度提升，比后者平均提升0.72 dB和0.018 7。同时，视觉上有效地消除了边缘伪影，且在处理含噪人脸图像时，具备更强的去噪能力和更好的鲁棒性。     

一种基于压缩感知的信号重建新算法

在求解基追踪问题的线性化Bregman迭代方法基础上,结合了广义逆的迭代技术得到一种稀疏信号重构的新算法。该算法在计算Moore-Penrose广义逆时,采用了迭代计算的方式,与算法本身相结合使得仅有矩阵向量乘积运算,避免了奇异值分解的较大工作量。通过数值试验可知,新算法相对线性化Bregman算法在计算时间上约减少了2/3,同时信号的恢复效果也是稳定有效的。因此,新算法是一种有效可行的信号重建算法。     

外部信息自适应更新的SCMA系统译码方案

现有上行稀疏码多址接入（Sparse Code Multiple Access，SCMA）通信系统采用的译码算法中，基于串行策略的消息传递算法（Message Passing Algorithm，MPA）因其在每次迭代过程只选择单个消息进行更新，存在着收敛速度较慢等问题。针对以上问题，提出外部信息自适应更新的MPA算法，每次迭代过程中自适应选取多个残差值较大、相互独立的节点，更新其外部信息以达到提高计算效率的目的。仿真结果表明，该算法可有效提升译码性能，在计算复杂度与译码性能之间取得了较好的平衡。     

基于稀疏分解和混沌理论的微弱信号检测

针对数字锁定放大器中稀疏分解算法检测精度受限的缺点,结合非线性方法进行补偿,采用混沌检测联合稀疏分解的算法设计了数字锁定放大器。数字锁定放大器借助稀疏分解算法估计信号参数,根据估计得到的参数设计对应混沌系统;利用混沌系统检测信号的过程中产生间歇性混沌状态,并通过测量间歇性混沌状态的周期,精确检测信号。最终,在信号的信噪比低至-20 dB时可以成功检测信号,频率精度达到0.05 Hz,提供了一种非线性微弱信号检测方法。     

采用分裂Bregman的空间邻近目标红外超分辨算法

利用红外成像系统跟踪空间邻近目标时,目标在红外像平面的成像相互交叠形成簇状像斑,导致跟踪系统无法有效分辨这些目标。基于稀疏重构的超分辨方法是一种将稀疏重构技术应用于处理邻近空间目标分辨的单帧超分辨方法,能够有效估计目标个数和位置等参数。针对二阶锥规划方法求解基于稀疏重构的超分辨模型计算复杂度大、效率低的问题,提出采用分裂Bregman方法求解该超分辨模型,先通过引入辅助变量将原问题转化为一系列易于求解的子优化问题,然后利用交替最小化方法求解每个子问题,最后分析正则化参数的合理设置,从而实现对超分辨模型的最优化求解。仿真实验结果表明,所提方法能够有效求解基于稀疏重构的超分辨模型,在保证分辨像斑中目标个数和位置参数的前提下,计算耗时缩短了8%,有效提高了求解效率,便于工程实现。     

基于字典对齐的迁移稀疏编码图像分类

基于稀疏编码的图像分类算法，当源域和目标域间样本服从不同分布时，从源域样本中学习到的字典无法有效对目标域样本进行编码，进而严重影响算法的分类性能。为了解决此问题，提出一种基于字典对齐的迁移稀疏编码(TSC-DA)算法。一方面，通过将字典对齐机制引入稀疏编码模型训练过程中，以减少源域和目标域间样本分布差异；另一方面，采用L2正则化项代替字典约束项，将其转化为无约束优化问题，从而回避了拉格朗日对偶法复杂的求解方式。实验结果表明，TSC-DA能够有效提高目标域的图像分类精度。     

融合局部加权余弦与稀疏表示的目标跟踪算法

针对目标跟踪算法的鲁棒性难题，在粒子滤波框架下提出基于联合模型的目标跟踪算法。首先，由局部加权余弦相似对目标模板和候选目标进行匹配，其中的局部加权算法增加了未受遮挡、形变等影响的候选目标的权重；其次，通过对目标区域局部图像块稀疏编码来表示目标观测模型，其中字典不进行更新，重建误差的构建考虑了局部图像块之间的空间布局；最后，利用最大后验概率估计目标状态。联合模型将目标的当前状态和原始状态都考虑在内，提高了观测模型的可靠性。实验结果表明，该算法具有较强的鲁棒性。     

基于压缩感知DOA估计的稀疏阵列设计

根据格拉姆(Gram)矩阵优化测量矩阵的方法，给出了一种基于压缩感知波达方向（DOA）估计的均匀线阵的稀疏阵列设计方法。该方法不需要对阵列的输出数据进行压缩采样，直接利用稀疏阵列的输出数据，然后利用稀疏恢复算法求解DOA估计信息。实验仿真证明，相比于原均匀线阵，所提方法在阵元数目较少且信噪比较低的情况下具有更好的DOA估计性能。     

在低维空间实现的基于MP的图像稀疏分解

研究利用Matching Pursuit(MP)方法实现的图像稀疏分解算法，针对其中关键难题，提出利用在低维空间的搜索实现高维空间的搜索的快速方法。算法的有效性为实验结果所证实。     

免疫克隆选择算法在雷达信号时频原子分解中的应用

针对传统时频原子在雷达信号分解中计算复杂度比较高的问题,提出了一种基于免疫克隆选择算法的时频原子快速分解方法。首先将Chirplet原子库分解为小原子库,然后并行地在每一个小原子库中搜索最佳原子,搜索过程建模为多参数寻优问题,通过免疫克隆选择算法的克隆、变异、记忆、替换等操作求解最优值,最后比较每一个小原子库中的最佳原子,将相似度最大的原子作为分解的最佳原子。仿真实验表明,该方法能够用较少的时频原子表示信号,在大幅减少时频原子搜索时间的同时,有效地抑制了噪声和交叉项的干扰。