盲稀疏度下基于粒子滤波的稀疏信号重构

针对现有贪婪迭代类压缩感知重构算法对非高斯量测噪声抵抗性差的问题,提出一种盲稀疏度下基于粒子滤波的稀疏信号重构算法。该算法首先将鲁棒性更高的Huber损失函数替代常规的二次损失函数,用来增加对非高斯噪声的抵抗能力;并且引入粒子滤波实现对原始信号的最优估计,以削弱量测噪声的影响;最后在信号稀疏度未知的条件下,结合稀疏度自适应匹配追踪算法实现盲稀疏度下的原信号重构。理论分析和仿真结果表明,所提算法可以有效抵抗因非高斯噪声干扰或稀疏度未知导致的重构精度降低,且重构性能优于现有典型贪婪迭代类算法。     

粒子滤波匹配追踪重构算法

针对现有贪婪迭代类压缩感知重构算法对非高斯量测噪声抵抗性差的问题,提出一种盲稀疏度下粒子滤波匹配追踪稀疏信号重构算法。该算法将鲁棒性更高的Huber损失函数替代常规的二次损失函数,用来增加对非高斯噪声的抵抗能力;并引入粒子滤波实现对原始信号的最优估计,以削弱量测噪声的影响;在信号稀疏度未知的条件下,结合稀疏度自适应匹配追踪算法实现盲稀疏度下的原信号重构。理论分析和仿真结果表明,所提算法可以有效抵抗因非高斯噪声干扰或稀疏度未知导致的重构精度降低,且重构性能优于现有典型贪婪迭代类算法。     

基于指数试探的稀疏度自适应匹配追踪算法

针对贪婪算法需要以信号稀疏度作为先验信息的问题,基于指数试探思想提出了一种稀疏度自适应重构算法。利用指数函数特性分段试探信号稀疏度,使其快速逼近真实值,通过筛选回退锁定信号的有效支撑集,再采取弱匹配剪枝精确重构出原始信号。能够摆脱对稀疏度的依赖,以高概率自适应重构信号。实验表明,该算法的试探结果更加准确和稳定,重构成功率提高,特别是当稀疏比小于0.25时,算法最少只需3次试探,便可快速估计出信号稀疏度,且成功重构成功率不低于97%。     

基于L曲线的跳频信号重构正则化参数优化

研究了基于L曲线的跳频信号重构正则化参数的选取问题,对跳频信号的稀疏性进行了分析,采用L曲线对系统的最优正则化参数进行了选取．在此基础上,通过推广的正则化FOCUSS算法估计了跳频信号的稀疏表示．仿真结果表明,通过L曲线选取的正则化参数在推广的正则化FOCUSS算法下,能够实现跳频信号在噪声环境下的重构．     

压缩感知稀疏重构对星图的影响

稀疏重构是压缩感知理论的核心内容之一,为了将稀疏重构有效地应用于星敏感器的压缩成像过程中,从星图图像误差和星点特征误差两个方面分析稀疏重构对星图的影响。在图像误差方面,利用峰值信噪比评价指标考察星图在不同重构算法、不同压缩比下的重构质量;在特征误差方面,从理论上分析稀疏重构对星点特征的影响机理,提出星点特征重构误差的评价指标,考察星点的质心、亮度和数量特征的重构误差。结果表明,在所选算法各压缩比下,星图相比一般图像能够获得更高的重构质量,重构星点能够在很大程度上保持可用于姿态确定的特征信息,结论保证了利用重构星图进行姿态计算的正确性,进一步验证了压缩感知理论在星敏感器中应用的可行性,为实现星敏感器的压缩成像提供了现实依据。     

基于FOCUSS改进算法的DOA估计方法

传统的DOA估计方法不能有效分辨相干源目标;稀疏重构方法能够处理相干源的DOA估计问题,但现有稀疏重构方法大都是针对无噪声或仅存在观测噪声系统提出的,估计性能有待提高。对于同时存在观测噪声和模型噪声的多观测量模型,提出了一种基于FOCUSS稀疏重构的改进算法,可鲁棒地处理相干源、非相干源的DOA估计问题,有效提高分辨力和估计精度等估计性能。给出了DOA估计的稀疏信号模型以及新算法的推导过程,仿真实验证明了新算法在与其他算法对比时的优越性。     

基于稀疏贝叶斯学习的扩展目标雷达关联成像*

雷达关联成像不依赖于雷达与目标的相对运动,是一种高分辨凝视成像方式。传统的关联成像方法未考虑复杂扩展目标的结构信息,在高分辨成像时的应用受到限制,为此提出一种自适应结构配对稀疏贝叶斯学习方法。该算法在稀疏贝叶斯学习的框架内针对扩展目标建立一种结构配对层次化高斯先验模型,然后采用变分贝叶斯期望-最大化算法交替进行目标重构和参数优化。该算法将某一信号分量的重构与周围信号分量联系起来,并能在迭代过程中自适应地调整表征各信号分量相关性的参数。实验结果表明,该方法针对扩展目标可以有效地进行高分辨成像。     

稀疏贝叶斯学习框架下的扩展目标雷达关联成像

传统的关联成像方法未考虑复杂扩展目标的结构信息,在高分辨成像时的应用受到限制,为此提出一种自适应结构配对稀疏贝叶斯学习方法。该方法在稀疏贝叶斯学习的框架内针对扩展目标建立一种结构配对层次化高斯先验模型,然后采用变分贝叶斯期望-最大化算法交替进行目标重构和参数优化。该方法将某一信号分量的重构与周围信号分量联系起来,并能在迭代过程中自适应地调整表征各信号分量相关性的参数。实验结果表明,该方法针对扩展目标可以有效地进行高分辨成像。     

基于稀疏贝叶斯学习的DOA估计

针对基于l1范数约束的稀疏表示DOA(Direction Of Arrival)估计算法对初始参数较为敏感的问题,提出了一种基于稀疏贝叶斯学习的DOA估计算法。首先通过信号来波方向的空间采样构造冗余字典,将阵列信号处理中的DOA估计信号模型转化为压缩感知中的稀疏重构信号模型。然后基于经验贝叶斯推理的方法,将待估计的稀疏系数值用方差未知的联合高斯分布描述,而未知的方差值决定了待估计系数的稀疏性。通过观测数据估计得到未知的方差,进而得到信号的DOA估计值。仿真结果表明,提出的算法有较高估计精度,并且对非相干信源和相干信源都具有较好的估计性能。     

一种新的特征矢量稀疏重构的DOA估计方法

针对已有的基于特征矢量稀疏重构的DOA估计方法中需要选取平衡残差项与结果稀疏性的正则化参数的问题,提出了一种新的特征矢量稀疏重构求解方法。首先在有限快拍数条件下,由特征矢量估计误差的统计分布特性,得到残差项大置信度的置信区间;再以此置信区间作为约束条件,以解矢量的l1范数作为最小化的目标函数,由此利用二阶锥规化求解时避免了正则化参数的选取。理论分析与仿真实验表明本文算法计算复杂度低;能够对非相干及相干信号的DOA进行估计,且具备很好的解相干性能;低信噪比条件下,对DOA的估计误差随着采样快拍数的增大而减小。     

基于压缩感知原理的融合判别信息的协作表示方法

提出了一种用于视觉分类任务的低计算复杂度且有效的图像表示方法。把协作表示和判别信息结合在统一框架内,是基于协作表示分类方法的一种扩展形式。测试样本的协作表示系数是稀疏的,这种基于冗余和过完备的表示对于遮挡和伪装而言是鲁棒的;此外,通过最小化类内散布矩阵和最大化类间散布矩阵的判别信息的挖掘,对于视觉分类问题也是很有帮助的。在一些基准数据库上的实验表明,提出的方法相对于现有的方法而言能够获得更有竞争力的表现。     

面向监督学习的稀疏平滑岭回归方法

岭回归是监督学习中的一个重要方法,被广泛用于多目标分类和识别。岭回归中一个重要的步骤是定义一个特殊的多变量标签矩阵,以实现对多类别样本的编码。通过将岭回归看作是一种基于图的监督学习方法,拓展了标签矩阵的构造方法。在岭回归的基础之上,进一步考虑投影中维度的平滑性和投影矩阵的稀疏性,提出稀疏平滑岭回归方法。对比一系列经典的监督线性分类算法,发现稀疏平滑岭回归在多个数据集上有着更好的表现。另外,实验表明新的标签矩阵构造方法不会降低原始岭回归方法的表现,同时还可以进一步提升稀疏平滑岭回归方法的性能。     

Modeling of unsupervised knowledge graph of events based on mutual information among neighbor domains and sparse representation

Text event mining, as an indispensable method of text mining processing, has attracted the extensive attention of researchers. A modeling method for knowledge graph of events based on mutual information among neighbor domains and sparse representation is proposed in this paper, i.e. UKGE-MS. Specifically, UKGE-MS can improve the existing text mining technology's ability of understanding and discovering high-dimensional unmarked information, and solves the problems of traditional unsupervised feature selection methods, which only focus on selecting features from a global perspective and ignoring the impact of local connection of samples. Firstly, considering the influence of local information of samples in feature correlation evaluation, a feature clustering algorithm based on average neighborhood mutual information is proposed, and the feature clusters with certain event correlation are obtained; Secondly, an unsupervised feature selection method based on the high-order correlation of multi-dimensional statistical data is designed by combining the dimension reduction advantage of local linear embedding algorithm and the feature selection ability of sparse representation, so as to enhance the generalization ability of the selected feature items. Finally, the events knowledge graph is constructed by means of sparse representation and l₁ norm. Extensive experiments are carried out on five real datasets and synthetic datasets, and the UKGE-MS are compared with five corresponding algorithms. The experimental results show that UKGE-MS is better than the traditional method in event clustering and feature selection, and has some advantages over other methods in text event recognition and discovery.     

基于RCS序列的助推段弹道导弹识别

在弹道导弹的助推段,通过低分辨率雷达得到RCS序列作为识别的重要信息。由于运动特性和电磁散射特性的差异,弹道导弹在助推段的RCS序列与其他目标相比具有可识别性,但需要对其RCS序列进行处理。基于目标识别技术,详细阐述能从RCS序列中提取出的特征参数,并通过直方图、N点截图等方法给出了直观的反映。最后,将弹道导弹助推段特征与飞机、燃料舱等典型目标进行对比,得到可以作为识别参量的特征参数,并通过类内类间距离验证了有效性。     

基于偏差熵的专家聚类赋权方法

在群决策专家聚类赋权过程中,可能出现专家给出的判断矩阵一致性比率与排序向量信息熵都相等但专家意见不同,却被赋予了相同权重的情况。针对上述问题,提出一种基于偏差熵的专家聚类赋权方法。该方法采用聚类分析的思想,基于比例构建相似系数,实现对专家群的分类;引入专家判断矩阵的一致性权重,并综合类容量构建权重指标来反映类别间的差异,确定专家类间权重;最后,在各专家类中建立偏差熵模型,依据类中专家达成一致性意见的贡献程度确定专家的类内权重,并得到专家的总体权重。具体算例表明,该方法可行有效。     

SAR微动目标的稀疏贝叶斯成像方法

SAR微动信息能够反映出目标的属性信息,其微动图像可作为雷达目标识别的一种重要手段。基于SAR微动目标回波的稀疏特性,建立了在过完备词典下的稀疏表示模型,提出一种新的稀疏贝叶斯重构方法——方差成分扩张压缩,该方法仅赋予有重要意义的信号元素不同的方差分量,拥有更少的参数。仿真结果表明,方差成分扩张压缩方法能较精确地估计出SAR目标微动参数,同时能够获得低信噪比条件下较好的微动目标像。     

基于稀疏图的DS-CDMA系统设计

DS-CDMA是在扩频技术上发展起来的多址接入方式,但在用户接入数量过载时难以保证高质量的通信性能。基于此,提出了一种基于稀疏图的DS-CDMA系统。该系统以低密度二分图的形式来描述扩频码片和用户之间的关系,使得参与通信的每个用户只在少量码片上进行非零位扩频调制,最大程度地减少了用户间的相互干扰。借助图模型的相关理论,把适合于稀疏图的置信度传播算法应用于该系统,进行多用户检测,通过码片与用户之间的消息迭代来消除噪声和多址干扰带来的影响。结合计算机仿真,从不同的角度测试了系统的误码率等性能。理论分析与性能验证表明,稀疏图DS-CDMA在接入用户数量远远超过系统容量的情况下,依然具有优良的性能。     

基于部件模型的无人机系统小样本车辆目标识别方法

对地目标检测与识别是无人机系统典型任务之一,但受限于任务特殊性,往往难以获取足够的目标样本数据以实现高可靠的目标识别。为此,结合人的认知特性,提出一种基于部件模型的小样本车辆目标识别方法,可有效提高无人机感知能力。采用视觉显著性检测与物体性检测相结合的检测方法,提取目标可能区域;采用基于图论的GrabCut方法与最大类间方差法相结合的分割方法,分割目标并提取目标内部件;采用基于概率图模型的部件识别方法,通过将部件轮廓稀疏表示为条件随机场,并进行概率推理实现部件识别;采用基于贝叶斯的目标识别方法完成目标是否为车辆的判断。通过无人机拍摄的车辆图像验证表明,算法可在样本较少、光照变化、存在遮挡等情况下,以较高准确率检测并识别出车辆目标,同时识别算法具有一定可解释性。     

融合图嵌入的光滑主成分分析网络图像识别算法

主成分分析网络(principal component analysis network, PCANet)是一种简单的深度学习算法,在图像识别领域具有优秀的性能。将图嵌入思想融入PCANet,提出一种新的图像识别算法光滑主成分分析网络(Smooth-PCANet)。为了验证Smooth-PCANet算法的有效性,在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。     

融合图嵌入的Smooth-PCANet图像识别算法

主成分分析网络（Principal Component Analysis Network,PCANet）是一种简单的深度学习算法,在图像识别领域具有优秀的性能。然而PCANet在构建网络卷积核时只关注了图像的主分量信息,忽视了近邻像素点之间的位置关系。而通常情况下,图像的相邻像素点具有空间强相关性,因此利用图结构保持像素点的位置近邻关系更有利于网络提取有效特征。因此,我们将图嵌入思想融入PCANet,提出一种新的图像识别算法Smooth-PCANet。为了验证Smooth-PCANet算法的有效性,我们在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。