应用局部约束二维稀疏表示识别SAR图像目标

在分析典型稀疏表示分类方法和局限性的基础上,提出了一种基于局部约束的二维稀疏表示方法,以有效解决SAR图像目标识别问题。该方法对SAR图像进行图像预处理,在兼顾图像相邻列(行)对应稀疏表示系数邻近性和样本间局部性的基础上,构建了局部约束目标函数,并通过解闭式解,实现稀疏表示系数的更新求解。利用美国实测MSTAR数据对算法进行了仿真验证,实验结果表明所提出的方法可实现SAR图像目标的有效识别,并对训练样本数目具有一定的鲁棒性。     

基于多尺度稀疏字典的SAR图像目标识别方法

针对合成孔径雷达目标识别问题,提出一种基于多尺度稀疏字典的SAR图像目标识别方法。稀疏字典选择是稀疏表示中的关键问题之一,该方法利用小波多尺度分析构造过完备稀疏字典,将训练样本图像在小波解析域中进行小波多层分解,充分利用小波多尺度分析突出图像局部特征的特点,并和过完备稀疏表示有效结合组成级联字典。通过求解测试样本相应的稀疏系数矢量并根据系数矢量中对应训练样本类别的重构误差判定目标类型。实验结果表明,该方法在识别前无需对SAR图像进行预处理,具有良好的识别效果。     

利用阵列协方差矩阵稀疏性的到达角估计方法

为了解决传统基于阵列协方差矩阵稀疏性到达角估计方法计算复杂度高的问题,提出基于直接二维稀疏重构思想的高效到达角估计方法。该方法利用阵列输出数据的协方差矩阵构造二维稀疏表示模型,对协方差矩阵进行特征值分解以实现噪声功率估计,从而降低噪声对到达角估计的影响。在求解稀疏表示模型时,直接对该二维稀疏重构问题进行求解,避免了矩阵矢量化操作。仿真实验结果表明,该方法运行效率大大提高,并且在低快拍数、低信噪比和稀疏阵元等条件下估计性能优于传统方法。     

求解压缩感知中信号重构问题的原始对偶算法

压缩感知理论(CS)是对信号压缩的同时进行感知的新理论,而如何通过有限的测量值准确地重构稀疏信号是压缩感知理论中的核心问题。为求解稀疏信号的重构问题,文章利用了一种基于邻近点算法的自适应一阶原始对偶算法,并证明了其全局收敛性,该算法通过研究l1范数最小化来求解信号重构问题。最后,对提出的算法进行数据仿真,并与压缩采样匹配追踪(CoSaMP)算法进行了对比,数据表明文章提出的算法计算速度更快。     

基于稀疏表示和非参数判别分析的降维算法

针对人脸识别问题提出一种新的监督降维算法。算法首先基于稀疏表示理论,利用同类样本间的稀疏重构来构建图。此方案不仅可以克服传统图构造方法中参数选择的困难,而且能够更好地刻画类内信息。然后,算法采用非参数类间离差来刻画类间信息,非参数类间离差在处理复杂分布数据时相比于参数类间离差更具判别力。最后,算法通过保持类内稀疏重构关系的同时最大化非参数类间离差来求得最优的投影矩阵。在ORL和Extended Yale B公共人脸数据库的实验表明,该算法能够获得较好的识别结果。     

基于小字典训练的语音增强算法

文章提出一种基于小字典训练和过完备稀疏表示的语音增强算法。该算法通过构造过完备的小字典并使用带噪语音的幅度谱对其进行训练来实现。训练过程中通过不断地使用K-SVD算法更新字典矩阵和相应的稀疏系数矩阵来实现对纯净语音的提取,达到语音增强的效果。该方法不同于传统增强算法需要对噪声进行估计与抑制,而是通过稀疏表示将纯净语音从带噪语音中分离出来。主客观测试结果表明,本文方法较好地消除了随机噪声,低信噪比情况下增强效果明显优于传统算法,且能够避免产生音乐噪声。     

A Fast Algorithm for Blind Sparse Source Separation

提出一种快速的稀疏信号重构算法,通过定义一个连续可微函数近似l0范数,采用最小化l0范数的方法实现对稀疏源信号的估计.该算法的特点是实现简单,速度快.采用人工生成的信号将算法与通过l1范数最小化的快速稀疏信号重构算法和OMP算法进行了比较.最后,将该算法用于实际信号的欠定盲源分离.仿真实验表明,算法在保证信号分离性能的前提下大幅度提高了算法的运行速度.     

基于四阶累积量阵列扩展的稀疏分解方法

提出了一种基于四阶累积量稀疏表示的估计方法,解决信号数多于阵元数时的DOA估计问题。该方法首先构造了包含所有DOA信息的最小冗余矢量,利用扩展阵列的最小冗余导向矢量构造完备字典减小完备字典的复杂度;然后利用L1范数作为稀疏约束条件建立稀疏模型进行DOA估计。理论分析和仿真实验,验证了该方法能够估计出的信号个数大于阵元数目,可直接应用于相干信号,比MUSIC-like算法具有更好的性能。     

基于深度时频特征学习的雷达辐射源识别

针对雷达辐射源识别中拓展能力不足和识别率不高问题进行研究,提出一种基于深度时频特征学习的智能识别方法。基于降采样短时傅里叶变换高效提取具备较高辨识度和稳定性的浅层二维时频特征,利用信号局部频域维稀疏性完成降噪等预处理；设计用于深度特征学习与识别的卷积神经网络,并采用不同尺度卷积核组合扩展网络广度,强化特征表征能力；利用高信噪比条件下8种辐射源信号样本对网络进行训练调优,低信噪比样本测试验证算法和网络的有效性。仿真结果表明,该方式在-8 dB信噪比条件下能达到98.31%的整体平均识别率,具备较强的鲁棒性。     

含噪稀疏信号重构的l0范数期望值最小化方法

压缩感知理论是对信号压缩的同时进行感知的新理论,而如何通过有限的测量值重构稀疏信号是压缩感知理论中的核心问题。针对测量值受噪声污染的含噪稀疏重构问题,提出了近似l0范数期望值最小化方法。该算法基本思想是将含噪稀疏重构问题转化为近似l0范数期望值最小化问题,并利用噪声的统计特征将随机最优化问题化简为常规的最优化问题,然后采用最速下降法求解。数值仿真表明,本文提出的方法具有更好的重构精度,且计算量较小。     

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。     

基于改进K-L变换的特征提取技术

在模式识别中,为解决样本增加时,反复使用传统K L变换进行特征提取耗时多的缺点,提出了一种改进的K L变换方法,该方法利用快速递推算法来计算协方差矩阵,并使用矩阵扰动理论来求解协方差矩阵的特征值和特征向量。仿真试验表明该方法在确保计算精度的前提下,大大减少了运算时间。     

采用编码降维及DTW算法改进的船舶航迹聚类

船舶航迹的时序特性在船舶航迹异常检测中至关重要,为了提取船舶航迹的时序特性,提出了一种基于编码降维及DTW(dynamic time warping)算法改进的船舶航迹聚类算法。为了避免二维时间序列DTW度量容易失去属性之间相关性的问题,该算法提出一种编码降维方法将船舶二维时间序列转化为一维时间序列;为了满足计算效率要求,该算法首先从最小粒度压缩角度对DTW算法进行了改进,然后又从度量搜索角度对DTW算法实现进一步的改进。实验结果表明编码降维后的时间序列有效保留了属性之间的相关性;改进后的DTW算法有效提高了计算效率;同时该航迹聚类算法有效提取出船舶航迹的时序特性。     

SURF算法在铸造缺陷无损检测中的应用

通过对铸造缺陷无损检测方法的研究,依据X射线成像特点,提出了一种基于SURF算法的自动检测方法:首先对标准样本图像构件采用SURF算法提取相应的特征值,得到样本构件的SURF特征;然后在旋转工作台旋转一周范围内提取待检产品的SURF特征,并与样本构件进行匹配;最后根据特征点的匹配个数判定产品是否含有此构件。实验结果表明,该方法能够准确地检测出产品是否含有特定构件,为铸造缺陷无损检测提供了一种新的检验方法。     

基于LPP的某型柴油机润滑油光谱数据分析

为解决通过光谱数据进行工况识别困难的问题,提出了一种基于局部保留投影算法(LPP)对柴油机原子发射光谱数据降维的新方法,并对降维后的数据进行了聚类分析。结合某型柴油机实验台架,通过改变汽缸套和活塞间隙,制定了7种磨合工况,获得69个润滑油样本的原子发射光谱仪数据。利用上述方法,能较为有效地将不同工况下的油样聚类。实验结果证明了该方法在润滑油光谱分析中的有效性。     

基于RPCA与空间相关约束的运动目标检测方法

传统的RPCA方法使用L1范数约束前景目标,对于很多复杂的环境往往不能很好地逼近真实前景区域。复杂环境下的目标检测受到背景杂波、噪声、光照变化、场景中存在阴影等因素的影响,需要尽可能引入先验信息提升鲁棒性。利用RPCA这一正在发展的工具,在矩阵低秩稀疏正则化框架下将矩阵求解与视频前景目标的空间连续性结合起来,引入TV范数约束前景的空间连续性,从而弥补现有低秩表示方法的不足。采用交替迭代的思想,使用增广拉格朗日乘子法对目标函数进行优化求解,实现复杂环境下的运动目标检测。使用视频数据集进行算法测试,与其他有代表性的方法对比,该算法在准确性和鲁棒性方面均有很大提高。     

基于小波域字典学习方法的图像双重稀疏表示

提出了一种有效地结构化字典生成算法以及图像双重稀疏表示方法.在Rubinstein等提出的图像双重稀疏表示模型的基础上,引入小波零树结构,将同一空间位置对应的同方向跨尺度小波基函数的线性组合作为新的基函数,并通过K-SVD学习算法得到线性组合系数,由此得到了一种更加切合图像方向特征的结构化字典学习算法.在此基础上提出了相应的图像分解与重构算法.遥感图像M项逼近实验以及压缩仿真实验表明,本文提出的结构化字典比已有的字典具有更好的图像稀疏表示效果.     

基于合成特征参数和脉冲样本图的雷达信号分选

雷达脉冲信号的分选是电子战争中的研究热点,同时也是难点问题.针对雷达所截获的辐射源脉冲提出了一种基于合成特征参数值(CCP)的脉冲样本图分选算法.算法利用全脉冲数据的特征参数,根据每一个特征参数的差异性对特征参数值进行编号,通过编号值可以得到依据该特征参数值对脉冲的分类个数,进而计算出单一特征值的加权系数.通过加权系数对每一个特征参数的加权得到合成的特征参数,然后结合每一类信号的脉冲到达时间,提出了脉冲样本图匹配分选的新算法.与传统的PRI分选相比,脉冲样本图分选具有较小的运算量,计算机仿真试验表明该算法能够实现对信号的分选.     

基于不完全测量数据的飞行器轨迹参数估计

提出基于稀疏优化的轨迹参数估计新方法,通过降低参数空间的维数改善模型的病态性。利用B样条函数实现轨迹参数的稀疏表示,根据轨迹参数与测量数据的关系建立估计轨迹参数的稀疏表示寻优模型,采用高斯牛顿法获得模型的解。寻优模型中待估参数的数量取决于样条节点数,利用样条函数的高阶导数在节点处的不连续性建立了选取样条节点的稀疏优化模型,采用凸优化方法求解该模型,实现样条节点数的最小化。仿真结果表明,稀疏优化方法能够大幅度提高不完全测量段落轨迹参数的估计精度。     

脉冲功率电源故障诊断方法研究

脉冲功率电源是电磁发射系统中最容易发生故障的薄弱环节,脉冲功率电源故障会使整个系统性能下降。针对脉冲功率电源故障,提出基于多层小波分析提取故障信息的模式搜索支持向量机故障诊断方法。通过建立脉冲功率电源的软故障模型,进行仿真分析获得电流故障数据样本,对故障样本进行离散小波分解,获得指定层细节信息的小波系数作为故障特征量;对故障特征量进行主成分分析,将小波系数进行降维,以便有效地进行故障诊断。通过实验,将所提方法故障诊断结果与其他三种故障诊断结果进行比较,验证了所提方法的有效性。