基于估计协方差MME检测的频谱感知算法

针对小采样数据长度下,采样协方差矩阵对统计协方差矩阵估计不准,影响传统最大最小特征值(MME)检测算法检测性能的问题,提出一种基于逼近收缩(OAS)矩阵估计的改进MME检测算法。首先利用OAS估计量对采样数据做协方差矩阵估计,再对估计协方差矩阵特征值分解,将最大最小特征值之比作为检测统计量,克服了传统MME算法检测门限随采样点大幅波动的缺陷,提高了检测门限的鲁棒性。仿真结果表明,所提算法的检测门限具有鲁棒性,检测性能提高了1 d B~2 d B。     

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。     

压缩感知新技术专题讲座(二) 第4讲 压缩感知理论中测量矩阵的构造方法

压缩感知(CS)是近年来针对稀疏信号或可压缩信号提出的,在信号采样的同时对其进行高效压缩的一种新理论。在压缩感知理论中,测量矩阵对信号采样方式和重建精度有着重要的影响。文中阐述了测量矩阵的构造对压缩感知性能的影响,介绍了设计测量矩阵时所需满足的约束等距性(R IP)条件,回顾了已有的测量矩阵构造方法,总结了近几年来测量矩阵构造的新方法及所构造矩阵的特点,并指出了测量矩阵研究的发展方向。     

主瓣抗干扰算法研究

天线方向图旁瓣存在干扰时,传统的抗干扰算法能起到很好的抗干扰效果。当干扰存在主瓣,干扰和信号十分接近时,干扰被消除同时,期望信号也将被抑制,出现自适应天线方向图主波束严重变形,旁瓣电平升高的问题。文章介绍阻塞矩阵方法,引入基于信号正交子空间投影算法,有效地解决了上述问题,并克服了阻塞矩阵方法消耗阵列自由度和对干扰信号到达角敏感的缺点。仿真结果证明新算法的有效性。     

压缩感知理论与光学压缩成像系统

压缩感知理论为提升信息获取能力提供了新的思路,它表明当被探测信号具有稀疏性时,则获取信号所必需的测量数据与其稀疏度K量级相当,而远小于信号的维数N(Shannon采样定理所要求的采样数)。基于压缩感知理论的成像技术(压缩成像)则将感知、压缩和数据处理三个过程完美地结合在一起,避免了传统成像系统"先采样再压缩"方式带来的传感器和计算资源浪费。本文从稀疏性、投影测量矩阵的设计与可重构条件、压缩感知重构算法三个方面概述了压缩感知理论及进展,并以光学成像为背景,详细阐述了最近提出的几类光学压缩成像系统,最后,探讨了压缩感知及压缩成像方面目前所面临的一些挑战性问题。     

用于卫星干扰源定位的压缩感知DOA估计方法

针对传统测向方法的实际应用性能较差,提出一种基于压缩感知(CS)的卫星干扰源定位方法。根据干扰信号方位角的空间稀疏性,建立了压缩感知波达方向(DOA)估计模型。通过协方差矩阵的高阶幂逼近信号子空间和矩阵的共轭对称特征,利用高阶幂矩阵的主对角线下左下角列向量进行波达方向估计。仿真实验验证,该方法不需要已知干扰源数,具有较高的精度和较好的分辨力,且能满足对相干干扰信号的估计。对压缩感知DOA估计在卫星干扰源定位中的应用具有一定参考意义。     

子空间投影后波束形成的导航接收机抗干扰性能分析

利用导航信号淹没于干扰信号和热噪声的特点,将天线阵列接收的空时信号矢量向干扰子空间的正交子空间投影以实现干扰抑制。当接收机对投影后的单阵元数据捕获成功后,利用捕获估计的本地扩频码相位作为参考信号,依据最小均方误差准则进行波束形成。仿真结果表明该抗干扰算法在零陷强干扰的同时使主波束指向导航信号来波方向,有效提高了阵列输出信干噪比,并降低了空时自适应处理对导航信号伪码相关峰形状和载波跟踪性能的影响。     

基于FOCUSS二次加权的DOA估计方法

针对■-SVD、FOCUSS等稀疏重构算法应用波达方向(DOA)估计时,存在或运算量大、或精度不高的问题,提出了一种基于FOCUSS二次加权的信号DOA估计方法。将传统DOA估计表述为稀疏表示的信号模型,通过贝叶斯理论推导目标函数的最优解及加权矩阵,并在迭代过程中对结果进行二次加权优化,进一步增强恢复结果的稀疏性,提高恢复性能。仿真实验证明了该方法的优越性:与其他稀疏重构方法相比,该方法恢复精度高、稳健性好、运算量低。     

利用时频稀疏性的跳频信号盲检测和参数盲估计

针对在低信噪比的稳定分布噪声和定频干扰背景中,跳频信号检测和参数估计性能不佳的问题,利用分数低阶短时傅里叶变换得到时频矩阵;对时频矩阵按频率行去均值,抑制定频干扰;通过时频峰值优化、时频矩阵清洗和强化处理,降低频谱泄漏和噪声对跳频信号时频稀疏性的影响;利用此稀疏性进行检测和估计,即根据跳频信号在驻留时间内的连续性检测跳频信号,估计跳频频率;根据驻留时间起点及间隔,估计跳变时刻和跳周期.仿真结果表明,在低信噪比下,该算法的检测和参数估计性能均有较大提高,且优于现有算法.     

一种非对称鲁棒性盲水印算法

针对数字图像版权保护,提出一种非对称鲁棒性盲数字水印方法。通过将水印嵌入到最少受图像改变影响的子空间,使嵌入水印具有鲁棒性,且通过对特征子空间的选取限制,使算法具有较高的检测概率和安全性以及较低的虚警概率。同时,水印嵌入矩阵与提取矩阵不同,它可公开除密钥外的所有其它的信息,而且能实现水印盲提取。实验结果证明了该算法的鲁棒性。     

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。     

基于修正的子空间正交测试宽带DOA估计方法

投影子空间正交性测试法(TOPS)是利用宽带信号多个频点的噪声子空间与信号子空间的正交性实现到达角(DOA)估计。在中等信噪比时该方法估计性能较好,而在其他信噪比条件下空间谱易存在多个"伪峰",算法性能依赖于参考频点的选择。针对该问题,提出了一种新的TOPS算法,该方法通过最大化各频率点信号子空间与噪声子空间特征值区分度选择参考频点,同时利用信号子空间投影代替其零空间投影,避免信号子空间估计误差导致空间谱中产生伪峰,最后利用子空间的正交性实现宽带DOA估计。仿真结果表明,相比于传统的TOPS算法,该方法在一定信噪比条件下,避免了伪峰的出现,提高了TOPS算法的估计精度和分辨率。     

基于子空间投影波束形成技术的导航接收机抗干扰算法研究

阵列天线空时自适应处理通过联合空域和时域的自适应滤波处理技术能够有效提高导航接收机的窄带和宽带干扰抑制性能。利用导航信号淹没在干扰信号和热噪声的特点，本文提出先将天线阵列接收的空时信号矢量向干扰子空间的正交子空间投影以实现干扰抑制，当接收机对投影后的参考阵元数据捕获成功后，利用捕获估计的本地扩频码相位作为参考信号依据最小均方误差准则进行波束形成。仿真结果表明该抗干扰算法在零陷强干扰的同时使主波束指向导航信号来波方向，有效提高了阵列输出信干噪比，并降低了空时自适应处理对导航信号伪码相关峰形状和载波跟踪性能的影响。     

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。     

基于压缩感知的多频率信号融合

传统多频带雷达信号融合是利用多个连续采样的子带信号来重构全频带信号,从而提高距离向分辨力,改善一维距离像质量。但是由压缩感知原理可知,采样矩阵与测量矩阵不相关性越大,全频带信号就能重构得越好,因此理论上基于随机采样的信号融合的性能要优于基于多个连续采样的信号融合。基于压缩感知原理将传统的多频带融合问题推广为任意随机采样的信号重构问题,利用基追踪方法来重构全频率信号,并给出了能够高概率成功重构的充分条件。通过实验也证明了这种随机采样融合的优越性。     

导向矢量正交分解的离格信号DOA估计

当存在离格信号时,网格失配将导致基于压缩感知理论的DOA估计算法估计性能严重下降。为解决这个问题,在对接收数据协方差矩阵进行KR积变换的基础上,提出了一种基于压缩感知理论下的导向矢量正交分解的离格信号DOA估计算法。算法利用信号导向矢量与其一阶导函数矢量间的正交性构建了新的离格信号导向矢量模型,并基于最小二乘法对离格信号的网格偏离量进行估计。在构建稀疏重建模型时,采用ILSSE方法精确估计噪声协方差矩阵,提高了稀疏重建的精度。仿真结果表明,所提算法在不同信噪比和不同的网格间距下对离格信号DOA都有较好的估计精度。     

Volterra级数模型的非线性压缩测量辨识算法

针对非线性系统的辨识问题,提出了非线性压缩测量辨识算法,且推导出了一种符合压缩感知测量准则的测量模型。相比递归最小二乘法,该方法极大地减少了所需的测量数,使得高阶Volterra级数辨识成为可能。此外,还分析了实际应用中的各项因素对辨识准确性的影响,如信号稀疏度、测量噪声、测量矩阵形式等。     

基于稀疏子空间聚类的人脸识别方法

在现有的稀疏子空间聚类算法理论基础上给出两种稀疏子空间聚类优化算法:稀疏线性子空间聚类和稀疏仿射子空间聚类。这两种优化算法针对不同的数据集会有不同的聚类效果。通过稀疏表达得到不同的稀疏系数矩阵,把稀疏系数矩阵应用到较为简单的改进的正则化谱聚类算法中实现聚类。应用Yale B数据对人脸图像进行识别分类得出:采用稀疏线性子空间聚类算法优于稀疏仿射子空间聚类算法;在算法执行时间上和算法聚类错误率比传统的稀疏子空间聚类较为快速高效。