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。     

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。     

一种基于非负矩阵分解的语音增强算法

文章提出了一种基于非负矩阵分解的语音增强算法。该算法包括两个阶段,训练阶段和增强阶段。训练阶段通过非负矩阵分解算法对纯净的噪声频谱进行训练,得到噪声字典矩阵,保存其作为增强阶段的先验信息。增强阶段首先通过非负矩阵分解算法对带噪语音的频谱进行分解,然后联合噪声字典矩阵和推导得到的相应迭代公式对语音字典矩阵和语音编码矩阵进行估计,重构增强语音。仿真结果表明,文中增强方案在抑制背景噪声,提高信噪比和减少语音失真方面要优于传统的语音增强算法。     

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。     

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.     

未知数量稀疏源盲分离的一种新方法

提出了一种新的用于未知数量稀疏源盲分离的统一方法。为了改善聚类分离的精度,该方法选取混合空间中半径给定的、中心位于原点的超球面以外的所有数据点,然后将这些数据点映射到中心位于原点的单位超球面上以得到集合Cy。由此,原来的聚类变为致密聚类,各聚类互相重叠的现象几乎消失。随后,先通过关于Cy的聚类分离来估计混合矩阵,再根据混合矩阵估计源,其中最佳不相似阈值和相应的聚类数量是自动生成的。计算机仿真结果验证了该方法对具有不同程度稀疏性源的有效性。当源充分稀疏时,重构信噪比大约是300 dB。因此,该方法精确、便利。     

利用迭代线性约束最小二乘方法实现不规则阵列的方向图综合

研究了用自适应波束形成技术实现不规则阵列的方向图综合问题,改进了应用于方向图综合的迭代线性约束最小二乘方法,改进后的算法提高了数值稳定性和对随机稀疏阵的适应性。对特定的阵列如果指定的理想方向图无法达到,该算法可以获得最好的逼近。仿真结果验证了算法的性能。     

幅相误差对稀疏阵天线性能的影晌

围绕天线阵增益、波束宽度、指向和副瓣电平等指标，分析了幅相误差、阵元失效对稀疏阵列天线性能的影响。应用概率统计原理，导出了具有幅相误差、阵元失效时稀疏阵天线阵增益损失、波束宽度、指向、副瓣电平的估计公式、并得出一些有益结论。     

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。     

改进的稀疏子空间聚类算法

在现有的稀疏子空间聚类算法理论基础上提出一个改进的稀疏子空间聚类算法:迭代加权的稀疏子空间聚类。稀疏子空间聚类通过解决l1最小化算法并应用谱聚类把高维数据点聚类到不同的子空间,从而聚类数据。迭代加权的l1算法比传统的l1算法有更公平的惩罚值,平衡了数据数量级的影响。此算法应用到稀疏子空间聚类中,改进了传统稀疏子空间聚类对数据聚类的性能。仿真实验对Yale B人脸数据图像进行识别分类,得到了很好的聚类效果,证明了改进算法的优越性。