1 江苏开放大学信息化建设处, 江苏 南京 210036
2 南京信息工程大学 电子与信息工程学院, 江苏 南京 210044
3 南京信息工程大学 江苏省大气环境与装备技术协同创新中心, 江苏 南京 210044
针对实际水声信道无法获知先验稀疏度和导频资源问题, 提出一种改进的稀疏度自适应弱选择匹配追踪算法(MSASWOMP)。将稀疏度初始估计作为初始支撑集的大小, 对原子进行阈值弱选择得到的原子支撑集作为回溯筛选的候选集; 再以初始支撑集大小为回溯开始初始条件值进行二次筛选; 最后利用变阶段步长方法进行稀疏度逐步精确估计, 自适应更新回溯开始条件值。仿真实验分析了阈值参数、稀疏度估计步长和导频数目对于 MSASWOMP算法的影响, 结果表明, 该算法能以更少的导频数目获得更精确的信道估计值, 节省导频资源的同时, 其均方误差 (MSE)优于传统算法。
水声信道 稀疏度自适应 回溯思想 匹配追踪 underwater acoustic channel sparsity adaptive retrospective thinking match pursuit 太赫兹科学与电子信息学报
2023, 21(1): 65
针对公共环境中的声音事件识别问题,提出基于自适应粒子群优化(PSO)匹配追踪(MP)稀疏分解的声音事件识别算法。该算法在分析MP稀疏分解的基础上,先基于适应度函数改进PSO算法相关参数的自适应设置,再基于自适应PSO算法构建优化MP稀疏分解的目标函数及信号重构函数,实现自适应PSO算法优化MP稀疏分解,从而借助连续Gabor超完备集来提高最优原子的匹配程度,增强声音信号,提高特征的分类性能,最后使用优化的支持向量机(SVM)和复合特征实现公共环境中的声音事件准确识别。实验结果表明,与已有算法相比,所提识别算法显著降低了计算量,并取得了最优的声音识别率,且具有较好的识别鲁棒性。
机器视觉 声音事件识别 自适应粒子群算法 匹配追踪 稀疏分解 支持向量机 激光与光电子学进展
2020, 57(10): 101502
正则化正交匹配追踪算法由于重构效率高在信号重构中得到广泛应用, 然而该算法需要以信号稀疏度为先验条件, 若稀疏度水平估计不合适会造成重构结果不稳定.针对该问题, 提出了一种基于弱选择正则化的正交匹配追踪算法.该算法可以实现在信号稀疏度未知的条件下, 根据弱选择标准对算法中每次迭代产生的余量与观测矩阵之间的相关性进行判定, 并且自适应地确定表示原信号的原子数目和原子候选集, 进而通过正则化原则从候选集中快速有效地挑选出完成信号重构的最优原子组.数值实验表明, 所提出算法和其它贪婪算法相比较, 峰值信噪比提高0.5~1.5 dB, 最小均方差也明显降低, 图像信号重构效果优于其它同类算法.
压缩感知 弱选择 正则化 匹配追踪 信号重构 Compressed sensing Weak selection Regularize Match pursuit Signal reconstruction
