目标或目标组成部分的机械振动或旋转产生微多普勒效应，在目标分类和识别中起着重要作用。然而，环境中许多物体(例如风力涡轮机、空调等)的微多普勒效应对雷达系统而言就像时变的杂波，导致雷达探测性能下降。本文针对外辐射源雷达微动杂波影响目标检测的问题，提出了一种基于稀疏度自适应匹配追踪改进算法(SAMP)的微动杂波抑制方法。考虑到微动杂波的稀疏特性，将复杂的微动杂波抑制问题转化为稀疏信号表示问题，分离微动杂波并将其抑制，便于目标观测。相比于原SAMP 算法，改进后的SAMP 算法能自动调整步长并在残差达到自适应阈值后快速停止迭代。仿真和实测数据验证了所提方法的有效性。

针对光纤布拉格光栅(FBG)传感信号易受外界噪声干扰从而导致信号丢失的问题, 提出了一种改进型正交匹配追踪(OMP)算法。围绕FBG传感信号波长随应力漂移的本质特征, 在压缩感知理论的框架下, 通过去除稀疏系数中的虚部, 并利用指数饱和法对非零元素进行拟合与排序, 从而获取FBG信号的有效稀疏度。在此基础上, 通过改进经典OMP算法迭代过程中的原子选择策略与终止条件, 有效降低算法复杂度并提高信号的重构精度。对比实验结果表明, 所提出的算法在时间复杂度、信噪比与信号重构精度等方面均具有突出的优势。

基于压缩感知的匹配追踪算法可以用较短导频序列估计大规模天线通信系统稀疏信道, 具有计算复杂度低, 需要导频数量少的优点, 但信道估计精度不高。依据估计误差大小给各次迭代获得的信道估计值加权, 能在低信噪比(SNR)条件下提高估计精度, 但会降低高SNR条件下的估计精度。为了解决这个问题, 文章提出了一种改进的加权匹配追踪算法。先通过对信道数据训练获取权值信息, 然后随迭代次数自适应调整权值, 从而改善估计精度性能。仿真结果表明, 改进算法在保证低SNR估计精度前提下, 改善了高SNR条件下的估计精度性能。

压缩感知(CS)是一种新兴的信号压缩和采样技术, 正交匹配追踪(OMP)是一种贪婪追踪算法, 广泛用于压缩感知领域中的稀疏信号重构。 针对近红外光谱信号高维小样本以及信号稀疏先验的特点, 为进一步提高小样本近红外光谱变量选择的灵活性和可靠性, 基于压缩感知理论, 提出了一种新颖的光谱变量选择方法正交匹配追踪变量选择(OMPBVS)。 OMPBVS算法通过对原始光谱信号的稀疏重构, 将绝大部分变量的回归系数压缩为0, 进而间接实现光谱变量选择。 具体过程为以光谱矩阵为传感矩阵, 预测变量为观测变量, 迭代地计算残差与原子的内积, 选择内积最大的原子, 在每一步迭代过程中将信号投影到由所有已经被选择原子张成的子空间上, 然后对所有被选择原子的系数进行更新, 使得产生的残差与已被选择的所有原子都正交, 其残差计算的实质是进行Gram-Schmidt正交化, 正交投影能够在保证信号重构精度的情况下减小迭代次数。 OMPBVS具有将光谱维度降低至样本大小规模的能力, 其变量选择能力与LASSO相当, 但与LASSO相比, 由于OMPBVS损失函数的优化方法是前向选择算法, 减少了迭代次数, 并且可以精确控制选择变量的数量。 分别在beer数据集和Wheat kernels数据集上进行变量选择实验, 比较PLS, MCUVE-PLS, CARS-PLS, WMSCVS, LASSOLarsCV和OMPBVS六种变量选择方法的性能。 其中beer数据集共60个样本, 采用Kennard Stone (KS)方法划分训练集样本36个, 测试集样本24个, 预测变量为Original extract concentration。 Wheat kernels数据集共523个样本, 训练集样本415个, 测试集样本108个, 预测值为蛋白质含量。 OMPBVS方法在beer数据集上选择变量个数、 RMSEC和RMSEP分别为2, 0.205 2和0.159 8, 在Wheat kernels数据集上选择变量个数、 RMSEC和RMSEP分别为9, 0.450 2和0.412 5, 其变量选择能力和模型性能均好于其他五种方法, 这说明OMPBVS是一种有效的近红外光谱变量选择和定量分析方法。 OMPBVS变量选择方法在小样本情况下具有良好的泛化能力, 能够减少选择变量的数量, 提高变量选择的稳健性。 此外, 基于SNV和MSC等光谱预处理方法, 能够在一定程度上减少选择变量的个数, 提高模型的可解释性。

稀疏恢复算法进行DOA估计时需要在角度空间进行网格化量化处理。针对该量化过程会引入的量化误差从而影响估计性能的问题, 本文通过导向矢量的一阶泰勒展开式将量化误差引入阵列输出的二阶矩模型。基于该模型设计了一种使用噪声子空间矢量进行修正的OMP算法对DOA和量化误差进行联合估计。新算法基于阵列协方差矩阵对于快拍数的依赖稍显敏感但是弥补了贪婪算法对DOA分辨力的不足并且不需要预知信源个数, 同时计算量对比现有的基于lp范数约束的凸优化方法大大降低。仿真实验验证了所提算法的有效性。

针对传统信道估计算法导频开销大而直流偏置光正交频分复用(DCO-OFDM)系统频带利用率低的问题, 提出了基于压缩感知深度优先多路径匹配追踪(MMP-DF)的水下光信道估计方法。该方法利用DCO-OFDM系统的导频处频域响应构建压缩感知模型, 将MMP-DF算法用于水下光信道估计中, 进而估计出信道时域脉冲响应。仿真结果表明: 在DCO-OFDM系统中, 与传统信道估计算法相比, 该方法所需导频开销小但估计精度高; 导频数量较少时, 估计精度优于正交匹配追踪(OMP)算法。

静态随机存取存储器(SRAM)电路的失效是极小概率事件, 并且不同电路条件下的失效区域边界可能相距很远。因此, 为了更高效地获得更精准的SRAM成品率预测结果, 提出一种基于正交匹配追踪(OMP)算法的SRAM性能分组建模方法, 并应用于典型SRAM电路成品率的预测。此方法主要根据不同SRAM电路条件下失效区域边界距离的差异将仿真数据划分为多组, 之后利用OMP算法对不同组的数据分别建立多项式模型, 该模型可用于对SRAM电路的成品率进行快速分析预测。与标准蒙特卡洛统计算法及基于OMP的单一建模方法相比, 基于OMP的分组建模方法不仅可以缩短建模时间, 提高建模准确度, 还能够获得更加精确的SRAM成品率预测结果。

云的定量识别在卫星数据反演中非常重要。云检测结果的质量直接影响各种反演产品的准确性。云检测实际上是一种目标识别和分类的过程, 检测的目的是为了特征提取, 因此,大量信号与系统中的新兴算法都被运用于云检测的技术研究中来。匹配追踪算法是近年来发展起来的非常有效的特征提取算法, 而正交匹配追踪算法更能有效提高信噪比。因此文中利用正交匹配追踪算法与多通道阈值法相结合, 进行了卫星云图云检测的相关研究。通过MODIS的云检测试验表明, 将正交匹配追踪算法应用到多光谱云图的信息处理中可以有效提高云检测的精度。

压缩感知理论是信号采集和处理的一门新理论, 它突破了传统的nyquist-shannon(奈奎斯特-香农)采样定理对采样频率的要求, 可以利用远小于采样定理要求的采样次数来重构原始信号[1]。首先介绍了三种常用的随机矩阵的构造方法, 随后介绍了不同类型的压缩感知算法, 并对其中两种算法进行了仿真与比较, 在此基础上仿真了不同测量矩阵下不同噪声水平下算法对图像重构质量的影响, 经过仿真分析TVAL3算法在图像重构时间和噪声抑制方面表现突出。