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。

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。

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。

针对高光谱图像邻近波段相关性强的特点，结合粒子群优化算法的快速寻优能力，提出一种基于谱间相关性的高光谱图像稀疏分解算法。将高光谱图像分组为参考波段图像和普通波段图像，参考波段图像采用粒子群寻优找到最优原子，实现稀疏分解。普通波段图像的最优原子由两部分构成，一部分原子从参考波段图像的最优原子继承而来，继承个数由普通波段图像与参考波段图像的谱间相关性确定，其余原子则由粒子群搜索得到。对高光谱数据集进行稀疏分解，验证算法的分解效率，结果表明，在重构图像精度相当的条件下，稀疏分解速度比正交匹配追踪算法快约18 倍。

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。

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。

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。