基于信號稀疏表示的重構(gòu)與分類算法研究.pdf

1、作為壓縮感知理論的研究核心之一,對冗余字典下信號稀疏表示理論的研究越來越受到人們的重視,該方法的核心是為了在變換域上,利用盡可能少的原子的線性組合來逼近原始信號,通過得到為數(shù)不多的非零信息來揭示信號的本質(zhì)特性,從而使對信號的處理變得高效而又簡單。本文基于稀疏表示的相關(guān)理論,重點(diǎn)研究了基于匹配追蹤思想的信號重構(gòu)與分類算法。
　　基于稀疏表示的圖像重構(gòu)中,介紹了經(jīng)典的匹配追蹤類算法,詳細(xì)地分述了各算法的思路、流程及特點(diǎn),并針對原有的

2、SAMP算法存在的兩點(diǎn)缺陷,即初始迭代步長難以確定和耗時較多的問題進(jìn)行改進(jìn),提出了稀疏度自適應(yīng)貪婪(SAGP)算法。通過一維稀疏信號和二維真實(shí)圖像的重構(gòu)實(shí)驗(yàn),驗(yàn)證了 SAGP算法重構(gòu)效果優(yōu)于SAMP算法的同時,也保持了時間的優(yōu)越性。
　　基于稀疏表示的分類中,針對CSSOMP算法中異類原子集間存在交集的問題,進(jìn)一步優(yōu)化了MCSSOMP算法,并增加了大量實(shí)驗(yàn)。MCSSOMP算法采用約束原子集間相互獨(dú)立的策略,能夠減少異類信號間的共性

3、因素,強(qiáng)化信號間的區(qū)分度。標(biāo)準(zhǔn)圖像庫和實(shí)測雷達(dá)信號集上的大量實(shí)驗(yàn),從多個角度驗(yàn)證了改善后的算法在提升分類效果方面具有良好的表現(xiàn),特別是在噪聲和遮擋較為嚴(yán)重情況下,仍有較強(qiáng)的魯棒性。
　　基于字典更新思想的分類中,針對LC-KSVD算法在字典初始化時過于側(cè)重局部信息,而非從全局考慮的問題,提出了MLC-KSVD算法。該方法在初始化時采用分類 SOMP算法的策略,即每類信號挑選共同的原子集,而異類信號選取不同的原子集,使改進(jìn)后的算法能