CN107833188B - 一种自适应稀疏型子空间追踪层析成像重构的方法 - Google Patents
一种自适应稀疏型子空间追踪层析成像重构的方法 Download PDFInfo
- Publication number
- CN107833188B CN107833188B CN201711033047.8A CN201711033047A CN107833188B CN 107833188 B CN107833188 B CN 107833188B CN 201711033047 A CN201711033047 A CN 201711033047A CN 107833188 B CN107833188 B CN 107833188B
- Authority
- CN
- China
- Prior art keywords
- radio frequency
- signal
- sparsity
- sensor
- iteration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003325 tomography Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000005259 measurement Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种自适应稀疏型子空间追踪层析成像重构的方法,包括:获取在射频层析成像***中发射端及接收端无线射频传感器的总数、接收端各无线射频传感器接收的像素;对无线射频传感器网络覆盖区域进行方形网格划分,针对接收端无线射频传感器接收的像素建立其多散射多路径的***模型;对所述多散射多路径的***模型离散化处理,得到多散射多路径的线性模型;采用压缩感知的稀疏度自适应重构算法对目标稀疏度进行估计,利用子空间追踪算法重构射频层析成像***的目标图像。本发明可以提高重构精度,节省运行时间,提高图像清晰度,可广泛应用于射频层析图像重构技术领域。
Description
技术领域
本发明属于射频层析图像重构技术领域,尤其涉及一种自适应稀疏型子空间追踪层析成像重构的方法。
背景技术
射频层析图像广泛应用于智能环境监测、工业无损检测、医学诊断、隧道勘探等重要领域。其借鉴医学CT技术,用精确准直的射频波照射成像区域,再根据散射信号推断成像区域的介电特性,以此获得目标图像。当射频信号从发送端传播到接收端,会经历多次散射,从不同的路径到达接收端,这便是多散射多传播路径层析成像***。但是由于多散射路径***形成很多“虚假目标”,使得图像模糊从而影响各领域对此技术的高效利用。近年来,关于层析成像的重构算法层出不穷,如线性反向投影法、最小二乘法、奇异值分解方法、Tikhonov正则化方法、总变差正则化方法、同步迭代重建技术、二维Fourier图像重建法、Radon变换法、传统蒙特卡罗算法、人工神经网络法等。这些算法可分为正向问题数学模型的简化和反向问题数学模型的映射结构求解,分别致力于重构图像的精度、数据量、重建速度。但其中根据目标的稀疏性情况设计重构算法,从而去除虚假目标提高图像清晰度,是一件困难而具有挑战性的工作。视野中的每一个目标都可以作为从其他目标反射回来的传播路径上更高阶的散射,所以在重构过程中,所有散射重叠处都会产生虚假目标。严重影响在错综复杂的虚假目标中辨识出真实目标的方案实现。
发明内容
针对现有技术存在的问题,本发明提供一种自适应稀疏型子空间追踪层析成像重构的方法。
本发明的具体技术方案是:
一种自适应稀疏型子空间追踪层析成像重构的方法,包括以下步骤:
步骤1:获取在射频层析成像***中发射端无线射频传感器和接收端无线射频传感器的总数、接收端各无线射频传感器接收的像素;
步骤2:对无线射频传感器网络覆盖区域进行方形网格划分,针对接收端无线射频传感器接收的像素建立其多散射多路径的***模型;
步骤3:对所述多散射多路径的***模型离散化处理,得到多散射多路径的线性模型;
步骤4:采用压缩感知的稀疏度自适应重构算法对目标稀疏度进行估计,利用子空间追踪算法重构射频层析成像***的目标图像;
步骤4.1:初始化稀疏度自适应重构算法的内积U0=P*μ、初始稀疏度值K0、迭代步长S0、迭代次数n,其中,P为字典矩阵,P*为字典矩阵P的转置,μ为测量接收端传感器接收到的射频信号列向量;
步骤4.2:初始化目标信号的原子支撑集Γ0={|Ud 0|前K0个最大值索引},其中,Ud 0为内积U0的第d个元素,即支撑集中第d个原子向量与μ的内积;
步骤4.4:将当前第n-1次迭代的残差Rn-1分别投影到字典矩阵P的各个原子向量上,即Un=P*Rn-1,将其投影最大的|Γn-1|个原子的索引与第n-1次迭代的目标信号原子支撑集Γn-1合并,得到第n次迭代的目标信号的原子支撑集Γn=Γn-1∪{|Ud n|前|Γn-1|个最大值索引},其中,Ud n表示Un中第d个元素是支撑集中第d个原子向量与残差信号Rn-1的内积;
步骤4.7:判断第n次迭代重构的目标信号和第n-1次迭代重构的目标信号的信号差与相邻信号能量差下限阈值T1和相邻信号能量差上限T2的关系,若则执行步骤4.9;若则令迭代步长Sn=Sn-1-Sn-1/2,执行步骤4.8;若则令迭代步长Sn=Sn-1+Sn-1/2,执行步骤4.8;
步骤4.8:判断当前稀疏度估计值K0与稀疏度实际值K的大小关系;
所述多散射多路径的***模型的公式如下所示:
其中,m为发射端的无线射频传感器索引,且1<m<M,m'为接收端的无线射频传感器索引,且1<m'<M',M为发射端的线射频传感器总数,M'为接收端的线射频传感器总数,μmm'为对m个发射机、m个接收机采样得到的波形,Q为传感器接收端接收的像素总数,Ni为第i个像素作为一阶散射条件下传播路径的总数,j为路径的索引,Vij为像素i在路径j上的衰减程度,也可称为衰减系数,p(t)为射频信号传输的基带脉冲,τmm',ij为射频信号从第m个发射传感器在路径j上到第i个像素,再返回到第m个接收传感器的静态传播延时。
所述的多散射多路径的线性模型的公式如下:
μ=PV+W;
其中,μ={μa|a=1,…,Ni}为测量接收端传感器接收到的射频信号列向量,μa为为第a次测量时所选路径测得的接收信号,V为QNi×1的衰减系数向量,Q为传感器接收端接收的像素总数,Ni为i个像素作为一阶散射条件下传播路径的总数,P={Pj|j=1,…,Ni}为投影向量的字典矩阵,Pj为第j条路径对应的投影向量,W={Wj|j=1,…,Ni}为测量噪声列向量,Wj为第j条路径测量的噪声。
所述的初始稀疏度值K0,是根据压缩感知重建条件X>K0logY选取的,X为字典矩阵P的行,Y为字典矩阵P的列。
所述的初始化的迭代步长S0为S0=X/(2*log2(Y)),其中,X为字典矩阵P的行,Y为字典矩阵P的列。
本发明的有益效果:
本发明提出一种自适应稀疏型子空间追踪层析成像重构的方法,可以自适应得到射频层析成像***中目标的实际稀疏度值,因此在重构过程中选择接近目标信号的原子支撑集时,更加精确地规范目标信号的原子支撑集大小,以此提高重构精度,同时因减少迭代次数而节省运行时间;可以利用子空间追踪算法重构过程,将射频层析成像***中目标在不同散射路径的衰减系数稀疏化处理,降低散射路径形成更多虚假目标的可能性,从而提高图像清晰度。
附图说明
图1是本发明具体实施方式中自适应稀疏型子空间追踪层析成像重构的方法流程图;
图2是本发明具体实施方式中重构射频层析成像***的目标图像的流程图。
具体实施方式
下面结合附图对本发明做进一步说明。以下用于说明本发明,但不用来限制本发明的范围。
一种自适应稀疏型子空间追踪层析成像重构的方法,如图1所示,具体方法如下所述。
步骤1:获取在射频层析成像***中发射端无线射频传感器和接收端无线射频传感器的总数、接收端各无线射频传感器接收的像素;
无线射频传感器作为收发装置可以是不均匀或者非均匀的,假设其发射的反射类型为各向同性的信号在自由空间传播。
步骤2:对无线射频传感器网络覆盖区域进行方形网格划分,针对接收端无线射频传感器接收的像素建立其多散射多路径的***模型;
无线射频传感器网络覆盖区域进行方形网格划分的每个方形小格子代表一个像素点,若只考虑从点目标直接反射的波形,不考虑二阶或者更高阶的散射,并且在预处理的过程中去除直接路径,我们为静止目标建立以下多基地***模型,如式(1)所示:
其中,m为发射端的无线射频传感器索引,且1<m<M,m'为接收端的无线射频传感器索引,且1<m'<M',M为发射端的线射频传感器总数,M'为接收端的线射频传感器总数,μmm'为对m个发射机、m'个接收机采样得到的波形,Q为传感器接收端接收的像素总数,Vi是第i个像素的像素值,目标图像像素值反映了相应位置发生衰减的程度,p(t)为射频信号传输的基带脉冲,τmm'(i)为射频信号从第m个发射传感器到第i个像素,再返回到第m'个接收传感器的静态传播延时。
当射频传感器覆盖的区域中有多个目标时,在射频信号从发射机传播到接收机过程中,可能会产生多次散射,并通过不同的路径到达接收机。传播路径通常取决于散射体的数目及其在传感网络覆盖区中的位置。所以研究多路径传播的模型与虚假目标的形成至关重要。
射频传感器覆盖的区域即成像区域中有多个目标时,在射频信号从发射机传播到接收机过程中,可能会产生多次散射,并通过不同的路径到达接收机。在重构过程中,所有收发对的散射重叠处都会产生虚假目标,为了从目标中识别出虚假目标,我们定义多散射多路径的***模型,方程如式(2)所示:
其中,Ni是第i个像素作为一阶散射条件下传播路径的总数,j是路径的索引,Vij表示像素i在路径j上的衰减程度,也可称为衰减系数,τmm',ij为射频信号从第m个发射传感器在路径j上到第i个像素,再返回到第m个接收传感器的静态传播延时。
步骤3:对所述多散射多路径的***模型离散化处理,得到多散射多路径的线性模型;
利用传播路径衰减系数V的稀疏性,获得多散射多路径的***稀疏模型,通过对每条路径和接收到的波形采样,可以将公式(2)做多路径模型离散化处理。得到的离散模型如式(3)所示:
μ=PV+W (3)
其中,μ={μa|a=1,…,Ni}为测量接收端传感器接收到的射频信号列向量,μa表示第a次测量时所选路径测得的接收信号,V为QNi×1的衰减系数向量,Q为传感器接收端接收的像素总数,Ni为i个像素作为一阶散射条件下传播路径的总数,P={Pj|j=1,…,Ni}为投影向量的字典矩阵,Pj为第j条路径对应的投影向量,W={Wj|j=1,…,Ni}为测量噪声列向量,Wj为第j条路径测量的噪声。
重构是根据噪声观测μ估计出未知向量V。考虑到模型系数是线性的,通用最小二乘法对衰减系数矢量估计,得到估计值如式(4)所示:
从数学意义上讲,基于压缩感知理论的信号重建问题就是寻找欠定方程组方程的数量少于未知数的最简单解的问题,l0范数刻画的就是信号中非零元素的个数,因而能够使得结果尽可能地稀疏。
对于射频层析成像多路径模型,如果目标的数目远远小于像素的数目,衰减系数V就是稀疏的。但是具体的稀疏度我们无法得知,因此本发明提出了基于压缩感知的稀疏度自适应重构算法,即根据信号自身特性预设稀疏度初始值,再自适应调整步长,直至逼近模型稀疏度实际值,最后利用子空间追踪算法重构真实目标。
步骤4:采用压缩感知的稀疏度自适应重构算法对目标稀疏度进行估计,利用子空间追踪算法重构射频层析成像***的目标图像;
本发明自适应稀疏型子空间追踪层析成像重构方法主要包含稀疏度估计部分和压缩感知的稀疏度自适应重构算法部分。稀疏度自适应重构算法属于贪婪算法,贪婪算法的基本思想就是通过迭代的方法依次找出待重建信号的支撑,基于某种贪婪准则一次求出一个或多个待估信号的构成元素。在CS理论中,稀疏信号的重建即通过该信号在已知测量矩阵P上的X个非相干的线性投影μ=PV来获得重建。由于待重建信号V仅有x个非零元,因此,测量向量μ可以看作P中x个列向量的线性组合。那么,利用μ和P重建V就等价于在测量向量集合P中准确找到参与测量的x个列向量。即:获得向量μ在冗余字典矩阵P(X<Y)上精确的x-稀疏描述,而所求的V就是该分解所获得的系数向量。其中,μ=X×1,Y×1,P=X×Y。
具体的重构射频层析成像***的目标图像的过程如图2所示。
步骤4.1:初始化稀疏度自适应重构算法的内积U0=P*μ,初始稀疏度值K0=0.05M、迭代步长S0=X/(2*log2(Y))、迭代次数n=1,其中,P为字典矩阵,P*为字典矩阵P的转置,X为字典矩阵P的行,Y为字典矩阵P的列,μ为测量接收端传感器接收到的射频信号列向量;
步骤4.2:初始化目标信号的原子支撑集Γ0={|Ud 0|前K0个最大值索引},其中,Ud 0为内积U0的第d个元素,即支撑集中第d个原子向量与μ的内积;
本实施方式中,初始残差R0的公式如式(5)所示:
步骤4.4:将当前第n-1次迭代的残差Rn-1分别投影到字典矩阵P的各个原子向量上,即Un=P*Rn-1,将其投影最大的|Γn-1|个原子的索引与第n-1次迭代的目标信号原子支撑集Γn-1合并,得到第n次迭代的目标信号的原子支撑集Γn=Γn-1∪{|Ud n|前|Γn-1|个最大值索引},其中,Ud n表示Un中第d个元素是支撑集中第d个原子向量与残差信号Rn-1的内积;
步骤4.7:判断第n次迭代重构的目标信号和第n-1次迭代重构的目标信号的信号差与相邻信号能量差下限阈值T1和相邻信号能量差上限T2的关系,若则执行步骤4.9;若则令迭代步长Sn=Sn-1-Sn-1/2,执行步骤4.8;若则令迭代步长Sn=Sn-1+Sn-1/2,执行步骤4.8;
步骤4.8:判断当前稀疏度估计值K0与稀疏度实际值K的大小关系;
该重构技术可广泛应用于各个领域的射频层析成像应用中,如医学CT图像、雷达定位图像、环境监测图像、产品检测等射频层析图像的清晰呈现。
Claims (6)
1.一种自适应稀疏型子空间追踪层析成像重构的方法,其特征在于,包括以下步骤:
步骤1:获取在射频层析成像***中发射端无线射频传感器和接收端无线射频传感器的总数、接收端各无线射频传感器接收的像素;
步骤2:对无线射频传感器网络覆盖区域进行方形网格划分,针对接收端无线射频传感器接收的像素建立其多散射多路径的***模型;
步骤3:对所述多散射多路径的***模型离散化处理,得到多散射多路径的线性模型;
步骤4:采用压缩感知的稀疏度自适应重构算法对目标稀疏度进行估计,利用子空间追踪算法重构射频层析成像***的目标图像;
步骤4.1:初始化稀疏度自适应重构算法的内积U0=P*μ、初始稀疏度值K0、迭代步长S0、迭代次数n,其中,P为字典矩阵,P*为字典矩阵P的转置,μ为测量接收端传感器接收到的射频信号列向量;
步骤4.2:初始化目标信号的原子支撑集Γ0={|Ud 0|前K0个最大值索引},其中,Ud 0为内积U0的第d个元素,即支撑集中第d个原子向量与μ的内积;
步骤4.3:利用l0范数得到测量接收端传感器接收到的射频信号列向量μ与初始化目标信号的原子支撑集Γ0下信号μΓ0的最小距离,即初始残差R0;
步骤4.4:将当前第n-1次迭代的残差Rn-1分别投影到字典矩阵P的各个原子向量上,即Un=P*Rn-1,将其投影最大的|Γn-1|个原子的索引与第n-1次迭代的目标信号原子支撑集Γn-1合并,得到第n次迭代的目标信号的原子支撑集Γn=Γn-1∪{|Ud n|前|Γn-1|个最大值索引},其中,Ud n表示Un中第d个元素是支撑集中第d个原子向量与残差信号Rn-1的内积;
步骤4.7:判断第n次迭代重构的目标信号和第n-1次迭代重构的目标信号的信号差与相邻信号能量差下限阈值T1和相邻信号能量差上限T2的关系,若则执行步骤4.9;若则令迭代步长Sn=Sn-1-Sn-1/2,执行步骤4.8;若则令迭代步长Sn=Sn-1+Sn-1/2,执行步骤4.8;
步骤4.8:判断当前稀疏度估计值K0与稀疏度实际值K的大小关系;
2.根据权利要求1所述的自适应稀疏型子空间追踪层析成像重构的方法,其特征在于,所述多散射多路径的***模型的公式如下所示:
式中,m为发射端的无线射频传感器索引,且1<m<M,m'为接收端的无线射频传感器索引,且1<m'<M',M为发射端的线射频传感器总数,M'为接收端的线射频传感器总数,μmm'为对m个发射机、m'个接收机采样得到的波形,Q为传感器接收端接收的像素总数,Ni为第i个像素作为一阶散射条件下传播路径的总数,j为路径的索引,Vij为像素i在路径j上的衰减程度,也可称为衰减系数,p(t)为射频信号传输的基带脉冲,τmm',ij为射频信号从第m个发射传感器在路径j上到第i个像素,再返回到第m'个接收传感器的静态传播延时。
3.根据权利要求1所述的自适应稀疏型子空间追踪层析成像重构的方法,其特征在于,所述的多散射多路径的线性模型的公式如下:
μ=PV+W;
其中,μ={μa|a=1,…,Ni}为测量接收端传感器接收到的射频信号列向量,μa表示第a次测量时所选路径测得的接收信号,V为QNi×1的衰减系数向量,Q为传感器接收端接收的像素总数,Ni为第i个像素作为一阶散射条件下传播路径的总数,P={Pj|j=1,…,Ni}为投影向量的字典矩阵,Pj为第j条路径对应的投影向量,W={Wj|j=1,…,Ni}为测量噪声列向量,Wj为第j条路径测量的噪声。
4.根据权利要求1所述的自适应稀疏型子空间追踪层析成像重构的方法,其特征在于,所述的初始稀疏度值K0,是根据压缩感知重建条件X>K0logY选取的,X为字典矩阵P的行,Y为字典矩阵P的列。
5.根据权利要求1所述的自适应稀疏型子空间追踪层析成像重构的方法,其特征在于,所述的迭代步长S0为S0=X/(2*log2(Y)),其中,X为字典矩阵P的行,Y为字典矩阵P的列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711033047.8A CN107833188B (zh) | 2017-10-30 | 2017-10-30 | 一种自适应稀疏型子空间追踪层析成像重构的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711033047.8A CN107833188B (zh) | 2017-10-30 | 2017-10-30 | 一种自适应稀疏型子空间追踪层析成像重构的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107833188A CN107833188A (zh) | 2018-03-23 |
CN107833188B true CN107833188B (zh) | 2021-07-06 |
Family
ID=61650920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711033047.8A Active CN107833188B (zh) | 2017-10-30 | 2017-10-30 | 一种自适应稀疏型子空间追踪层析成像重构的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107833188B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830875B (zh) * | 2018-05-08 | 2021-04-27 | 天津大学 | 一种基于残差最小的电阻抗层析成像图像分割方法 |
CN109088834A (zh) * | 2018-07-11 | 2018-12-25 | 桂林电子科技大学 | 一种基于压缩感知的超宽带信道估计算法 |
CN109859223B (zh) * | 2019-01-14 | 2023-07-18 | 江苏大学 | 一种基于目标植株的压缩采样非线性迭代优化重构方法 |
CN110208605B (zh) * | 2019-06-04 | 2021-06-04 | 河南师范大学 | 一种抑制阶梯效应的电阻层析成像电导率分布重建的方法 |
CN111884961A (zh) * | 2020-07-23 | 2020-11-03 | 辽宁工程技术大学 | 一种基于压缩感知算法的自适应稀疏预失真结构 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944579A (zh) * | 2014-04-10 | 2014-07-23 | 东华大学 | 一种压缩感知重构的编码解码*** |
CN104283825A (zh) * | 2014-09-24 | 2015-01-14 | 北京邮电大学 | 一种基于动态压缩感知的信道估计方法 |
CN104320144A (zh) * | 2014-11-18 | 2015-01-28 | 电子科技大学 | 稀疏度自适应信号重构方法 |
CN104361192A (zh) * | 2014-05-09 | 2015-02-18 | 哈尔滨工程大学 | 一种压缩感知分析模型下的稀疏表示自适应重构方法 |
CN105281780A (zh) * | 2015-11-20 | 2016-01-27 | 重庆大学 | 一种变步长正则化自适应压缩采样匹配追踪方法 |
CN105680963A (zh) * | 2016-01-04 | 2016-06-15 | 杭州电子科技大学 | 一种能效优先的分布式压缩感知频谱检测与功率分配方法 |
TW201714121A (zh) * | 2015-10-13 | 2017-04-16 | 元智大學 | 干擾環境中建構於分時多工接取之室內小細胞自我優化佈署串接控 制方法與裝置 |
CN107203968A (zh) * | 2017-05-25 | 2017-09-26 | 四川大学 | 基于改进的子空间追踪算法的单幅图像超分辨率重建方法 |
CN107248902A (zh) * | 2017-07-21 | 2017-10-13 | 电子科技大学 | 一种块压缩感知非正交多址***多用户检测方法 |
-
2017
- 2017-10-30 CN CN201711033047.8A patent/CN107833188B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944579A (zh) * | 2014-04-10 | 2014-07-23 | 东华大学 | 一种压缩感知重构的编码解码*** |
CN104361192A (zh) * | 2014-05-09 | 2015-02-18 | 哈尔滨工程大学 | 一种压缩感知分析模型下的稀疏表示自适应重构方法 |
CN104283825A (zh) * | 2014-09-24 | 2015-01-14 | 北京邮电大学 | 一种基于动态压缩感知的信道估计方法 |
CN104320144A (zh) * | 2014-11-18 | 2015-01-28 | 电子科技大学 | 稀疏度自适应信号重构方法 |
TW201714121A (zh) * | 2015-10-13 | 2017-04-16 | 元智大學 | 干擾環境中建構於分時多工接取之室內小細胞自我優化佈署串接控 制方法與裝置 |
CN105281780A (zh) * | 2015-11-20 | 2016-01-27 | 重庆大学 | 一种变步长正则化自适应压缩采样匹配追踪方法 |
CN105680963A (zh) * | 2016-01-04 | 2016-06-15 | 杭州电子科技大学 | 一种能效优先的分布式压缩感知频谱检测与功率分配方法 |
CN107203968A (zh) * | 2017-05-25 | 2017-09-26 | 四川大学 | 基于改进的子空间追踪算法的单幅图像超分辨率重建方法 |
CN107248902A (zh) * | 2017-07-21 | 2017-10-13 | 电子科技大学 | 一种块压缩感知非正交多址***多用户检测方法 |
Non-Patent Citations (6)
Title |
---|
Variable step size stagewise adaptive matching pursuit algorithm for image compressed sensing;Xue Bi等;《2013 IEEE International Conference on Signal Processing, Communication and Computing (ICSPCC 2013)》;20130808;第1-4页 * |
一种压缩采样中的稀疏度自适应子空间追踪算法;杨成等;《电子学报》;20100830(第8期);第1914-1918页 * |
一种变步长稀疏度自适应子空间追踪算法;田金鹏等;《自动化学报》;20161231(第10期);第1512-1519页 * |
基于压缩感知的免携带设备双目标定位算法;刘凯等;《电子与信息学报》;20140430;第36卷(第4期);第862-868页 * |
基于压缩感知的变步长自适应匹配追踪重建算法;高睿等;《光学学报》;20100630;第30卷(第6期);第1639-1644页 * |
基于无线传感器网络的无源被动式目标定位研究;王小雪等;《中国优秀硕士学位论文全文数据库·信息科学辑》;20140315(第15期);第I136-366页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107833188A (zh) | 2018-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833188B (zh) | 一种自适应稀疏型子空间追踪层析成像重构的方法 | |
CN106772365B (zh) | 一种基于贝叶斯压缩感知的多径利用穿墙雷达成像方法 | |
JP6188640B2 (ja) | 壁の背後のシーンにおけるターゲットを検出するシステム | |
US9261592B2 (en) | Method and system for through-the-wall imaging using compressive sensing and MIMO antenna arrays | |
Sun et al. | Direct data domain STAP using sparse representation of clutter spectrum | |
JP6072262B2 (ja) | 画像を生成する方法 | |
CN106226754B (zh) | 基于时间反演的低仰角波达方向估计方法 | |
CN105911544B (zh) | 一种基于压缩感知技术的扩频穿墙雷达成像方法 | |
CN110954885B (zh) | 基于sbl的捷变频雷达自适应目标重构方法 | |
US9239388B2 (en) | Pairwise grouping of joint sparsity models for sensing array processing | |
CN104142496B (zh) | 基于连通域划分的统计mimo雷达多目标定位方法 | |
CN106918810B (zh) | 一种存在阵元幅相误差时的微波关联成像方法 | |
CN104251991B (zh) | 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法 | |
JP7349661B2 (ja) | 推定方法、推定装置およびプログラム | |
JP7297164B2 (ja) | 画像取得設定にとらわれない人工知能(ai)モジュールを用いた画像再構成 | |
Zhang et al. | A measurement-domain adaptive beamforming approach for ultrasound instrument based on distributed compressed sensing: Initial development | |
CN111220960B (zh) | 多站雷达下的目标特征提取方法和装置 | |
WO2021250943A1 (en) | Graph-based array signal denoising for perturbed synthetic aperture radar | |
US8798359B2 (en) | Systems and methods for image sharpening | |
CN104155653B (zh) | 一种基于特征距离子空间的sar后向投影成像方法 | |
CN113646657A (zh) | 基于发射和接收天线对的时空关系的雷达泄漏消除 | |
CN113447915B (zh) | 一种适用于复杂多径环境下的超宽带层析成像方法 | |
CN105548959B (zh) | 一种基于稀疏重建的多传感器多目标的定位方法 | |
CN112740069A (zh) | 信号处理方法和装置 | |
Yanovsky et al. | Ultrawideband signal processing algorithms for radars and sodars |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20180323 Assignee: Shenglin Education Technology (Beijing) Co.,Ltd. Assignor: LIAONING TECHNICAL University Contract record no.: X2021980007910 Denomination of invention: An adaptive sparse subspace tracking tomography reconstruction method Granted publication date: 20210706 License type: Common License Record date: 20210818 |