导读:本文包含了压缩滤波论文开题报告文献综述及选题提纲参考文献，主要关键词:穿墙雷达,压缩感知,杂波抑制,组合滤波
压缩滤波论文文献综述
夏朝禹,高瑜翔,黄坤超,余杰,谢建峰[1]（2019）在《基于组合滤波的压缩感知穿墙雷达杂波抑制》一文中研究指出针对压缩感知穿墙雷达成像过程中受壁杂波污染严重等问题,提出了一种组合滤波的杂波抑制算法。该算法利用小波预处理、统计信号滤波法相结合的方式对回波信号进行处理,通过动态阈值分段弱正交匹配追踪进行稀疏迭代求解。在强壁杂波存在的情况下,组合滤波法能够有效地消除杂波检测出墙后目标。实验结果表明,该算法与传统单一主成分分析、奇异值分解和经验模态分解滤波相比,所成雷达像的子杂波比分别提高了1. 57、1. 52、1. 26倍。(本文来源于《电讯技术》期刊2019年10期）
于德鑫,曹晓杰,杨敏,赵鹏德[2]（2019）在《基于Kalman滤波与样本加权的压缩感知跟踪算法》一文中研究指出针对压缩感知跟踪算法在目标移动过快时易丢失跟踪目标和跟踪准确性不高的缺点,提出了改进的压缩感知跟踪算法。该算法引入加权函数辅助判断正负样本,使用加权后的样本计算特征找到下一帧的目标中心位置,当目标移动过快时,使用卡尔曼滤波对当前帧目标位置进行预测。对不同测试序列的跟踪结果表明,改进后算法能够稳定跟踪目标,有效地解决了目标移动过快时易丢失跟踪目标的问题,并且具有较高的准确性。(本文来源于《智能计算机与应用》期刊2019年05期）
谢岱伟[3]（2019）在《一种基于双边滤波的高动态红外图像压缩与细节增强算法》一文中研究指出针对高动态红外图像显示时不当压缩方法会造成图像细节的大量流失问题,提出了一种针对红外图像在动态压缩中细节增强算法。该方法使用双边滤波平滑图像,再采用自适应高斯滤波消除了梯度反转的现象。使用平台直方图对基频压缩,使用自适应的增益系数放大细节层抑制了噪声,迭加压缩后的基频和放大后的细节,得到细节增强后的8位处理图像。(本文来源于《舰船电子对抗》期刊2019年02期）
朱栋强[4]（2019）在《基于卡尔曼滤波的压缩感知ISAR成像方法研究》一文中研究指出传统的逆合成孔径雷达(Inverse Synthetic Aperture Radar,简称ISAR)成像采用匹配滤波技术。近十年来,基于压缩感知(Compressive sensing,简称CS)的成像方法成为ISAR成像研究的热点。基于CS的ISAR成像方法可以利用少量欠采样数据或不完整的回波数据重建出对比度高,旁瓣干扰少的ISAR目标图像。卡尔曼滤波(Kalman Filter,简称KF)能够有效利用信号的先验信息获得优良的估计性能且不易受噪声干扰,本文将KF与CS ISAR成像相结合,研究KF框架下的CS ISAR成像方法,借助KF的优良估计性能来提升ISAR成像质量。首先给出基于直接KF的CS ISAR成像方法。在ISAR目标场景空域稀疏的假设下,ISAR成像可以视为稀疏约束下的凸优化问题。在KF滤波框架下,引入了伪测量(Pseudo Measurement,简称PM)技术,将待重建目标场景散射率的l_1范数作为额外的一个非线性测量值引入到图像重建中,通过最小化待重建目标场景的l_1范数来估计待重建场景的最优稀疏解。PM能有效控制算法的收敛精度与速度,保证KF迭代的收敛。使用ISAR数据对本算法的性能进行验证,实验结果表明直接KF算法的成像质量优于正交匹配追踪(Orthogonal Matching Pursuit,简称OMP)算法。然后给出基于顺序KF的CS ISAR成像方法。为进一步充分利用KF估计的优良性能,在基于直接KF的CS ISAR成像算法的基础上,通过引入基于PM的内部迭代来提高成像质量。使用ISAR实测数据验证了本算法的性能,实验结果表明基于顺序KF的CS ISAR成像方法的成像质量优于OMP算法与直接KF算法,但是内部迭代的嵌套导致成像计算量较大,其成像效率较低。最后给出基于零空间KF的CS ISAR成像方法。该方法利用零空间特性,从解欠定方程组的角度,将待重建目标图像分解为可观测与不可观测两部分。首先采用加权最小二乘法(Weighted Lease Square,简称WLS)估计可观测部分,并将WLS结果作为目标初像。然后将待重建目标场景散射率的l_1范数作为额外的一个非线性测量值引入到图像重建中,利用KF迭代估计零空间中的不可观测部分的解,使可观测与不可观测两部分解之和的l_1范数最小,最终获得最优稀疏解。此外,通过动态调整伪测量的加权因子γ和合理降低零空间的矩阵维度,加快算法收敛速度。实测ISAR数据验证了基于零空间KF的CS ISAR成像方法的有效性,实验结果表明零空间KF方法的成像质量优于OMP算法与直接KF算法,略逊于顺序KF成像算法,但其计算效率远高于顺序KF算法。(本文来源于《南京航空航天大学》期刊2019-03-01）
谢雨霏,杨新民,刘晓利,王胜红[5]（2019）在《融合背景图像信息和多特征压缩的相关滤波跟踪算法》一文中研究指出针对相关滤波类跟踪算法目标背景图像信息利用率较低、目标特征表达能力较弱的问题,提出了一种融合背景图像信息的多特征压缩跟踪算法。首先,在上下文感知滤波器的基础上,将背景图像信息加入位置滤波器。其次,提取颜色名(Color Name, CN)特征与梯度直方图(Histogram of Oriented Gradient, HOG)特征,使用最大响应因子及平均峰相关能量(Average Peakto-Correlation Energy,APCE)评估跟踪结果的可信度,实现两种特征的自适应融合。最后,利用特征降维简化模型的复杂度,实现算法运行速度的提升。实验结果表明,改进后的算法在遮挡、形变、尺度变化等复杂环境下均具有较高的鲁棒性,其跟踪精度和成功率指标均优于DSST及其他主流的跟踪算法,并且仍保持了实时性。(本文来源于《导航与控制》期刊2019年01期）
田金鹏,薛莹,闵天[6]（2018）在《基于卡尔曼滤波的稀疏流信号动态压缩感知》一文中研究指出提出一种针对稀疏流信号的卡尔曼滤波压缩感知恢复方法。该算法采用交叉随机模型对信号进行压缩采样,基于前后窗口内信号之间的相关性,建立信号的状态转移方程,利用卡尔曼滤波算法与贪婪算法相结合得到信号最小均方误差估计。信号重构阶段,基于压缩感知贪婪算法进行支撑集更新,采用自适应误差阈值判别方法,不断迭代减小残差以找到精确程度较高的支撑集,将其用于卡尔曼滤波得到信号最优估计。仿真结果表明,与同类算法相比,本算法提高了重构精度和抗干扰能力,并且算法的复杂度较低。(本文来源于《电子测量技术》期刊2018年19期）
张雨仁,刘凯,陈曲[7]（2018）在《基于压缩感知和几何滤波的RTI定位算法》一文中研究指出免携带设备定位因其不需要目标携带任何穿戴设备就能获取位置信息,在安防和紧急救援等应用场合受到越来越多的关注。免携带设备定位的关键技术就是利用目标引起的射频信号强度进行定位。提出了一种基于压缩感知和几何滤波的免携带设备定位算法。该算法是基于无线层析成像(RTI)的定位算法,使用先验位置估计来构造一个圆形的先验区域,来移除外部链路,减少不可能的位置点,降低算法复杂度;其次将圆形先验区域进行像素的精确划分,将定位问题转化为稀疏信号的重构问题,最后利用压缩感知求解。实验结果表明,该算法减少了计算的复杂度,提高了定位精度,降低了对存储和计算资源的要求。(本文来源于《电子测量技术》期刊2018年14期）
李灯熬,邓豆豆,赵菊敏,赵晓芳,韩冲[8]（2018）在《基于卡尔曼滤波的压缩感知卫星信号捕获算法研究》一文中研究指出卫星信号的捕获过程需要一定的硬件资源,且消耗时间,为了节约硬件资源,减少成本,同时为了提高捕获性能,去除量测噪声,文章提出一种基于卡尔曼滤波的压缩感知卫星信号捕获算法。首先,分析北斗卫星信号的稀疏性,构造稀疏变换矩阵,选择测量矩阵进行观测;其次,在信号重构阶段引入Kalman滤波,用Kalman滤波代替最小二乘法,每次迭代都获得最佳信号估计,同时采用弱匹配的方式筛选有效信息,剔除冗余信息从而重构信号。最后得到码相位的准确估计值。实验结果表明,与传统的捕获算法相比,该算法重构性能好,且大大地降低了硬件接收机的成本,计算量明显减少。(本文来源于《第九届中国卫星导航学术年会论文集——S09 用户终端技术》期刊2018-05-23）
张娇娇[9]（2018）在《基于压缩感知的量子状态估计与滤波算法及其收敛性研究》一文中研究指出量子状态估计,也被称为量子状态层析,是量子信息研究的基础。结合压缩感知理论,人们可以通过较少的测量次数重构出量子状态密度矩阵。本论文研究不同干扰情况下基于压缩感知的量子状态估计和滤波问题,提出高效的优化算法并且严格证明算法的全局收敛性。主要研究内容分为以下叁个方面:1.对含有稀疏干扰的量子状态估计问题进行研究,提出非精确ADMM算法并严格证明其收敛性。状态本身的干扰在密度矩阵某些位置的元素中引入了稀疏野值,此时量子状态估计的任务为从被稀疏干扰影响的测量值中重构密度矩阵。数学上,该任务可以被转化为一个鲁棒主成分分析并且带有量子态约束的凸优化问题。运用交替方向乘子法,原问题被分解为两个子问题,一个子问题是最小化关于密度矩阵的核范数,并带有量子态约束,另一个子问题是最小化关于稀疏干扰的l1范数。由于两个子问题都没有闭式解,精确求解代价非常大,因此,本论文提出了一种高效且快速的非精确交替方向乘子法,简称I-ADMM,该算法非精确地求解两个子问题,从而降低计算复杂度。另外,I-ADMM采用可调步长更新拉格朗日乘子以加速收敛。我们严格证明了所提算法的全局收敛性,并且给出了保证收敛的参数选取范围。仿真实验验证了所提非精确ADMM算法的优越性。2.对含有高斯噪声的高维量子状态估计问题进行研究,提出改进ADMM算法快速实现11比特的量子状态估计。当测量中含有高斯噪声时,量子态估计问题被转化为带有量子态约束的凸优化问题,即待恢复的密度矩阵必须满足半正定、对称且迹为1。为了估计高维量子状态,根据压缩感知理论将测量次数设置为下界值以降低测量矩阵的规模。本论文提出了一种改进的交替方向乘子法,该算法将高维量子态估计问题分解为两个子问题,即最小化带有量子态约束的密度矩阵核范数、最小化高斯噪声l2范数。所提算法非精确求解密度矩阵相关子问题,从而避免了大规模矩阵求逆运算,降低计算复杂度。并且,该算法通过改变运算顺序使得计算量进一步减小。此外,所提算法采用可调步长更新拉格朗日乘子,以获得更快的收敛速度。仿真实验验证了所提改进ADMM算法估计高维量子状态的优越性。3.对同时含有状态干扰和测量噪声的量子状态滤波问题进行研究,基于proximal Jacobian ADMM算法提出量子状态滤波器并严格证明其收敛性。在同时考虑状态干扰和测量噪声的情况下,论文提出了一个高效且收敛的量子状态滤波器,该滤波器在估计量子状态的同时,滤除状态干扰和测量噪声。数学上,量子态滤波问题被转化为最小化密度矩阵的核范数、稀疏干扰的l1范数、高斯噪声的l2范数,并且带有线性测量约束和量子态约束的凸优化问题。我们引入proximal Jacobian ADMM算法求解量子态滤波问题。该算法将原问题分解为密度矩阵、稀疏干扰、高斯噪声相关的叁个子问题,通过给每个子问题添加近邻项以及时纠正误差。近邻项参数选择合适可以简化子问题的求解。另外,算法采用可变步长更新拉格朗日乘子以加速收敛。本论文严格证明了所提滤波器的收敛性,并提供参数的选择范围。仿真实验验证了所提量子状态滤波器的优越性。(本文来源于《中国科学技术大学》期刊2018-05-03）
黄炜霖[10]（2018）在《压缩感知与形态滤波在勘探地震数据处理中的应用研究》一文中研究指出地震信号处理是勘探地震学的一个重要组成部分。本文详细地讨论了两种数字信号处理理论,即数学形态学与压缩感知,以及它们在勘探地震数据噪音压制与弱信号提取,重构与插值中的应用。勘探地震数据中信号与噪音的分离是一个研究已久,却又没有完全解决的问题。其原因之一是由于地震数据的复杂性,很难用一种或者几种属性将信号与噪音完全分离。传统的方法利用频率、波数、振幅等属性来压制噪音。但是在某些情况下,信号与噪音在这些属性上的差异较小,使得传统方法的应用效果不佳。对于此,本文研究了一种新的地震信号属性,即形态尺度,并尝试从波形差异的角度来分离信号和噪音。针对不同类型的地震噪音,依次发展了四类形态滤波方法。具体为:1)建立了形态尺度与地震信号频率的关系,利用时间域形态滤波压制地震低频噪音,且保存信号的低频成分;2)受形态滤波压制低频噪音启发,将形态滤波从时间域发展到空间域,利用规则噪音在其轨迹方向上的连续性对其进行压制(低波数噪音压制)。结合轨迹追踪技术,空间域形态滤波可压制线性噪音、拟线性噪音、地滚波、外源噪音、多次波等多种相干噪音;3)利用随机噪音在时间和空间方向上都具有较差相关性的特点,将一维形态滤波推广到时间-空间域二维形态滤波,同时利用随机噪音与信号在时间和空间方向上形态尺度差异来压制随机噪音;4)针对地震微弱信号的特点,发展了正则化的非稳态多尺度形态重构方法。将弱信号识别与提取问题转化成一个反演问题,并利用整形正则化和共轭梯度法进行求解。地震数据重构技术可以为反演或成像提供一个高密度采样、规则的输入数据。本文研究了压缩感知框架下的地震数据重构技术,详细地讨论了地震信号的低维/稀疏表示方法。首先,推导了一种新的信号低维表示方法——双重最小二乘投影法。该方法从主成分分析法出发,解决了传统低维表示中的“信号估计偏离”问题。由第一重最小二乘投影找到观测数据在一个信号维度超平面上的最佳估计;由第二重最小二乘投影找到真实信号在另一个信号维度超平面上的最佳估计。双重最小二乘投影法可以从观测数据中得到一个真实信号的估计(低维表示)。本文同时也给出了该方法的几何意义,给予了理论保证。其次,传统方法利用数学基(例如小波基和曲波基)来对地震数据进行稀疏表示,将地震数据看成一种“图像”来处理,并没有利用数据背后的地震波传播的物理机制与规律。对于此,本文提出利用Dreamlet来表示地震数据。Dreamlet能自动满足波动方程,因此可以获得一个更稀疏的地震数据表示。除此之外,本文推导了一种阻尼Dreamlet稀疏表示方法。在基本Dreamlet稀疏表示中引入一个阻尼算子,能进一步提高Dreamlet的稀疏表示效果。(本文来源于《中国石油大学(北京)》期刊2018-05-01）
压缩滤波论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对压缩感知跟踪算法在目标移动过快时易丢失跟踪目标和跟踪准确性不高的缺点,提出了改进的压缩感知跟踪算法。该算法引入加权函数辅助判断正负样本,使用加权后的样本计算特征找到下一帧的目标中心位置,当目标移动过快时,使用卡尔曼滤波对当前帧目标位置进行预测。对不同测试序列的跟踪结果表明,改进后算法能够稳定跟踪目标,有效地解决了目标移动过快时易丢失跟踪目标的问题,并且具有较高的准确性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
压缩滤波论文参考文献
[1].夏朝禹,高瑜翔,黄坤超,余杰,谢建峰.基于组合滤波的压缩感知穿墙雷达杂波抑制[J].电讯技术.2019
[2].于德鑫,曹晓杰,杨敏,赵鹏德.基于Kalman滤波与样本加权的压缩感知跟踪算法[J].智能计算机与应用.2019
[3].谢岱伟.一种基于双边滤波的高动态红外图像压缩与细节增强算法[J].舰船电子对抗.2019
[4].朱栋强.基于卡尔曼滤波的压缩感知ISAR成像方法研究[D].南京航空航天大学.2019
[5].谢雨霏,杨新民,刘晓利,王胜红.融合背景图像信息和多特征压缩的相关滤波跟踪算法[J].导航与控制.2019
[6].田金鹏,薛莹,闵天.基于卡尔曼滤波的稀疏流信号动态压缩感知[J].电子测量技术.2018
[7].张雨仁,刘凯,陈曲.基于压缩感知和几何滤波的RTI定位算法[J].电子测量技术.2018
[8].李灯熬,邓豆豆,赵菊敏,赵晓芳,韩冲.基于卡尔曼滤波的压缩感知卫星信号捕获算法研究[C].第九届中国卫星导航学术年会论文集——S09用户终端技术.2018
[9].张娇娇.基于压缩感知的量子状态估计与滤波算法及其收敛性研究[D].中国科学技术大学.2018
[10].黄炜霖.压缩感知与形态滤波在勘探地震数据处理中的应用研究[D].中国石油大学(北京).2018