江苏大学电气信息工程学院, 江苏 镇江 212013
光谱数据在采集过程中易发生基线偏移现象, 导致后续的鉴别和分析结果偏离真实值。 因此, 在光谱数据分析前, 需利用基线校正技术获取更为准确的光谱数据。 基于稀疏贝叶斯学习（SBL）的基线校正方法无需人工选择参数, 基线校正结果在贝叶斯框架下具有最优性。 然而, 现有的稀疏贝叶斯建模较为简单, 无法适用于复杂的稀疏结构。 在实际应用中, 当纯谱的某些谱峰较宽时, 对应的稀疏向量将具有一定的块稀疏特性。 利用额外的块稀疏结构, 有助于进一步提升SBL方法的性能。 为了建模稀疏向量的块稀疏结构特性, 在原有的贝叶斯模型框架中引入模式耦合分层模型。 得益于稀疏贝叶斯框架固有的学习能力, 引入的模式耦合分层模型可自适应地学习稀疏向量的块稀疏结构, 从而大幅提升了基于SBL的基线校正方法的性能。 为验证本文方法的基线校正性能, 首先利用模拟数据集进行仿真实验, 并将该方法与SSFBCSP方法和SBL-BC方法在不同噪声方差条件下进行对比。 仿真实验结果表明, 该方法恢复谱峰较宽纯谱的效果提升明显, 特别是当噪声方差较大时, 其他方法的性能均有不同程度的下降, 但该方法依然具有较好的稳定性。 蒙特卡罗仿真实验结果也显示该方法纯谱拟合的标准化均方根误差明显优于其他对比方法。 最后, 利用色谱数据集与三种矿物的拉曼光谱数据集进行实测数据的基线校正性能验证, 结果表明该方法能产生比其他方法更为平滑的纯谱拟合结果, 且去噪效果更优。
光谱分析 块稀疏 稀疏贝叶斯学习 基线校正 Spectral analysis Block sparse Sparse Bayesian learning (SBL) Baseline correction 光谱学与光谱分析
2022, 42(12): 3730
提出了一种基于块稀疏贝叶斯学习的合成孔径雷达（Synthetic aperture radar，SAR）图像目标方位角估计方法。SAR图像具有较强的方位角敏感性，因此对于具有某一方位角的SAR图像仅能与其具有相近方位角的样本具有较高的相关性。方法基于稀疏表示的基本思想，首先对所有训练样本按照方位角顺序排列为全局字典。在此条件下，待估计样本在该字典上的线性表示系数具有块稀疏特性，即非零表示系数主要聚集在字典上的某一局部区域。求解得到的块稀疏位置包含的训练样本可以有效地反映待估计样本的方位角信息。采用块稀疏贝叶斯学习（Block sparse Bayesian learning, BSBL）算法求解全局字典上的稀疏表示系数，并根据具有最小重构误差的原则获得最佳的局部分块。在获取最佳分块的基础上，方位角计算方法采用线性加权的方式综合了该分块区间内所有训练样本的方位角信息从而获得更为稳健的估计结果。所提出的方法在充分考察SAR图像方位角敏感性的基础上，综合运用局部区间内样本的有效信息，避免了基于单一样本估计的不确定性。为了验证所提出方法的有效性，基于Moving and stationary target acquisition and recognition （MSTAR）数据集进行了方位角估计实验并与几类经典方法进行对比分析。实验结果验证了所提出方法的性能优势。
合成孔径雷达 方位角估计 块稀疏贝叶斯学习 线性加权 synthetic aperture radar azimuth estimation block sparse Bayesian learning linear weighting 红外与激光工程
2022, 51(4): 20210282
针对现有基于嵌套稀疏圆阵DOA估计方法计算复杂度高、超参数无法快速选取问题, 提出了一种基于改进嵌套稀疏圆阵的离格稀疏贝叶斯学习(OGSBL)方法。该方法首先将改进嵌套稀疏圆阵接收信号的协方差矩阵进行向量化处理, 然后构造扩展的观测矩阵, 进而结合离格模型与稀疏贝叶斯学习算法实现欠定的DOA估计。仿真实验结果表明, 所提算法降低了计算复杂度, 模型超参数可自适应调整, 且在低信噪比、小快拍数和多信源情况下的均方根误差性能优于原嵌套稀疏圆阵和传统均匀圆阵的测向算法。
波达角估计 虚拟化 嵌套稀疏圆阵 离格稀疏贝叶斯学习 DOA estimation virtualization Nested Sparse Circular Arrays (NSCA) Off-Grid Sparse Bayesian Learning (OGSBL)
红外与激光工程
2021, 50(11): 20210484
1 桂林电子科技大学 计算机与信息安全学院，广西 桂林 541004
2 桂林电子科技大学 信息与通信学院，广西 桂林 541004
计算复杂度和估计精确度一直是波达方向(DOA)估计研究的重点。现有基于压缩感知的DOA估计算法与传统算法相比具有一定优势，但这些稀疏信号重建模型都是将角度空间等间距划分，仍存在算法计算复杂度较高和估计精确度较低的问题。针对这些问题，提出一种对角度空间网格进行部分细化的DOA估计方法。该方法包括裂变过程和学习过程，裂变过程通过产生新网格点对角度空间进行细化，学习过程通过迭代不断逼近波达方向。仿真结果表明，提出的算法耗时较少，而且在非常稀疏的初始网格划分的条件下(初始间隔为20°)，仍可以获得较高的估计精确度。
波达方向估计 压缩感知 离格模型 稀疏贝叶斯学习 网格部分细化 direction of arrival estimation compressive sensing off-grid model sparse Bayesian learning partially refined grid 太赫兹科学与电子信息学报
2020, 18(5): 786
山东大学(威海)机电与信息工程学院, 山东 威海 264209
通过卷积运算提取白矮主序双星的光谱特征是提高识别精度的有效手段。 通过设计一维卷积神经网络, 以判别学习的方式从大量混合光谱中拟合出具有稳定分布的12个卷积核, 有效提取白矮主序双星的卷积特征。 通过引入相对松弛的光谱类别先验分布, 提出反贝叶斯学习策略以解决由于光谱抽样有偏带来的问题, 显著提高识别精度。 通过比较光谱在不同信噪比下的交叉熵测试误差, 分析卷积特征的提取过程对光谱信噪比的鲁棒性。 实验发现, 基于反贝叶斯学习策略的一维卷积神经网络对白矮主序双星的识别准确率达到99.0(±0.3), 超过了经典的PCA+SVM模型。 卷积特征谱的池化过程以降低光谱分辨率的形式缓解了光谱噪声对识别精度的影响。 当信噪比小于3时, 必须通过增加模型在光谱上的迭代次数以形成稳定的卷积核; 当信噪比介于3与6之间时, 光谱卷积特征较为稳定; 当信噪比大于6时, 光谱卷积特征的稳定性显著上升, 信噪比对于模型识别精度带来的影响可以忽略。
白矮主序双星 一维卷积神经网络 反贝叶斯学习策略 信噪比 WDMS One dimensional CNN Anti-bayesian learning paradigm SNR 光谱学与光谱分析
2018, 38(9): 2962
西北大学信息科学与技术学院, 陕西 西安 710127
为了增强切伦科夫荧光的强度,促进切伦科夫发光成像(CLI)技术的临床转化,在前期研究中提出了一种基于辐射发光颗粒(RLMPs)的增强型切伦科夫发光成像(ECLI)技术,并取得了显著的增强效果;为了将ECLI技术扩展到三维成像领域,提出一种新型单视图增强型切伦科夫发光断层成像(ECLT)重建方法;该方法仅使用一个角度的测量数据,采用结合可行区域迭代收缩策略的稀疏贝叶斯学习(SBL)重建算法求解逆问题;设计了非匀质圆柱仿真和物理仿体实验,以验证该方法的准确性和稳定性。结果表明,所提方法可以提高光源目标重建的精度和速率,具有良好的稳定性,能够有效缓解逆问题的不适定性。
成像系统 增强型切伦科夫发光断层成像 稀疏贝叶斯学习算法 单视图重建 切伦科夫发光成像 光学学报
2017, 37(12): 1217001
1 空军工程大学信息与导航学院, 陕西 西安 710077
2 信息感知技术协同创新中心, 陕西 西安 710077
3 复旦大学电磁波信息科学教育部重点实验室, 上海 200433
4 中国卫星海上测控部, 江苏 江阴 214431
为了获得理想的跨航向分辨率, 现有下视三维合成孔径雷达(DL 3D SAR)成像方法所需天线阵列过长, 且阵元数目过多。针对该问题, 提出了一种基于Lp正则化的DL 3D SAR成像方法。在分析DL 3D SAR回波信号模型的基础上, 构建超完备字典, 将跨航向成像过程转化为Lp范数最小化问题, 并分析其可行性, 最后使用稀疏贝叶斯学习方法对其进行优化求解以获得最终的成像结果。仿真实验结果表明, 该方法在保证成像质量的前提下可以将成像所需阵列长度减少为原长度的1/4, 或者在相同阵列条件下将跨行向分辨率提高1倍。
成像系统 合成孔径雷达 三维成像 贝叶斯学习 Lp正则化
南京航空航天大学 航天学院, 江苏 南京 210000
将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离法将复合正则化问题分解成多个单一正则化问题交替迭代求解,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.
高光谱图像 联合稀疏解混 复合正则化 稀疏贝叶斯学习 hyperspectral image simultaneous sparse unmixing compound regularization sparse Bayesian learning
针对自然信号、图像中的丰富时序结构会影响基于多观测向量的压缩图像融合算法性能，基于块稀疏贝叶斯学习，构造了一种新的压缩图像融合算法.该算法采用概率性方法，利用正定矩阵模型化数据间的时序结构对图像中的时序结构进行建模，并将其统一在多观测向量模型中，进而通过贝叶斯规则和对超参量的估计，获取原始图像数据的最大后验估计.为验证该算法的有效性，对其进行了图像融合实验.仿真实验结果表明，与单观测向量模型下的压缩图像融合算法相比，所提出算法能有效降低所需的采样数量，且对多类图像都表现出更优的融合效果.
压缩感知 压缩图像融合 块稀疏贝叶斯学习 多观测向量模型 时序结构 Compressed sensing Compressive image fusion Block sparse Bayesian learning Multiple measurement vectors Temporal structure
