為了解決多任務觀測條件下時域流信號動態(tài)重構(gòu)面臨的塊效應問題,該文基于重疊正交變換（LOT）和稀疏貝葉斯學習的貪婪重構(gòu)框架先后提出了一種流信號多任務稀疏貝葉斯學習算法及其魯棒增強型的改進算法,前者將LOT時域滑窗推廣到多任務條件下,通過貝葉斯概率建模將未知的噪聲精度的估計任務從信號重構(gòu)中解耦并省略,后者進一步引入了重構(gòu)不確定性的度量,提高了算法的魯棒性和抑制誤差積累的能力�；诟藢崪y數(shù)據(jù)的實驗結(jié)果表明,相比多任務重構(gòu)領域代表性較強的時間多稀疏貝葉斯學習（TMSBL）和多任務壓縮感知（MT-CS）算法,本文算法在不同信噪比、觀測數(shù)目和任務數(shù)目條件下具有顯著更高的重構(gòu)精度、成功率和效率。 

【文章來源】：電子與信息學報. 2020,42(07)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1時域流信號的多任務在線滑窗觀測

蚨?硐殖霰?MT-CS和TMSBL算法更高的重構(gòu)精度。圖4所示是4種算法的SR隨觀測數(shù)目變化的比較結(jié)果，其中設定了SNR=15dB和SNR=35dB兩組附加變量條件。從圖中可見4種算法的成功率都隨觀測數(shù)目的增加而增加，且信噪比的增加有助于進一步提高各種算法的成功率。隨著觀測數(shù)目的增加，SMT-SBL和SMT-RSBL算法的成功率逐漸接近，并獲得超過MT-CS算法約0.2的成功率優(yōu)勢。4種算法按照成功率從高到低排序與圖2相同。圖5所示是4種算法的SR隨SNR變化的比較結(jié)圖2不同算法的SER隨觀測數(shù)目變化的比較結(jié)果圖3不同算法的SER隨信噪比變化的比較結(jié)果圖4不同算法的SR隨觀測數(shù)目變化的比較結(jié)果第7期董道廣等：時域流信號的多任務稀疏貝葉斯動態(tài)重構(gòu)方法研究1763

咕?取?圖4所示是4種算法的SR隨觀測數(shù)目變化的比較結(jié)果，其中設定了SNR=15dB和SNR=35dB兩組附加變量條件。從圖中可見4種算法的成功率都隨觀測數(shù)目的增加而增加，且信噪比的增加有助于進一步提高各種算法的成功率。隨著觀測數(shù)目的增加，SMT-SBL和SMT-RSBL算法的成功率逐漸接近，并獲得超過MT-CS算法約0.2的成功率優(yōu)勢。4種算法按照成功率從高到低排序與圖2相同。圖5所示是4種算法的SR隨SNR變化的比較結(jié)圖2不同算法的SER隨觀測數(shù)目變化的比較結(jié)果圖3不同算法的SER隨信噪比變化的比較結(jié)果圖4不同算法的SR隨觀測數(shù)目變化的比較結(jié)果第7期董道廣等：時域流信號的多任務稀疏貝葉斯動態(tài)重構(gòu)方法研究1763

【參考文獻】：
期刊論文
[1]基于ROMS模式的南海SST與SSH四維變分同化研究[J]. 周超杰,張杰,楊俊鋼,徐明明,張慶君.  海洋學報. 2019(01)



本文編號：3244469