时域流信号的多任务稀疏贝叶斯动态重构方法研究

发布时间：2021-06-23 06:54

　　为了解决多任务观测条件下时域流信号动态重构面临的块效应问题,该文基于重叠正交变换（LOT）和稀疏贝叶斯学习的贪婪重构框架先后提出了一种流信号多任务稀疏贝叶斯学习算法及其鲁棒增强型的改进算法,前者将LOT时域滑窗推广到多任务条件下,通过贝叶斯概率建模将未知的噪声精度的估计任务从信号重构中解耦并省略,后者进一步引入了重构不确定性的度量,提高了算法的鲁棒性和抑制误差积累的能力。基于浮标实测数据的实验结果表明,相比多任务重构领域代表性较强的时间多稀疏贝叶斯学习（TMSBL）和多任务压缩感知（MT-CS）算法,本文算法在不同信噪比、观测数目和任务数目条件下具有显著更高的重构精度、成功率和效率。 

【文章来源】：电子与信息学报. 2020,42(07)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

图1时域流信号的多任务在线滑窗观测

蚨?硐殖霰?MT-CS和TMSBL算法更高的重构精度。图4所示是4种算法的SR随观测数目变化的比较结果，其中设定了SNR=15dB和SNR=35dB两组附加变量条件。从图中可见4种算法的成功率都随观测数目的增加而增加，且信噪比的增加有助于进一步提高各种算法的成功率。随着观测数目的增加，SMT-SBL和SMT-RSBL算法的成功率逐渐接近，并获得超过MT-CS算法约0.2的成功率优势。4种算法按照成功率从高到低排序与图2相同。图5所示是4种算法的SR随SNR变化的比较结图2不同算法的SER随观测数目变化的比较结果图3不同算法的SER随信噪比变化的比较结果图4不同算法的SR随观测数目变化的比较结果第7期董道广等：时域流信号的多任务稀疏贝叶斯动态重构方法研究1763

咕?取?图4所示是4种算法的SR随观测数目变化的比较结果，其中设定了SNR=15dB和SNR=35dB两组附加变量条件。从图中可见4种算法的成功率都随观测数目的增加而增加，且信噪比的增加有助于进一步提高各种算法的成功率。随着观测数目的增加，SMT-SBL和SMT-RSBL算法的成功率逐渐接近，并获得超过MT-CS算法约0.2的成功率优势。4种算法按照成功率从高到低排序与图2相同。图5所示是4种算法的SR随SNR变化的比较结图2不同算法的SER随观测数目变化的比较结果图3不同算法的SER随信噪比变化的比较结果图4不同算法的SR随观测数目变化的比较结果第7期董道广等：时域流信号的多任务稀疏贝叶斯动态重构方法研究1763

【参考文献】：
期刊论文
[1]基于ROMS模式的南海SST与SSH四维变分同化研究[J]. 周超杰,张杰,杨俊钢,徐明明,张庆君.  海洋学报. 2019(01)



本文编号：3244469