一種三階多項式相位信號去噪的字典學習算法

歐國建楊士中蔣清平曹海林

?

一種三階多項式相位信號去噪的字典學習算法

歐國建*①②楊士中①蔣清平①曹海林①

①(重慶大學飛行器測控與通信教育部重點實驗室 重慶 400044)②(重慶電子工程職業學院 重慶 401331)

三階多項式相位信號；遞歸最小二乘字典學習算法；字典學習；非線性最小二乘法；曲線擬合

1 引言

字典學習算法的研究有3個方向[7]：第1個是基于概率的字典學習方式，如最大后驗(MAP)字典學習算法[8]；第2個是基于矢量量化的學習方式，如K-means Singular Value Decomposition (K-SVD)字典學習算法[9]；最后是基于具體結構的學習方式，如參數字典設計[10]。在這3個研究方向內，涌現出了許多的字典學習算法，其共同特征都是通過某種方式使得字典獲得更符合信號內容，特征或者紋理特征。

為了實現對信號的有效去噪，本文提出的字典學習算法在RLS-DLA算法的基礎上，采用非線性最小二乘法修改了該算法對字典的更新部分，我們稱該算法為遞歸最小均方-非線性最小二乘(Recursive Least Squares- Non Linear Least Squares, RLS-NLLS)字典學習算法。實驗表明，相比K-SVD, RLS-DLA和K-SVDD字典學習算法，該算法對CPS具有更好的去噪效果，并且運算量遠遠低于采用固定字典的形式。

2 問題描述

可得到

通過對式(5)的求解，可得到

字典學習是從觀測信號數據中得到最優的稀疏表示，使得字典中原子結構更接近于觀測信號。對有噪聲的CPS，通過字典學習，字典中的原子結構必然接近于有噪聲的CPS。對此，本文通過非線性最小二乘法對原子結構進行擬合，使其結構接近于無噪聲的CPS，這樣訓練出來的字典通過稀疏表示能有效去除CPS的噪聲。

3 算法描述

3.1 算法思想

分析RLS-DLA及K-SVD字典學習算法對多項式相位信號去噪效果不好的原因，是因為通過這些字典學習算法訓練后得到的字典，其原子結構接近于信號。因此，如果觀測信號是帶噪聲的信號，則通過字典學習，得到的原子結構必然是帶噪的信號結構。那么，如果對原子數據進行修正，讓原子結構接近與不帶噪的信號結構，這樣得到的字典通過稀疏表示得到的重構信號，其去噪效果就很明顯。于是本文引入了非線性最小二乘法，通過擬合原子數據，讓原來帶噪的原子結構變為不帶噪的原子結構。從圖1(a)可以看出，對有加性高斯白噪聲的CPS，用RLS-DLA字典學習算法訓練字典后，訓練后的字典原子是一個含加性高斯白噪聲的函數，而從圖1(b)中可以看出，通過非線性最小二乘法對原子的擬合，原子是一條光滑的曲線，這樣就有效去除了原子的噪聲。通過這樣的處理得到的字典，通過稀疏分解我們就能對信號有效的去噪。

對非線性最小二乘法擬合，其原理如下：

這就是非線性最小二乘法擬合的基本原理。

3.2 . RLS-NLLS算法

圖1 RLS-DLA字典學習算法得到的原子函數曲線及擬合曲線

表1RLS-NLLS算法步驟

任務：找到最好的字典，使得該字典通過稀疏表示能有效地去除CPS的噪聲。初始化：任取段觀測信號作為初始字典，并使之標準化。(1)取得第個受訓信號；(2)通過用追蹤算法和，得到系數矢量；(3)求得；(4)運用，計算矢量, ；(5)更新字典。(1)取得字典的第i個原子；(2)運用非線性最小二乘法擬合原子，得到擬合后的原子；(3)把擬合后的原子代替原來的原子；最后得到的字典為。

4 實驗

本節主要驗證通過該算法對CPS的去噪效果。去噪效果采用信號的均方誤差(Mean Square Error, MSE)和信噪比(SNR)來衡量，定義如下：

圖2 RLS-NLLS, RLS-DLA, K-SVD及K-SVDD重構信號對比圖

表2 4種算法重構信號的MSE值

表3 4種算法重構信號的SNR值

5 結論

[1] Djurovi? I, Djukanovi? S, Simeunovi? M,. An efficient joint estimation of wideband polynomial-phase signal parameters and direction-of-arrival in sensor array[J]., 2012, 2012(43): 1-19.

[2] Robby G, McKilliaml I, Vaughan L,.. The asymptotic properties of polynomial phase estimation by least[C]. 2011 IEEE International Conference on,Acoustics, Speech and Signal Processing (ICASSP),Italy, 2011: 3592-3595.

[3] Djukanovi? S and Djurovic? I. Aliasing detection and resolving in the estimation of polynomial-phase signal parameters[J]., 2012, 92(1): 235-239.

[4] Li Y, Wu R, and Xing M,. Inverse synthetic aperture radar imaging of ship target with complex motion[J].,&, 2008, 2(6): 395-403.

[5] Wang Yong and Jiang Yi-cheng. ISAR imaging of a ship target using product high-order matched-phase transform[J]., 2009, 6(4): 658-661.

[6] Han Ning and Shang Chao-xuan. Fast variable matrix algorithm for sparse decomposition based on PSO[J]., 2012, 34(1): 46-49

[7] To?ic I and Frossard P. Dictionary learning[J]., 2011, 28(2): 27-38.

[8] Ereutz-Delgado K, Murray B J, Rao K,.. Dictionary learning algorithms for sparse representation[J].2003, 15(2): 349-396.

[9] Abaron M, Elad M, and Bruckstein. A. K-SVD: an algorithm for designing overcomplete dictionaries for sparse representation[J]., 2006, 54(11): 4311-4322.

[10] Yaghoobi M, Daudet L, and Davies M E. Parametric dictionary design for sparse coding[J]., 2009, 57(12): 4800-4810.

[11] Skretting K and Engan K. Recursive least squares dictionary learning algorithm[J]., 2010, 58(4): 2121-2130.

[12] Elad M and Abaron M. Image denoising via sparse and redundant representations over learned dictionaries[J]., 2006, 15(12): 3736-3745.

[13] Liu J, Tai X, Huang H,.. A weighted dictionary learning model for denoising images corrupted by mixed noise[J]., 2013, 22(3): 1108-1120.

[14] Engan K, Skretting K, and Hussy J H. Family of iterative LS-based dictionary learning algorithms, ILS-DLA, for sparse signal representation[J]., 2007, 17(1): 32-49.

[15] Djurovi I, Simeunovi M, Djukanovi S,.. A hybrid CPF-HAF estimation of polynomial-phase signals: detailed statistical analysis[J]., 2012, 60(10): 5010-5023.

歐國建： 男，1975年生，博士生，研究方向為壓縮感知、擴頻通信、非平穩信號處理.

楊士中： 男，1937年生，教授，中國工程院院士，研究方向為信息與通信工程、電子科學與技術.

蔣清平： 男，1976年生，博士，講師，研究方向為壓縮感知、循環譜信號處理.

A Dictionary Learning Algorithm for Denoising Cubic Phase Signal

Ou Guo-jian①②Yang Shi-zhong①Jiang Qing-ping①Cao Hai-lin①

①(&,,400044,)②(,401331,)

Cubic Phase Signal (CPS); Recursive Least Squares Dictionary Learning Algorithm (RLS-DLA); Dictionary learning; Non-Linear Least Squares (NLLS); Curve fitting

TN911.7

A

1009-5896(2014)02-0255-05

10.3724/SP.J.1146.2013.00726

歐國建 ouguojia_2005@qq.com

2013-05-23收到，2013-10-25改回

國家自然科學基金(51377179)，中央高校基本科研業務費(CDJZR12160020)和重慶教委項目(KJ120510)資助課題