基于结构化稀疏学习的鲁棒时频重建
信号处理
2020-05-01 v1
摘要
时频分布（TFD）在为现实场景中非平稳信号提供描述性分析方面起着至关重要的作用。众所周知，低时频（TF）分辨率和交叉项（CT）的出现是两个主要问题，使得利用 TFD 分析和解释实际信号变得困难。为解决这些问题，我们提出 U-Net 辅助的迭代收缩阈值算法（U-ISTA），通过利用信号时频域中的结构化稀疏性来重建近似理想的 TFD。具体而言，首先压缩信号模糊函数，随后将 ISTA 展开为循环神经网络。为考虑信号的连续分布特性，通过将 U-Net 视为自适应阈值块，将结构化稀疏约束纳入展开的 ISTA 中，其中结构感知阈值从大量训练数据中学习，以利用相邻 TF 系数间的潜在依赖关系。所提 U-ISTA 模型由非重叠与重叠的合成信号（包括邻近与远离的非平稳分量）训练。实验结果表明，鲁棒 U-ISTA 相比最先进算法具有更优性能，并在低信噪比（SNR）环境下也能获得高 TF 分辨率且大幅消除 CT。
引用
@article{arxiv.2004.14820,
title = {Robust Time-Frequency Reconstruction by Learning Structured Sparsity},
author = {Lei Jiang and Haijian Zhang and Lei Yu},
journal= {arXiv preprint arXiv:2004.14820},
year = {2020}
}