L-CR系统中分布式压缩感知最小角回归信号重构

在低轨（LEO）微小卫星感知无线电（L-CR）系统中,多个LEO卫星节点具备一定的频谱感知功能,卫星节点通过分布式组网对地面信关站发射的信息进行感知、传输和处理,地面汇聚节点对LEO卫星节点转发信号进行重构。考虑LEO系统中授权频带的主用户（PU）对卫星认知用户（SU）的干扰,认知用户感知到的信号同时存在PU干扰和噪声,地面汇聚节点通过高效的重构算法进行含噪信号恢复是L-CR系统实现的重要问题。论文研究了L-CR系统中基于分布式压缩感知的信号重构方法。针对L-CR特点,分别分析了汇聚节点在低信噪比情况下采用凸松弛法中的基追踪去噪（BPDN）、同伦（Homotopy）法和最小角回归（Lars）的重构均方误差（MSE）与重构复杂度。研究表明,BPDN具有最小的重构MSE,但其重构复杂度最高。Lars可以有效折衷重构MSE与复杂度。在此基础上,提出了基于分布式压缩感知的最小角回归（DCS-Lars）信号重构方案。仿真结果表明,所提DCS-Lars方法可以在低信噪比情况下有效重构感知信号,并具有良好的频谱检测能力,同时重构复杂度大大降低。      

可重构智能表面辅助通信系统时变级联信道估计

针对可重构智能表面（RIS）辅助通信系统时变级联信道的估计中需解决的级联信道稀疏表示、时变信道参数跟踪和信号重构等关键问题,提出了一种结合Khatri-Rao积的分层贝叶斯卡尔曼滤波（KR-HBKF）算法。该算法首先利用信道的稀疏特性,通过Khatri-Rao积和克罗内克积变换得到RIS级联信道的稀疏表示,将RIS级联信道估计问题转化为低维度的稀疏信号恢复问题。然后,根据RIS级联信道的状态演化模型,在HBKF算法的预测模型中引入了时间相关性参数,应用改进的HBKF解决时变信道参数跟踪和信号重构问题,完成时变级联信道的估计。KR-HBKF算法综合利用了信道的稀疏性和时间相关性,能以较小的导频开销获得更好的估计精度。仿真结果表明,与传统压缩感知算法相比,所提算法具有约5dB的估计性能提升,且在不同的时变信道条件下具有更好的鲁棒性。     

SIMO-NOMA系统分步多用户检测策略

上行免调度非正交多址接入（NOMA）系统中,针对低信噪比情况下通过压缩感知技术联合检测活跃用户和数据的误码率性能比较差的问题,提出了分步多用户检测策略。该策略考虑信号的稀疏度对系统检测性能的影响,理论分析得出了检测成功概率的下界,以降低稀疏度来提高重构概率;结合压缩感知硬融合算法（CS-HFA）,对稀疏信号进行二次筛选,最终实现信号的精确检测。仿真结果表明,随着信噪比、活跃用户数或者过载率的改变,改进方案表现出较好的系统检测性能。     

稀疏码多址接入多用户检测算法综述

稀疏码多址接入(SCMA)是一种非正交多址接入技术,具备高频谱效率和大连接特性.多用户检测是SCMA系统的关键问题,而如何降低检测算法的复杂度成为多址接入领域的研究热点.该文从影响算法复杂度的不同因素入手,分类综述了现有多用户检测算法并对几种典型算法进行了原理剖析和性能对比.同时,指出了SCMA多用户检测算法的改进思路.最后总结并探讨了SCMA检测算法未来的发展趋势和面临的挑战.     

稀疏码多址接入多用户检测算法综述

稀疏码多址接入(SCMA)是一种非正交多址接入技术,具备高频谱效率和大连接特性。多用户检测是SCMA系统的关键问题,而如何降低检测算法的复杂度成为多址接入领域的研究热点。该文从影响算法复杂度的不同因素入手,分类综述了现有多用户检测算法并对几种典型算法进行了原理剖析和性能对比。同时,指出了SCMA多用户检测算法的改进思路。最后总结并探讨了SCMA检测算法未来的发展趋势和面临的挑战。     

基于串并结合策略的SCMA多用户检测

稀疏码分多址接入（SCMA）是促进第五代移动通信系统发展的重要无线空口技术支撑,能够满足海量连接的需求。针对上行SCMA通信系统接收端使用的基于串行消息传递算法（MPA）的多用户检测迭代运行时间长,导致系统时延的问题,提出一种串并结合SCMA多用户检测算法,充分融合了串并行消息传递特点。仿真结果表明,相比串行MPA多用户检测算法,所提算法可降低系统的复杂度,且每轮迭代运行时间减少,从而减小了时延,实现了误比特率性能与系统时延、系统复杂度之间理想的平衡。     

上行SCMA系统的动态子图检测算法

面对未来网络需求量的爆炸性增长,稀疏码多址接入（Sparse Code Multiple Access,SCMA）作为一种基于码本的非正交多址技术,在用户连接数、频谱效率和低时延都有很大的提升。由于码字的稀疏性,SCMA采用消息传递算法（Message Passing Algorithm,MPA）实现多用户检测,但是复杂度还是相对较高,以至于很难应用于实际系统。为了解决上述问题,提出了一种动态子图消息传递算法（Dynamic Sub-graph Message Passing Algorithm,DS-MPA）进行信号检测。DS-MPA利用剩余值来确定下一次迭代的子图,减少了资源节点的更新用户数量,达到了降低复杂度的目的。仿真结果显示算法性能几乎无损并且降低了1/3左右的复杂度。     

室内可见光通信系统中基于压缩感知的空移键控信号检测方法

针对基于空移键控(Space Shift Keying,SSK)的室内可见光通信(Visible Light Communications,VLC)系统中的信号检测,本文将其转换为稀疏信号重构问题,使得具有相对较低计算复杂度的压缩感知(Compressed Sensing,CS)稀疏重构算法成为基于SSK调制的室内VL...     

RIS辅助无线系统中基于压缩感知的稀疏度自适应级联信道估计方法研究

为了解决可重构智能超表面（Reconfigurable Intelligent Surface, RIS）辅助无线通信系统中级联信道的估计问题,本文提出了一种基于压缩感知（Compressive Sensing, CS）的自适应双结构稀疏正交匹配追踪算法（Adaptive Double-Structured Orthogonal Matching Pursuit, ADS-OMP）。已有的双结构稀疏正交匹配追踪算法（Double-Structured Orthogonal Matching Pursuit, DS-OMP）利用级联信道的双结构稀疏特性即行稀疏特性和列稀疏特性来提高算法估计性能,但需要已知相关信道稀疏度信息。本文提出的ADS-OMP算法在现有的DS-OMP算法基础上设计合理的判决准则和迭代阈值来估计相关稀疏度,从而能在角域级联信道的行稀疏度和列稀疏度均未知的情况下完成级联信道估计,有效克服了现有DS-OMP算法对相关信道稀疏度的依赖,算法实用性更强。仿真结果表明,本文提出的ADS-OMP算法和已有DS-OMP算法估计性能一致,算法复杂度在同一数量级上,前者复杂度略微提升。      

面向压缩感知的块稀疏度自适应迭代算法

块稀疏信号是一种典型的稀疏信号,目前在块稀疏信号的压缩感知问题中,大多数信号重构算法要求信号的块稀疏度已知且算法复杂度高.针对实际应用中信号块稀疏度未知的情况,提出了一种块稀疏度自适应迭代算法,用于信号重构.首先,该算法初始化一个块稀疏度,其值按设定步长进行增加.对每一个块稀疏度的迭代,算法都会找到信号支撑块的一个子集,并修正更新上一次找到的信号支撵块,最后找到信号的整个支撑块,从而重构出源信号.该算法不需要信号的块稀疏度作为先验知识,而且算法复杂度低.仿真实验表明,该算法的重构概率较已有大多数块稀疏信号重构算法的重构概率高,在块稀疏信号的压缩感知问题中具有实际意义.     

Energy-based adaptive matching pursuit algorithm for binary sparse signal reconstruction in compressed sensing

Compressed sensing gains great attention in the field of signal reconstruction. In order to deal with some practical cases in which the sparsity levels are unknown, this paper proposes an energy-based adaptive matching pursuit (EAMP) algorithm for binary sparse signal reconstruction in the compressed sensing framework. The EAMP algorithm inherits the feature of the sparsity adaptive matching pursuit algorithm, which increases the estimated sparsity level when the energy of the observation residue increases. Meanwhile, the proposed algorithm introduces the measurement vector into the signal reconstruction process. It uses two kinds of step sizes to increase the estimated sparsity level when the energy of the estimated candidate signal is less than half of that of the measurement vector. The experimental results indicate that the proposed EAMP algorithm provides better reconstruction performance than other greedy algorithms.     

基于块稀疏度与自适应迭代的压缩感知方法

针对分块压缩感知算法在平滑块效应时损失了大量的细节纹理信息,从而影响图像的重构效果问题,提出了一种基于块稀疏信号的压缩感知重构算法。该算法先采用块稀疏度估计对信号的稀疏性做初步估计,通过对块稀疏度进行估算初始化阶段长,运用块矩阵与残差信号最匹配原则来选取支撑块,再运用自适应迭代计算实现对块稀疏信号的重构,较好地解决了浪费存储资源和计算量大的问题。实验结果表明,相比常用压缩感知方法,所提算法能明显减少运算时间,且能有效提高图像重构效果。     

基于自适应滤波的压缩感知重构方法

自适应滤波框架中,滤波器的抽头系数可以利用特定的自适应算法达到近似维纳解,从而使滤波器的输出误差达到最小.将这个框架应用到压缩感知重构信号中,信号的稀疏系数等效为滤波器系数权值向量,从而可获得最佳的稀疏系数,以高概率重构信号.本文介绍了已有学者研究出的一种L0最小均方算法(L0-LMS),该算法中引入零引力项加快了权矢量向稀疏解收敛的速度,保证解的稀疏性.通过仿真可知,基于自适应滤波算法重构稀疏信号的性能较好,甚至优于压缩感知中常用的OMP算法.     

自适应稀疏度的1 bit压缩重构算法

1 bit压缩感知技术日益受到关注.1 bit信号往往有符号跳变,同时信号重构还需要稀疏度先验信息,如何有效地克服信号重构对稀疏度的依赖性,提高重构算法对噪声的鲁棒性,这是该领域面临的重大挑战.本文在二进制迭代硬阈值算法基础上,引入自适应稀疏度,利用残差能量的大小,通过对信号和噪声的学习,解决稀疏度依赖问题,通过引入弹...     

Joint sparse model based data reconstruction algorithm for wireless sensor network

The data of wireless sensor network has strong joint sparse characteristics,by utilizing compressed sensing theory,compressed data by joint encoding,and then reconstructed the data by joint decoding,the sensed data can be gathered with low computational cost.A synchronous subspace pursuit algorithm based on joint sparse model and com-pressed sensing theory was proposed.By utilizing the sparsity of the sensed data,it selected the correct joint subspace and reconstruct the original signal group accurately with fewer observations in a backtracking iterative manner.Com-pared with SCoSaMP algorithm and SP algorithm,the proposed algorithm presents better data reconstruction perform-ance under the conditions of different sparsity and sampling rate.     

彩色图像有效压缩及联合重建的研究

足够的稀疏性是信号或图像压缩感知精确重建的前提,但实际情况下的彩色图像并不完全满足此约束条件。为了降低稀疏性的限制,这里给出了基于小波分解与联合重建的彩色图像压缩方法,该方法是将彩色图像的RGB分量独立地分解成密集和稀疏两部分,密集部分采用传统方法编码,稀疏部分采用压缩感知进行压缩编码。文中还讨论了如何采用联合重建算法同时重建RGB3个分量的稀疏部分,及结合密集部分进行原始彩色图像的重建问题。仿真结果表明：该方法是实现实际彩色图像的压缩传输和精确重建的一种有效方法。     

基于基追踪-Moore-Penrose逆矩阵算法的稀疏信号重构

压缩感知(Compressed Sensing,CS)稀疏信号重构其本质就是在稀疏约束条件下求解欠定线性方程组,基于迭代加权L-p(0＜p≤1,p=2)类范数算法减小重构误差成为近来稀疏信号重构热点之一.该文提出了基追踪-Moore-Penrose逆矩阵(Basis Pursuit-Moore-Penrose Inverse Matrix,BP-MPIM)算法:(1)由基追踪(Basis Pursuit,BP)算法得到稀疏信号非零元素位置(亦称支撑集,对应于测量矩阵的列);(2)通过求解由支撑集所对应测量矩阵的子矩阵和CS测量值组成的超定线性方程组实现稀疏信号重构,并证明了由此重构的稀疏信号是其唯一最小二次范数解.仿真的稀疏信号和实测宽带雷达回波信号脉冲压缩结果表明,和原来算法相比,新算法具有更小的重构误差,且误差只存在于其支撑集内.