基于块稀疏贝叶斯学习的体域网心电压缩采样

为有效提高体域网的实时性和降低体域网的功耗,提出一种基于块稀疏贝叶斯学习的体域网心电压缩采样方法。该方法在体域网框架下,利用压缩采样理论,在体域网的传感节点利用二进制随机观测矩阵对心电信号进行压缩采样,远程监护中心获得采样值之后,利用块稀疏贝叶斯学习重构算法和离散余弦稀疏变换矩阵对心电信号进行重构。实验结果表明,当心电信号压缩率在70%~90%时,基于块稀疏贝叶斯学习的重构算法要比其他重构算法的重构信噪比高出3 dB~21 dB。该方法能有效减少数据采样,减轻后续的数据存储、数据传输压力,提高体域网的实时性。同时该方法具有功耗低,易于硬件实现的优点。     

基于时空稀疏模型的穿戴式心电信号压缩感知方法

基于时空稀疏模型,提出一种穿戴式心电信号的压缩感知方法,利用信号的时间相关性和空间相关性,来实现心电信号的重构.同时,还提出了一种"分-合"式字典学习算法,通过利用心电信号内在的聚类结构,对训练样本进行字典学习,从而构造出符合心电信号特点的字典,并对其进行稀疏表示.从而进一步提高了心电信号的重构性能.为了验证提出的心电信号压缩感知方法的有效性,采用OSET数据库中的心电数据,将其与其他两种基准算法进行了对比.仿真实验结果表明,所提出的心电信号压缩感知方法能有效地提高心电信号重构的质量.     

基于超声相控阵的聚乙烯管道缺陷信号重构方法研究

在对聚乙烯管道缺陷进行超声检测的过程中,由于聚乙烯材料中传播的声速小,散射噪声强,信噪比极低,并且仪器设备本身会受到电信号干扰,从而影响缺陷成像的结果。因此针对A扫信号进行数据处理以提高检测图像的质量尤为重要。另一方面,采用阵元数较多的超声相控阵探头进行不同类型的聚乙烯管道缺陷的数据采集时,将会得到大量的缺陷数据,对存储、传输和处理带来各种困难。而针对传统方法进行压缩感知时,如果信号的信噪比较低而重构均方误差较大,则很难保留信号中重要信息,在低码率下更容易产生细节丢失的问题。所以本文提出一种基于K-SVD超完备字典学习的稀疏表示缺陷信号压缩重构方法,借助该学习算法训练过完备字典,并选择高斯随机矩阵为观测矩阵和正交匹配追踪算法(OMP)为重构算法对聚乙烯管道缺陷回波信号进行压缩感知,同时分析字典元素个数与迭代次数等参数变化对重构信号与成像效果的影响。     

基于小波变换和K-SVD的应急广播语音压缩方法

针对应急广播中语音传输效率低的问题,提出了一种基于小波变换和K-奇异值分解（K-SVD）的语音压缩方法,以提升应急广播的信息传输时效性。首先,该方法舍弃语音小波分解得到的高频分量,在小波合成时用随机信号代替;其次,在低频分量的压缩感知过程中,用K-SVD字典学习算法训练的过完备字典对其稀疏表示;最后,采用改进的基于子空间回溯的广义正交匹配追踪算法重构信号。实验结果表明,在压缩效率为50%时,该方法重构应急广播语音的客观语音质量评分（PESQ）达到3.717,比其他对照算法分别提升了3%~47%,说明在保证压缩效率的同时,所提出的方法能提升应急广播语音重构质量,确保应急广播的传输时效性。     

用块稀疏贝叶斯学习算法重构识别体域网步态模式

针对低功耗体域网步态远程监测终端非稀疏加速度数据重构和步态模式识别性能优化问题,提出了一种基于块稀疏贝叶斯学习的体域网远程步态模式重构识别新方法,该方法基于体域网远程步态监测系统架构和压缩感知框架,在体域网传感节点利用线性稀疏矩阵压缩原始加速度数据,减少传输数据量,降低其功耗,同时在远程终端基于块稀疏贝叶斯学习算法充分利用加速度数据块结构内在相关性,获取加速度数据内在稀疏性,有效提高非稀疏加速度数据重构性能,为准确识别步态模式提供可靠的数据支撑.采用USC-HAD数据库中行走、跑、跳、上楼、下楼五种步态运动的加速度数据验证新方法的有效性,实验结果表明,基于所提算法的加速度数据重构性能明显优于传统压缩感知重构算法性能,使基于支持向量机多步态分类器识别准确率可达98%,显著提高体域网远程步态模式识别性能.所提新方法不仅有效提高非稀疏加速度数据重构和步态模式识别性能,并且也有助于设计低功耗、低成本的体域网加速度数据采集系统,为体域网远程监测步态模式变化提供一个新方法和新思路.     

过完备字典稀疏表示下的RAMP重构算法

压缩感知理论将采样理论与压缩理论合二为一,成为最近几年来的研究热点。主要依据图像的稀疏性或是可压缩性的特点,使用K-均值奇异值分解（K-Means Singular Value Decomposition,K-SVD）算法训练获得过完备字典,使用高斯随机矩阵作为测量矩阵,最后通过正则化自适应匹配追踪算法作为压缩感知重构算法,提出了K-SVD过完备字典的正则化自适应匹配追踪算法（KSVD Regularized Adaptive Matching Pursuit,KSVD-RAMP）。通过对重构图像的峰值信噪比、重构时间、相对误差等客观评价指标以及主观视觉上对所提算法以及传统的贪婪算法做对比。实验结果表明,该算法比基于离散小波稀疏表示的RAMP算法的峰值信噪比提升了2~6 dB。因此,该算法重构出的图像不管在视觉效果上,还是在客观评价指标上都有一定的改善。     

基于压缩感知的实时心电信号压缩算法

远程无线心电实时监护系统的心电采集终端基于嵌入式设备开发,系统资源和网络带宽都收到限制,这要求系统设计具有低功耗和数据实时压缩的功能,因此引入压缩感知算法对心电信号进行处理。压缩感知算法具有编码计算简单快速,解码计算相对复杂的特点。对于心电信号,需要对压缩感知算法在实时心电压缩系统中的可行性进行研究。     

语音压缩感知研究进展与展望

压缩感知技术,特别是语音压缩感知技术逐渐成为信号处理领域的研究热点。当前的语音压缩感知关键技术主要包括适合语音信号的稀疏分解矩阵构造,观测矩阵的选择和重构算法的设计。稀疏分解矩阵的重要代表是正交基、基于语音特性的线性预测矩阵和过完备字典。观测矩阵方面主要采用随机观测矩阵分析语音压缩感知性能;重构算法方面重点研究当观测序列或语音信号本身含有噪声时鲁棒的语音压缩感知重构算法。本文对上述语音压缩感知的3大关键技术进行了介绍和对比分析,并对语音压缩感知的应用进行了总结,最后对未来可能的研究热点进行了展望。     

基于块稀疏贝叶斯学习压缩感知的心音重构

为提高体域网远程传输心音信号的重构精度、运行时间及处理数据量,对一种基于块稀疏贝叶斯学习的压缩感知重构心音方法进行研究。在传感节点端对心音信号做分块处理,进行离散余弦变换字典训练;通过稀疏二进制矩阵对心音信号进行压缩,并传送至终端;利用块稀疏贝叶斯学习对终端压缩的心音重构,将重构结果与传统的正交匹配追踪结果比较。实验结果表明,块稀疏贝叶斯学习算法比正交匹配追踪算法重构的结构相似度高0.2-0.3,在信噪比方面高10db-30db,所提方法具有重构精度高,处理心音数据量大,运行时间快的显著优势。     

基于小波稀疏的心电信号压缩感知

为降低可穿戴心电监护系统的实时数据量,以方便数据存储、传输,探讨了小波稀疏域下心电信号压缩感知采样和重构过程,以得到小波稀疏域下的心电信号最优压缩感知方法.从压缩率、重构精度和重构耗时角度,分析了心电信号在以Daubechies、Coiflet、Symlet、Biorthogonal、ReverseBior等小波构建的变换矩阵下的稀疏性能,研究了伯努利、循环、高斯、哈达马、托普利兹等观测矩阵的采样性能,完成了不同重构算法的结果分析,提出了基于db4小波滤波稀疏、伯努利观测矩阵采样、GOMP重构的心电信号压缩感知采样方法.基于MIT-BIH数据库的实验结果表明:该方法在心电信号压缩比(CR)达68.75％时,重构均方根差百分比误差(PRD)约为1％,且重构用时短,具有显著的应用优势.     

Super-resolution Reconstruction of Remote Sensing Images by Using Empirical Mode Decomposition and Compressed Sensing

Super resolution (SR) of remote sensing images is significant for improving accuracy of target identification and for image fusing.Conventional fusion-based methods inevitably result in distortion of spectral information,a feasible solution to the problem is the single-image based super resolution.In this work,we proposed a single-image based approach to super resolution of multiband remote sensing images.The method combines the EMD (Empirical Mode Decomposition),compressed sensing and PCA to dictionary learning and super resolution reconstruction of remote sensing color image.First,the original image is decomposed into a series of IMFs(Intrinsic Mode Function) according to their frequency component by using EMD,and the super resolution is implemented only on IMF1,which includes high-frequency component;then the K-SVD algorithm is used to learn and obtain overcomplete dictionaries,and the MOP (Orthogonal Matching Pursuit) algorithm is used to reconstruct the IMF1;Finally,the up-scaled IMF1 is combined with other IMFs to acquire the super resolution of original image.For a multiband image reconstruction,a PCA transform is first implemented on multiband image,and the PC1 is adopted for learning to get overcomplete dictionaries,the obtained dictionaries is then used to super-resolution reconstruction of each multi-spectral band.The Geoeye-1 panchromatic and multi-spectral images are used as experimental data to demonstrate the effectiveness of the proposed algorithm.The results show that the proposed method is workable to exhibit the detail within the images.     

基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建

为了通过软件方式增强遥感影像的空间分辨率,提出了一种基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建算法。基于稀疏表示理论,利用K-SVD字典学习算法求解低分辨率字典及其稀疏系数,将稀疏系数传递至高分辨率字典学习空间,形成高、低分辨率字典对,重建得到高分辨率遥感影像,并在字典学习和稀疏重建两个阶段设置了不同的稀疏度。实验分别采用TM5影像、资源三号影像以及USC_SIPI图像库中的遥感影像进行重建,结果表明,不论重建影像有无噪声,所提算法的峰值信噪比和结构相似指标均高于Bicubic法以及Zeyde的算法。K-SVD和双稀疏度参数的引入,不仅减少了字典学习时间,且具有高的空间分辨率提升能力。     

基于典型地物字典学习的遥感图像分块重构方法

遥感图像压缩的传统方法普遍存在着重构时间长、重构质量有待改进等应用难题。本文针对不同典型地物的遥感图像,采用K-SVD字典学习方法分别进行过完备字典训练。重构过程中,采用图像分块优化机制：首先对部分图像块通过多次迭代,从相应地物的过完备字典里求解出能线性表示原图像的原子;然后对其邻域内的图像块,优先使用这些原子中的一部分作为初始值求表示残差,以减少迭代次数。该方法充分利用了典型地物遥感图像的信息内容以及图像块间的相似性,在重构的图像质量、重构速度方面,与非冗余正交基构造的通用字典或未分类的学习字典相比,有一定优越性。     

基于量子粒子群优化算法的压缩感知数据重构方法

针对传感器监测对象特点,将压缩感知理论应用于数据压缩过程以降低通信能耗,并根据现有压缩感知数据重构算法存在的重构精度受稀疏度影响较大的缺点,在分析了压缩感知数据重构原理后,提出了将原始信号按固定长度进行分帧处理以减少算法解空间的数量,并将量子理论中的编码方式应用于粒子群优化算法,提出了基于量子粒子群优化算法的压缩感知数据重构方法QP-CSDR。算法根据传感器监测对象特点,从统计学角度出发对粒子群优化算法中的粒子初始位置及粒子群更新方式加以改进,以提高数据重构精度。仿真实验结果表明,在稀疏度小于50的条件下,QP-CSDR算法相对已有算法在重构精度方面性能提升20%~40%,该算法已应用于微地震及音频监测系统中,经实际检验算法在保证数据精度的前提下延长系统寿命2倍~4倍左右。     

An AK-BRP dictionary learning algorithm for video frame sparse representation in compressed sensing

Sparsifying transform is an important prerequisite in compressed sensing. And it is practically significant to research the fast and efficient signal sparse representation methods. In this paper, we propose an adaptive K-BRP (AK-BRP) dictionary learning algorithm. The bilateral random projection (BRP), a method of low rank approximation, is used to update the dictionary atoms. Furthermore, in the sparse coding stage, an adaptive sparsity constraint is utilized to obtain sparse representation coefficient and helps to improve the efficiency of the dictionary update stage further. Finally, for video frame sparse representation, our adaptive dictionary learning algorithm achieves better performance than K-SVD dictionary learning algorithm in terms of computation cost. And our method produces smaller reconstruction error as well.

     

Soft-competitive learning of sparse codes and its application to image reconstruction

We propose a new algorithm for the design of overcomplete dictionaries for sparse coding, neural gas for dictionary learning (NGDL), which uses a set of solutions for the sparse coefficients in each update step of the dictionary. In order to obtain such a set of solutions, we additionally propose the bag of pursuits (BOP) method for sparse approximation. Using BOP in order to determine the coefficients of the dictionary, we show in an image encoding experiment that in case of limited training data and limited computation time the NGDL update of the dictionary performs better than the standard gradient approach that is used for instance in the Sparsenet algorithm, or other state-of-the-art methods for dictionary learning such as the method of optimal directions (MOD) or the widely used K-SVD algorithm. In an application to image reconstruction, dictionaries trained with this algorithm outperform not only overcomplete Haar-wavelets and overcomplete discrete cosine transformations, but also dictionaries obtained with widely used algorithms like K-SVD.