基于多层分块自适应压缩感知的图像编解码方法

压缩感知中,测量矩阵对图像进行单一采样率的压缩采样。传统的测量矩阵虽然能够获得比较好的重构效果,但因采样数目较多,故而资源耗费也较多。为了解决上述问题,提出了多层分块自适应编码算法(multi-layered block adaptive coding algorithm,MLBA)以及多层分块自适应压缩感知编解码方法(multi-layered block adaptive compressed sensing codec method,MLBACS)。MLBACS编解码方法基于MLBA编码算法,能够根据图像局部结构进行不同层数和大小的分块,并自适应分配采样率。仿真结果表明,在同等重构性能的前提下,相对于单一采样率下的压缩感知,MLBACS编解码方法能够不同程度地降低重构图像所需的采样数目。     

基于压缩感知的非重构频谱检测方法

本文基于压缩感知理论利用随机矩阵在时空域对CR用户接收到的授权用户信号进行压缩采样得到观测数据,然后直接对观测数据进行数据处理和分析,设计出一种非重构频谱检测方法。仿真结果表明,该方法的可行性,且具有计算复杂度低和检测性能稳定的优点。     

压缩感知算法在数字图像处理中的研究与应用

随着压缩感知理论研究工作的深入,压缩感知在信号和图像处理领域已引起众多研究者的关注。理论已经证明自然图像本身具有稀疏的表示特性,符合人类所接触的很多信号和图像的处理。近年来,压缩感知理论已被大量应用到信号和图像处理的各个领域[1]。如何构造一个适合不同模态图像的变换字典,并设计相应的快速而有效的稀疏分解算法是本项目中稀疏分解矩阵建立研究的重要内容;提出快速、准确、鲁棒性好的CS重建算法也是本项目研究的主要内容之一。     

一种改进的Bayes CS超宽带频段频谱检测技术研究

针对在宽频段存在频谱采样率高的问题,运用贝叶斯压缩感知进行频谱稀疏采样及重构,然而检测过程存在运行时间慢的缺点,因此本文提出了一种基于直积与QR分解的测量矩阵构造法用于Bayes CS频谱检测过程,仿真结果表明,提出的新算法能有效降低检测时间以及提高频谱检测精度。     

压缩感知重构算法研究

压缩感知是一种全新的信号采样重构方法,和传统的方法相比,它不再要求信号的采样率达到信号带宽的两倍以上,这样就克服了资源浪费,效率低下等缺陷,本文研究了压缩感知理论,并在此基础上研究了多种重构算法,并应用五种典型的压缩感知重构算法来重构二维彩色图片和二维灰度图片,客观的对比了两种算法的实验效果。     

低信噪比下采用感知语谱结构边界参数的语音端点检测算法

提出了一种采用感知语谱结构边界参数(PSSB)的语音端点检测算法,用于在低信噪比环境下的语音信号预处理。在对含噪语音进行基于听觉感知特性的语音增强之后,针对语音信号的连续分布特性与残留噪声的随机分布特性之间的不同点,对增强后语音的时-频语谱进行二维增强,从而进一步突出连续分布的纯净语音的语谱结构。通过对增强后语音语谱结构的二维边界检测,提出PSSB参数,并用于端点检测。实验结果表明,在白噪声-10 dB到10 dB的各种信噪比环境下,采用PSSB参数的端点检测算法,相对于其它端点检测算法,更有效地检测出语音的端点。在-10 dB的极低信噪比下,提出的方法仍然有75.2%的正确率。采用PSSB参数的端点检测算法,更适合于低信噪比白噪声环境下的语音端点检测。     

稀疏信号重构的罚函数神经网络模型

在压缩感知理论中,针对未知信号的稀疏性和信号非零元素位置的不确定性使得稀疏信号的重构比较困难,以及基于贪婪迭代方法的一系列匹配追踪算法和基于凸松弛方法的一系列基追踪算法对稀疏信号的重构概率不高,提出了一个罚函数神经网络模型。首先在感知矩阵A满足有限等距性质的前提下,压缩感知问题可以转化为等价的l_(1)-范数最小化问题。然后基于罚函数的思想构造能量函数,建立了解决稀疏信号重构的神经网络模型,并对其收敛性和优化能力进行了理论分析。仿真实验结果表明,当信号比较稀疏时,仅需较少的观测数,稀疏信号的重构概率就能接近100%。特别是在不同的观测数下,所提出的神经网络模型与正交匹配追踪算法、压缩采样匹配追踪算法及l_(1)-正则化最小二乘法相比,信号的重构概率分别平均提高了4.93、14.07、2.73个百分点。     

基于局部敏感自调制字典的压缩感知矿井图像重构

本文针对现存的稀疏字典学习模型存在的计算负担重、训练速度慢、需要大量训练样本等问题,基于压缩感知和字典学习理论,提出了一种局部敏感自调制字典学习模型。该模型使用分块图像的压缩感知测量学习字典,加入局部约束条件,保证字典稀疏表示图像的能力,且能够快速得到解析解。实验结果表明,本文模型学得的字典相比其他字典,在矿井图像重构上体现了较好的优越性,重构的矿井图像保留了较真实的非平滑的结构特征,并且具有较好的鲁棒性,可以达到矿井图像自适应重构的目的。     

盲重构频域阵列信号的压缩感知水声目标方位估计

针对复杂海洋环境条件下压缩感知水声目标方位估计性能下降的问题,利用盲源分离能够提高信噪比的优势,提出了一种盲重构频域阵列信号的压缩感知水声目标方位估计方法。首先将阵元域信号通过傅里叶变换方法得到多个子带阵列信号;然后对各个子带阵列信号进行复数域盲源分离得到子带解混矩阵和子带分离信号估计,并对子带分离信号进行属性分析和处理;再根据处理后的子带分离信号和子带解混矩阵重构子带阵列信号,对重构的子带阵列信号采用频域压缩感知方法进行空间谱估计,得到各个子带的空间谱;最后将各子带得到的空间谱进行求和,搜索求和后空间谱的峰值则可实现目标方位估计。模拟器数据和海上实测数据验证结果表明,同等条件下该方法的目标检测能力优于经典的最小方差无失真响应(Minimum Variance Distortionless Response,MVDR)方法、频域压缩感知(Compressed Sensing,CS)方法、盲源分离(Blind Source Separation,BSS)与MVDR相结合的方法(BSS+MVDR方法),测向精度更高,明显提高了弱目标信号的空间谱能量,增强了声呐检测弱目标的能力。     

基于压缩感知理论重构压电阻抗信号的钢结构损伤识别

基于压电阻抗(electromechanical impedance, EMI)技术,针对结构损伤识别提出了阻抗/导纳数据压缩与重构的方法,利用随机矩阵将监测系统中的原始阻抗数据向量进行线性映射,并将映射后的向量输入到接收系统中;基于压缩感知理论将重构原始数据的问题转化成非确定性多项式问题,并基于凸优化(convex optimization, CO)理论求解;在损伤识别阶段,利用均方根偏差(root mean square deviation, RMSD)统计指标对重构阻抗数据的识别效果进行评估,并与使用原始阻抗数据的效果进行对比。利用简支钢梁的局部损伤识别试验采集的阻抗数据证明所提出方法的有效性。结果表明：基于重构阻抗数据能够有效识别结构损伤,基系数矩阵的稀疏度随着测量数的减少而降低,一致球集合对应的稀疏度区间低于其他测量矩阵,阻抗数据重构效果随着压缩率的增加而减弱,当压缩率高于2.0时,部分使用重构阻抗数据识别结构损伤的误差将大于20%,损伤识别精度降低。