准Toeplitz测量矩阵的有限等距性质分析*

Toeplitz测量矩阵的卷积特性使压缩感知理论在线性时不变系统辨识问题中得到广泛应用。但在信号频率较高的场合往往需要对测量结果进行欠采样以利用压缩感知理论降低系统对采样频率的要求,这导致测量模型中的测量矩阵变为由Toeplitz矩阵中等间隔抽取若干行组成的子矩阵（准Toeplitz矩阵）。为此文章讨论了准Toeplitz矩阵作为测量矩阵的可行性。首先通过理论推导证明了准Toeplitz矩阵的有限等距性质,而后在仿真中比较了使用准Toeplitz矩阵与其他测量矩阵的重构效果。结果表明,准Toeplitz满足有限等距性质,使用准Toeplitz矩阵的重构效果与其他测量矩阵相近,可以作为压缩感知测量矩阵。     

一种近似奇异值分解的观测矩阵优化方法

压缩感知观测矩阵的优化通常采用迭代或最优化的思想,其主要缺点是运算复杂度高。针对这种情况,提出一种基于奇异值分解的观测矩阵优化方法。首先对随机矩阵进行奇异值分解,其次减小随机矩阵的奇异值到适定的范围,进而得到条件数相对小的观测矩阵。理论分析和实验结果表明,该方法得到的观测矩阵与稀疏基的互干性较小,能够精确重构信号。与现有的其他优化方法相比,该方法具有实现简单,计算复杂度低和重构精度高的特点。     

基于马尔科夫链的随机测量矩阵研究

测量矩阵是压缩感知理论中的重要组成部分,其将直接影响原始信号的重构精度.针对常用测量矩阵重构精度较低的问题,构造一种基于马尔科夫链的随机测量矩阵.利用马尔科夫链的随机性生成M个随机数,将随机数按照规则分别映射为-1和1后作为M×M维对角矩阵的元素,采用马尔科夫链生成M×(N-M)个随机数并按照规则分别映射为0和1,构成包含0和1元素的M×(N-M)维矩阵,并将这两部分矩阵相结合形成M×N的测量矩阵.仿真结果表明,该矩阵结构简单,相比常用测量矩阵和基于奇异值分解的Toeplitz结构矩阵重构精度得到明显提升,并且减少了运算量与存储空间.     

基于图像分块的Toeplitz结构测量矩阵设计

现有压缩感知成像系统存储测量矩阵时需要较大空间,针对该问题,提出一种基于图像分块的Toeplitz结构块循环测量矩阵设计方法。将图像分块进行压缩感知,减少测量系统的存储空间,从而降低硬件实现难度。仿真结果表明,该方法能快速有效地获得测量值,且重构图像的主客观质量较好。     

基于P-Ifourier观测矩阵的宽带压缩感知方法

针对压缩感知理论在宽带频谱感知领域应用时重构精度差的问题,根据平稳信号在频域所表现出的稀疏特性,提出了一种基于P-Ifourier(Partial-Inverse fourier)观测矩阵的宽带压缩频谱感知方法。新方法首先将频谱感知问题建模为一个典型的压缩感知问题,利用相关性能优良的标准正交傅里叶基构造观测矩阵,使观测矩阵具有良好的重构性能和重构精度。仿真结果表明,相比于高斯随机观测矩阵和嵌入式混沌序列-循环Toeplitz结构观测矩阵,该方法在较低信噪比环境下能够明显降低信号重构的均方误差,并且在相同条件下的重构概率得到了明显改善。     

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。     

面向结构损伤信号的多传感器感知融合方法

针对结构监测中的结构损伤信号的处理,提出一种基于压缩感知的数据融合方法,实现压 缩采样后的稀疏信号的融合和重构。对航空铝板的损伤信号采用高斯随机矩阵将高维 信号序列投影到低维空间,获得稀疏采样的线性测量值,实现信号的压缩采样;再对多 传感器的线性测量值进行数据融合;最后通过重构算法来实现信号的重构。实验表明,与现 有的方法相比,感知融合的方法具有更好的融合性能和抗噪性,能获得更高的数据压缩效果 ,节省了网络的带宽和能量,更适合于结构损伤信号的处理。     

基于Kent混沌测量矩阵的压缩感知图像重构算法

图像重构是图像数字化和恢复高质量图像信号的关键技术,使用压缩感知理论进行图像重构的意义在于显著减少采样次数,降低系统资源的消耗。测量矩阵的构造是压缩感知的重要研究内容之一。提出一种基于Kent混沌测量矩阵的压缩感知图像重构算法,将Kent混沌序列作为测量矩阵,采用离散小波变换的稀疏化方法,在小波域对原始图像信号进行测量。最后采用正交匹配追踪方法恢复原始图像。仿真实验中,对比高斯随机测量矩阵和Logistic混沌测量矩阵,对不同的图像进行重构。实验结果证明,基于Kent混沌测量矩阵的重构算法能够恢复原始图像,重构性能优于高斯随机观测矩阵和Logistic混沌测量矩阵,同时克服了随机测量矩阵硬件难以实现的缺陷。     

基于稀疏对角矩阵的语音信号压缩感知

探索压缩感知理论在语音信号重构中的应用,研究测量矩阵选取对语音信号重构效果的影响.改进传统随机,托普利兹,循环等测量矩阵,尝试将稀疏对角矩阵应用于测量矩阵完成对语音信号的非相干测量.在语音信号上进行实验,分别采用稀疏对角结构测量矩阵和传统测量矩阵,对比它们使用StOMP算法重构语音信号的效果.实验结果表明,采用改进的稀疏对角循环矩阵重构语音信号,较传统矩阵重构的精确度有明显提高,运行时间也有明显缩短.     

Kronecker积重构卷积核矩阵的图像迭代复原方法

图像复原实际上是反卷积问题,其中的卷积核矩阵属于大尺寸的Toeplitz矩阵。为了降低迭代复原算法的计算复杂度,通过分析该Toeplitz系统的病态性及常见快速求解方法,提出一种基于卷积核矩阵重构的预条件共轭梯度迭代算法。首先根据Toeplitz矩阵可分解为Kronecker积的和的性质,对点扩散函数进行奇异值分解,将各奇异值对应的左右向量构造子Toeplitz矩阵,子矩阵作Kronecker积并加和,从而得到卷积核矩阵的分解式,然后根据Kronecker乘积的性质,将该分解式用于构造预条件算子,最后利用预条件共轭梯度法求解。计算复杂度分析及实验表明该方法有助于加速迭代的收敛并得到稳定结果。