基于广义轮换矩阵的伪随机广义二进制轮换矩阵设计

压缩感知中,测量矩阵在信号的获取和重构过程中起着重要的作用.传统的随机测量矩阵在采样率较高的情况下,能够获得比较好的重构效果,但在低采样率下的重构效果不够理想.确定性测量矩阵自身存在一些限制因素,与随机测量矩阵相比,重构效果有所降低.基于广义轮换矩阵(GR),提出了两种结构随机矩阵:广义二进制轮换矩阵(GBR)和伪随机广义二进制轮换矩阵(PGBR).仿真结果表明,相对于传统的测量矩阵,新的测量矩阵在二维图像重建方面效果较好,所需重构时间相差不大,在较低的采样率下能够获得更加精确的重建.     

压缩感知图像重构中矩阵互相关性的研究

从测量矩阵和稀疏矩阵的互相关性角度出发,通过对测量矩阵和稀疏矩阵所构成的Gram矩阵进行门限选择,进而经过相应的缩放处理降低互相关性,这样不仅可以获取更多有信息量的测量值,而且可以完成对测量矩阵的优化改进.通过在DWT、DCT下的压缩感知图像重构实验验证了该方法的可行性,恢复效果得到一定程度的提高,相比于传统的小波恢复重构,达到了预期的效果.     

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.     

基于稀疏带状矩阵的二维图像重建

压缩传感（Compressed Sensing,CS）是数据采样同时实现压缩的新理论、新技术。针对大图像重构时采用的测量矩阵维数高,所需存储空间过大的问题,引入稀疏带状概念,提出了稀疏带状测量矩阵,可减少测量矩阵独立随机元,根据图像按列逐步处理的方式,测量矩阵维数大大降低。实验结果表明基于稀疏带状测量矩阵的逐列图像重构算法在保证重建质量的情况下,计算速度也大大提升。     

压缩感知二进制测量矩阵的构造

针对现有二进制测量矩阵重构性能和硬件实现的负相关性,提出了一种新型压缩感知二进制测量矩阵,伪随机块对角矩阵(PRBD)。PRBD矩阵使用平衡正交Gold序列、块对角矩阵和降采样矩阵,通过结构化的方法构造,不仅保留了确定性矩阵易于硬件实现和计算复杂度低的优点,而且利于贪婪追踪算法进行图像重构。实验结果表明,PRBD测量矩阵具有良好的重构性能,在峰值信噪比(PSNR)的指标上比常用的二进制测量矩阵提高0.5dB以上。特别地,PRBD测量矩阵可采用图像分块重构的方法,在保证重构性能良好的情况下,图像重构需要的时间较短。     

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。     

采样列化的切比雪夫混沌测量矩阵构造算法研究

压缩感知利用信号的稀疏性,无损地从低维测量信号中恢复高维度稀疏信号,近年来得到极大发展。然而,目前存在的测量矩阵中大多存在元素相关性高等问题,无法保证恢复效果的精确性,大大制约了它们的应用前景。基于此,通过引入切比雪夫混沌系统,提出一种基于采样列化的切比雪夫混沌感知测量矩阵(SC3M)。不同于经典的相对独立取值的构造方法,SC3M矩阵通过对切比雪夫混沌序列做采样列化及归一化处理等操作来确保矩阵的低列相关性,以优化重构效果。进一步,结合Johnson-Lindenstrauss引理严格证明了其满足约束等距特性(RIP),给提出的测量矩阵的应用提供了扎实的理论依据。实验仿真表明,提出的混沌测量矩阵能确保良好的信号和图像重构精度,明显优于纯随机矩阵、伯努利矩阵和高斯矩阵等其它经典测量矩阵。     

部分哈达玛矩阵分段弱正交匹配追踪算法

为解决分段弱正交匹配追踪算法在测量过程中难以获得高精度重构信号的问题,首先对以高斯矩阵为测量矩阵的传统SWOMP算法进行了分析,指出问题的关键在于高斯矩阵列相干性过大会影响残差信号的匹配过程,从而导致部分信号丢失,使重构精度下降;然后,根据分析提出了一种基于部分哈达玛矩阵的分段弱正交匹配追踪(PH-SWOMP)算法,其中部分哈达玛矩阵根据偶数行抽取原则进行构造,可以显著降低测量矩阵的互相关性;最后,通过与传统SWOMP算法的图像重构对比仿真实验对PH-SWOMP算法性能进行了验证,其中传统SWOMP算法分别选取高斯矩阵、托普利兹矩阵等4种矩阵作为测量矩阵.仿真结果表明,在相同条件下,相比于传统SWOMP算法, PH-SWOMP算法信噪比最大提高了53.95%,相应的重构时间缩短了15.41%,具有更小的恢复残差以及更高的信号重构成功率.     

帐篷混沌序列稀疏测量矩阵构造

测量矩阵的构造是压缩感知(CS)中重要的研究内容之一.利用混沌系统伪随机性、遍历性的特点,提出了一种基于帐篷混沌序列构造确定性稀疏随机矩阵的方法.对混沌系统生成的确定性序列进行了间隔采样,采样后的序列满足统计独立性,然后通过符号函数映射,生成了具有稀疏性质的伪随机序列,进而构造出混沌稀疏测量矩阵.仿真实验表明:该方法构造出的混沌稀疏测量矩阵与高斯随机矩阵、稀疏随机矩阵及Bernoulli随机矩阵相比,具有类似的重构性能.混沌系统参数与初值固定时,构造的混沌稀疏测量矩阵是确定的,计算复杂度小且硬件上容易实现.     

依据列相关性优化高斯测量矩阵

为了提高信号重建的精度以及稀疏度适用范围,提出了一种新的测量矩阵优化方法,减小测量矩阵和稀疏变换矩阵的相关性。首先,由测量矩阵和稀疏变换矩阵的乘积构造Gram矩阵;根据Gram矩阵的维数,计算互相关函数的下确界即Welch界;其次,由Welch界确定阈值,收缩Gram矩阵中大于阈值的非对角元;然后,由新得的Gram矩阵和稀疏变换矩阵反解出测量矩阵,迭代更新,从而达到减小相关性,优化测量矩阵的目的。实验结果表明：依据Welch界优化测量矩阵,能快速降低压缩感知矩阵相关性的最大值,提高OMP算法的性能,例如在误差率为10_-0.9时,原高斯随机矩阵需要23个观测值,算法优化后只需16个观测值,相对于Elad、Zhao等观测矩阵优化方法,文中提出的算法具有更小的重构误差,性能和稳定性也略有提升。