基于卡尔曼滤波的压缩感知弱匹配去噪重构

现有的贪婪迭代类压缩感知重构算法均基于最小二乘对信号进行波形估计,未考虑到可能将量测噪声引入信号估计的情况.针对以上不足,提出了一种基于线性Kalman滤波的压缩感知弱匹配去噪重构算法.该算法不需已知稀疏度先验,通过引入Kalman滤波,在最小均方误差准则下,每次迭代都获得最佳信号估计;并以弱匹配的方式同时筛选出有效的原子,并剔除冗余原子进而重构原信号.新算法继承了现有贪婪迭代类算法的有效性,同时避免了因噪声干扰或稀疏度未知导致的重构失败.理论分析和实验表明,新算法在同等条件下,重构性能优于现有典型贪婪迭代类算法,且其运算时间低于BPDN算法和同类的KFCS算法.     

基于Monte Carlo采样的压缩感知弱匹配去噪重构

最小二乘是现有贪婪迭代类压缩感知重构算法中通用的信号估计方法,其未考虑到可能将量测噪声引入信号估计的情况.针对以上不足,提出一种基于Monte Carlo采样的压缩感知弱匹配去噪重构算法.该算法在未知信号稀疏度先验的条件下,通过引入递推Bayesian估计减小量测噪声的干扰;同时,以弱匹配的方式筛选出有效的原子,并剔除冗余原子进而重构原信号.新算法继承了现有贪婪迭代类算法的有效性,同时避免了因噪声干扰或稀疏度未知导致的重构失败.理论分析和实验表明,新算法在同等条件,尤其是非高斯噪声情况下,重构性能优于现有典型贪婪迭代类算法,且其运算时间低于BPDN算法和同类的KF-SAMP算法.     

一种改进的稀疏度自适应匹配追踪算法

压缩感知理论是一种充分利用信号稀疏性或可压缩性的全新信号获取和处理理论.针对未知稀疏度信号重构,提出了一种改进的稀疏度自适应匹配追踪算法.该算法首先利用一种基于原子匹配测试的方法得到信号稀疏度的初始估计,然后在稀疏度自适应匹配追踪(SAMP)框架下采用变步长分阶段思想实现稀疏度的逼近,在初始阶段利用大步长实现稀疏度的快速粗接近,以提高收敛速度,在随后的迭代中逐渐减小步长,实现稀疏度的精逼近,最终实现信号的精确重构.理论分析和仿真结果表明,该算法在一定程度上解决了SAMP算法在大稀疏度条件下运算量较大以及固定步长导致的欠估计和过估计问题,较好地实现了未知稀疏度信号的精确重建,且重建性能和重建效率均优于现有的同类算法.     

基于分治试探的盲自适应匹配追踪重构算法

压缩感知是一种针对稀疏可压缩信号进行压缩采样的信号处理新方法,针对现有稀疏度探测方法中探测次数较多的问题,基于分治思想提出了盲稀疏度自适应匹配追踪（BSAMP）算法,首先分治试探信号稀疏度,使得其估计值快速逼近真实值,然后通过自适应分组并扩充信号支撑域的方法,快速筛选出有效支撑,并通过弱匹配剪枝得到重构信号。可以在信号稀疏度未知的情况下,快速估计出信号的稀疏度并精确重构出原信号。仿真实验表明：在相同条件下,该算法的重构时间比其他同类算法短,且重构概率也大于其他同类算法。     

基于支撑集保护的回环匹配算法

针对部分压缩感知贪婪迭代类重构算法中误删正确支撑集元素的缺点,提出了一种基于支撑集保护的回环匹配算法（LM-P）。该算法依据最小残差内积初始化非受保护支撑集元素,然后依据观测向量在非受保护支撑集对应观测子矩阵上的投影,选择对应投影绝对值最大的元素添加到受保护支撑集,迭代获得受保护支撑集,从而重构原始信号。实验结果表明,对于非零值服从正态分布且稀疏度小于观测值一半数目的稀疏信号,LM-P算法的重构准确率超过86%;对于低信噪比稀疏信号,该算法的重构准确率能够维持在99%以上;与OMP、CoSaMP、SP和GPA算法相比,LM-P精确重构所需观测值数更少;此外,LM-P算法在二维图像信号的重构中也有较好性能。     

1-Bit压缩感知盲重构算法

1-Bit压缩感知(CS)是压缩感知理论的一个重要分支。该领域中二进制迭代硬阈值(BIHT)算法重构精度高且一致性好,是一种有效的重构算法。该文针对 BIHT 算法重构过程需要信号稀疏度为先验信息的问题,提出一种稀疏度自适应二进制迭代硬阈值算法,简称为SABIHT算法。该算法修正了BIHT算法,首先通过自适应过程自动调节硬阈值参数,然后利用测试条件估计信号的稀疏度,最终实现不需要确切信号稀疏度的1-Bit压缩感知盲重构。理论分析和仿真结果表明,该算法较好地实现了未知信号稀疏度的精确重建,并且与 BIHT 算法相比重构精度及算法复杂度均相当。     

块稀疏广义正交匹配追踪算法

基于广义正交匹配追踪,提出了一种在压缩感知框架下,适用于任意块稀疏信号重构的算法。该算法以贪婪迭代为核心,在迭代过程中利用一种新的方法寻找非零块,达到了非零块估计方法优化的目的,提升了算法重构概率。理论分析表明在恰当的受限等距特性常数约束下,该算法能够保证重构原始信号。仿真实验从稀疏度、算法估计步长、测量值数目、迭代次数等方面证明了该算法的有效性与优越性。     

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.     

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。     

基于压缩感知超宽带信号盲稀疏度信道估计

鉴于超宽带(UWB)信道估计要求预先给出信道才能精确重构的不足,研究了基于压缩感知的盲稀疏度匹配追踪类算法用于信道重建.这种盲稀疏度方法根据迭代终止条件和字典中最优原子选择方式的不同,设置迭代终止阈值和阶段转换阈值,通过可变步长的增大逐步逼近稀疏度,实现精确重建.仿真结果表明,相同条件下,基于此思想经过改进算法可有效用于解决实际UWB信道估计,较改进前算法估计性能相当,是一种具有应用价值的盲稀疏度重构方法.     

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.     

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,通过引入弹球损失和自适应异常值追踪提高对噪声的鲁棒性,通过引入归一化参数,缩短运算时间。数值仿真实验表明,本文算法重构复杂度降低10%左右,在信号无噪声条件下重构信噪比提高2.1 dB,在有噪声条件下绝对均方误差（AMSE）降低约0.3。算法运行效率比基于自适应异常值追踪的二进制硬阈值算法提升了25%。与当前先进算法相比,能有效地克服信号重构对稀疏度的依赖性,对符号跳变引起的噪声具有很好的鲁棒性。      

基于压缩感知的MIMO-OFDM系统自适应信道估计

针对超密集组网中导频复用将产生导频干扰,严重影响移动用户下行链路信道估计准确性的问题,提出了一种使用短导频的幂函数稀疏度自适应匹配追踪(Power Sparsity Adaptive Matching Pursuit,PSAMP)算法.该算法由稀疏度预估计和追踪重构两部分构成.首先通过幂函数试探得到一个略小于真实稀疏度的预估值,再通过压缩采样匹配追踪重构信号,改善估计结果;若不能成功重构,则逐渐增加信号原子数量.仿真结果表明,相较于传统自适应压缩感知重建算法,所提的P SAMP算法在高信噪比区域具有更好的信道估计性能.     

基于变步长的正则化回溯自适应追踪算法

在压缩感知重构算法中,稀疏度未知及步长大小固定是影响算法精度及运行时间的因素.针对以上不足,本文提出一种基于变步长的正则化回溯自适应追踪算法.该算法首先通过原子匹配测试的方式获得信号的稀疏度估计;将正则化思想和子空间追踪算法的回溯思想相结合,实现原子的二次筛选并筛除不合适的原子;最后,利用变化的步长选择候选集中的原子,帮助完成信号的完整重构.通过仿真实验证明,本文提出的重构算法在重构速度和重构精度上均优于同类算法.     

自适应小波包的光纤传感器信号压缩感知

在由分布式光纤传感器构成光纤周界报警系统中 ,针对大规模、高分辨率的光纤振动信号在采样、传输、存储和重 构过程中会受到网络带宽、存储容量等限制问题,提出基于自适应小波包的光纤传感器信号 压缩感知方法。首先,采用小波 包对光纤振动信号进行多层稀疏变换,通过求取小波包系数的数学期望来选取初始置零阈值 ;然后,对光纤振动信号进行重 构并求取重构信号精度,再根据信号的重构精度采用迭代计算方法求取小波包系数的最佳置 零阈值,使光纤振动信号在满足 重构精度的前提下具有最高稀疏度,实现信号的自适应压缩感知;最后,根据光纤振动信号 的特征,采用K-SVD算法训练 得到过完备字典,结合正交匹配跟踪方法完成光纤振动信号的高精度重构。大量实验证明, 与传统压缩算法相比较,新方法的各方面性能均得到较大程度 提高。     

基于改进正交匹配追踪的FBG传感信号处理方法

针对光纤布拉格光栅(FBG)传感信号易受外界噪声干扰从而导致信号丢失的问题,提出了一种改进型正交匹配追踪(OMP)算法。围绕FBG传感信号波长随应力漂移的本质特征,在压缩感知理论的框架下,通过去除稀疏系数中的虚部,并利用指数饱和法对非零元素进行拟合与排序,从而获取FBG信号的有效稀疏度。在此基础上,通过改进经典OMP算法迭代过程中的原子选择策略与终止条件,有效降低算法复杂度并提高信号的重构精度。对比实验结果表明,所提出的算法在时间复杂度、信噪比与信号重构精度等方面均具有突出的优势。     

压缩感知中测量矩阵与重建算法的协同构造

本文提出基于感知字典的迭代硬阈值(SDIHT)算法,以此协同构造压缩感知中测量矩阵与重建算法.将成对测量矩阵与感知字典分别用于压缩投影和构造重建算法,重建迭代至残差为零,从而精确恢复原始稀疏信号.本文证明了SDIHT算法精确恢复原始稀疏信号的充分条件.SDIHT算法的优点是重建精度高和计算复杂度低.仿真实验表明,当信号稀疏度或测量次数相同时,相比IHT、OMP和BIHT算法,SDIHT算法重建0-1稀疏信号和二维图像效果更好、算法效率更高.     

基于二项分布改进的宽带压缩频谱检测方案

宽带压缩频谱检测存在依赖稀疏度先验信息和信号重构时延较高的问题.因此,本文提出了一种高效可靠的宽带压缩频谱检测方案.首先,推导出了基于二项分布精确置信区间改进的稀疏度估计模型.其次,利用稀疏度估计上下界改进了稀疏度自适应匹配追踪算法.最后,提出了一种宽带压缩频谱检测方案.仿真结果表明,本文所提出方法可以同时精确的估计信号稀疏度的上下界,提高了频谱检测的效率和可靠性,加快了算法的收敛速度.