压缩感知理论及重构算法性能分析

压缩感知是近年来信号处理领域新诞生的一种新的信号处理理论,文中详述了压缩感知的基本理论,主要围绕着信号的稀疏表示、观测矩阵和信号重构算法三个方面对压缩感知进行基本介绍,并对几种典型的信号重构算法(OMP、GPRS、SLO)进行仿真分析。     

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。     

基于主成分分析的压缩感知重构算法

针对实际信号稀疏性与压缩感知框架要求之间的矛盾,基于主成分分析充分挖掘信号的稀疏性,利用压缩感知降低观测数量。提出主成分追踪算法,准确恢复原信号。理论分析和实验表明,基于主成分分析的压缩感知能将信号稀疏度充分挖掘,在节省九成采样资源的前提下,主成分追踪算法最终的重构结果仍然能够达到重构信噪比20 d B的水平。     

压缩感知自适应观测矩阵设计

稀疏表示、不相关观测和重构是影响压缩感知性能的三大要素,本文设计的自适应观测矩阵以高斯随机观测阵为初始矩阵,利用信号稀疏域系数的部分先验信息进行自适应变换,形成新的观测阵,当压缩感知矩阵对信号的稀疏系数进行投影时,可使得稀疏系数中的小系数更接近于零;同时,通过减少观测阵行向量的方式来减少观测值,从而应用自适应观测阵后的数据传输量与用高斯随机矩阵的数据传输量相差不大。自适应观测矩阵对压缩感知的性能改进体现在重构精度上,用迭代硬阈值算法作为重构算法,我们从理论和实验仿真两方面验证了自适应观测阵的性能要优于高斯随机矩阵。     

基于压缩感知观测序列倒谱距离的语音端点检测算法

本文基于语音信号在离散余弦基上的近似稀疏性,采用稀疏随机观测矩阵和线性规划重构算法对语音信号进行压缩感知与重构。研究了语音信号的压缩感知观测序列特性,根据语音帧和非语音帧压缩感知观测序列频谱幅度分布分散且差异较大的特性,提出基于压缩感知观测序列倒谱距离的语音端点检测算法,并对4dB-20dB下的带噪语音进行端点检测仿真实验。仿真结果显示,基于压缩感知观测序列倒谱距离的语音端点检测算法与奈奎斯特采样下语音的倒谱距离端点检测算法一样具有良好的抗噪性能,但由于采用压缩采样,减少了端点检测算法的运算数据量。      

一种利用压缩感知改进的PMF-FFT扩频捕获算法

为了实现直接序列扩频（DSSS）信号快速捕获的同时降低数据量和硬件资源消耗,引入了压缩感知理论改进部分匹配滤波-快速傅里叶变换（PMF-FFT）算法,提出了基于压缩感知改进的部分匹配滤波-快速傅里叶变换（CSPMF-FFT）算法。该算法将PMF-FFT算法与压缩感知理论相结合,先对信号进行稀疏性分析和压缩观测,然后从少量压缩观测值中重构信号,并利用输出的峰值信息估算信号的多普勒频移和码相位,从而实现捕获。理论分析和仿真实验表明,相较于PMF-FFT捕获算法,CSPMF-FFT算法能在成功完成捕获的同时有效地减少相关器的数目和FFT变换的运算量,从而降低系统数据量和硬件资源压力,为基于压缩感知的扩频信号处理技术研究奠定了基础。     

基于压缩感知的信号重构研究

按照Nyquist采样定理,信号的采样率必须为信号最高频率的2倍以上,这会产生大量的冗余数据。压缩感知是一种新兴的采样理论,对于可以稀疏表示的信号,它能够以远低于Nyquist采样速率对信号进行采样,并通过优化算法实现重构。介绍了压缩感知的基本理论,并分别选取时域稀疏、频域稀疏和图像信号进行了仿真分析,实验结果显示,压缩感知理论能较好的重构原始信号。     

一种改进的压缩感知重构算法

压缩感知理论提供了一种全新的信号获取方式:引入信号的稀疏性,利用少量观测值,通过重构算法实现信号的高精度重构。构建快速、稳定的重构算法是压缩感知理论的主要研究方向之一。为了解决子空间追踪算法依赖于稀疏度的先验信息和重构质量较差的问题,提出一种改进的自适应子空间追踪算法。算法在选择原子的过程中,引入弱选择标准自适应地选择初始候选集,接着通过正则化过程对初始候选集中的原子进行筛选,算法在选择最终支撑集过程中,可以自适应调节支撑集原子个数。应用一维随机信号和二维图像进行重构实验,测试算法的稳定性、重构精度和重构时间,与正交匹配追踪算法、子空间追踪算法、正则化正交匹配追踪算法和稀疏度自适应匹配追踪算法进行对比实验,实验结果表明所提算法可以实现信号的高精度重构,重构稳定性和重构精度与同类算法相比有明显提升。     

基于非局部相似性和交替迭代优化算法的图像压缩感知

压缩感知理论突破了信号带宽对奈奎斯特采样定理的限制,并且实现了在数据采样的同时进行压缩。目前压缩感知系统通常利用图像在某个变换域具有稀疏性的先验知识,从少量观测值中重构原始图像。本文利用图像像素的邻域结构信息及图像子块的相似性,将图像的非局部相似性作为先验知识运用到压缩感知图像重构中。结合图像的非局部相似性及其在变换域的稀疏性先验知识,提出了基于非局部相似性和交替迭代优化算法的图像压缩感知重构算法,该算法利用迭代阈值法和非局部全变差来交替迭代求解变换域的稀疏性优化问题和非局部相似性的优化问题。实验结果表明,本文算法可以有效提高图像重构的视觉效果和峰值信噪比。      

DPSS基下多带流信号的恢复

压缩感知技术是近年来信号处理领域最热门的技术。传统的压缩感知理论并未考虑到稀疏信号本身可能具有的某种结构,块稀疏就是其中的一种。本文针对压缩感知的多带块稀疏流信号,将稀疏信号重构算法与调制的DPSS（Discrete Prolate Spheroidal Sequence ）基扩展相结合,建立了多带块稀疏模型,并利用压缩感知AIC结构,在远低于奈奎斯特速率下对多带宽模拟信号进行采样。结合压缩感知获得的观测方程和利用前后窗内信号的相关性建立的信号状态转移方程,采用降阶的卡尔曼滤波算法恢复原始信号。相对于傅里叶基扩展,DPSS基扩展在降低采样结构复杂度的同时,克服了频谱泄露的问题。仿真结果表明,多带信号在DPSS基下的恢复性能优于多带信号在FFT基下的重构。