用于压缩采样信号重建的回溯正则化自适应匹配追踪算法

正则化正交匹配追踪算法是一种广泛被使用的压缩感知重构算法,但其需要已知信号的稀疏度。针对这一缺点,本文提出一种回溯正则化自适应匹配追踪算法。该算法基于正则化正交匹配追踪算法进行改进,首先采用设置模糊阈值的方式初始化选取一些原子,然后对其进行正则化,最后采用回溯的方式删掉个别错误的原子。在每次迭代中,不断更新支撑集的同时扩大支撑集,以逐步逼近信号的稀疏度。实验结果表明,在相同的测试条件下,改进后的算法与其他贪婪算法相比,无论是对一维稀疏信号还是二维图像,均取得了更好的重建效果,且运行时间也比较适中。      

分块正则化正交匹配追踪算法

压缩传感理论是一种充分利用信号稀疏性或者可压缩性的全新的信号采样理论。该理论表明,通过采集少量的信号值就可实现信号的精确重构。文中在研究和总结已有经典重构算法的基础上,提出了结合图像分块思想和正则化过程的分块正则化正交匹配追踪算法(Block Regularized Orthogonal Matching Pursuit,B_ROMP)用于压缩传感信号的重构。该算法以块结构获取图像,利用正则化过程实现支撑集的二次筛选,最终实现图像信号的精确重构。实验结果表明,在相同测试条件下,该算法的重建效果无论从主观视觉上还是客观数据上都有不同程度的提高。     

基于压缩感知的正则化子空间追踪算法

压缩感知理论是一种新的在采样的同时实现压缩的采样过程,只要被采样信号是稀疏或可压缩的,就可以保证精确重建。通过研究总结已有的贪婪追踪类重建算法,提出了一种正则化子空间追踪算法(Regularized Subspace Pursuit,RSP)。正则化正交匹配追踪算法(Regularized Orthogonal Matching Pursuit,ROMP)的正则化方法对原子的能量分级思想,对信号的重建精度和重建速度有很大影响。首先对该方法的不合理性进行改进,然后将改进的正则化步骤引入到子空间追踪算法(Subspace Pursuit,SP)中,最终达到对原始信号的快速精确重建。实验仿真表明,该算法比SP算法更高效,更具有实际应用意义。     

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,并且重建性能和重建效率均优于现有的同类算法。      

通过正交匹配追踪研究压缩感知信号检测算法

现阶段,我国应用的检测算法大多以特征量的迭代过程为研究对象,这种检测方法只适用于感知信号存在时,并不适用于全部的信号测算工作。本文将提出感知信号检测的改进方法和正交匹配追踪的研究方案,以降低信号特征量的变化区间,提高感知信号检测结果的准确性,提高检测的成功率。     

信号压缩重构的正交匹配追踪类算法综述

压缩感知(Compressed sensing, CS)技术是近几年出现的一种新兴的信号采样和压缩技术,基于该理论所获得的原始信号采样值,不仅数量大大低于基于传统的Nyquist准则的采样值,而且CS技术还具有对未知信号边感知边压缩的特性。重构算法的设计是CS技术的核心,成为学者研究的重点。本文在对国内外已经出现的重构算法进行系统地研究后,在深入地研究了贪婪追踪算法和其重构模型的基础上,给出了正交匹配追踪(Orthogonal Matching Pursuit, OMP)类算法的基本原理、优缺点及针对各种算法的缺点的改进方案。此外,为了读者更好地定位OMP类算法,本文还简要介绍了其他几种经典的重构算法。最后,把各种算法应用于图像重构,通过仿真实验分析了各种算法的重构性能、鲁棒性和复杂度,并进一步验证了各种算法的优缺点。      

基于压缩感知的实时目标追踪算法

提出了一种高效的基于压缩感知的实时目标追踪算法,该算法将空域数据转换到小波域,然后利用变密度采样矩阵对小波域数据进行压缩,从而极大地降低了数据量。在稀疏重建上,将St-OMP算法代替OMP算法以提高稀疏重建的速度。在多种具有挑战性的视频序列上进行实验,结果表明该算法提高了追踪准确度和速度。     

基于正交匹配追踪算法的语音信号重构研究

压缩感知理论是近年来提出的一种新兴的基于信号稀疏性的采样理论。正交匹配追踪算法是其中一种典型的重构方法,文中针对语音信号重构中存在的不足,采用正交匹配追踪算法对语音信号进行信号重构,相比于传统的压缩感知的重构算法更加地适用于对含噪语音、重构语音质量会更高,去噪效果也会更明显。为语音信号CS性能的基础性的研究提供了参考。     

压缩感知增强型自适应分段正交匹配追踪算法

信号重建算法是压缩感知技术中的关键问题。大部分贪婪迭代重建算法需要已知信号稀疏度,但实际情况下信号稀疏度很难获得。该文提出了一种增强型自适应分段正交匹配追踪算法。该算法在已有的分段正交匹配追踪算法的基础上,引入回溯思想,在原有的阈值参数的基础上引入一个新的标识参数I,达到有效的二次支撑集筛选,从而在未知信号稀疏度的前提下更好地重建信号。仿真结果表明,与其他相关算法相比,该文提出的算法无论在测量信号无噪还是有噪情况下,均可获得更优的信号重建质量:无噪条件下准确重建概率平均提高30%~40%,有噪条件下重建信号的均方误差（Mean Square Error, MSE）平均改善5~10dB,算法复杂度增加较少。      

一种基于正交匹配追踪的压缩感知信号检测算法

针对当前压缩感知信号检测算法没有充分利用稀疏系数幅值信息的不足,提出了一种新的检测算法。从正交匹配追踪算法切入,通过深入分析归一化残差的变化信息,提出归一化余差概念,建立了一种基于归一化残差和归一化余差二维判决的信号检测算法。仿真结果表明,算法的有效检测阈值区间随着信噪比的降低而不断减小,且在信噪比为-8 dB、压缩比为0.25时,该算法的检测概率仍能满足要求,具备较好的适应性。     

基于非均匀FFT的压缩感知雷达信号快速重构方法

雷达处理是压缩感知理论重要的应用方向之一,基于压缩感知的雷达处理可以降低对回波信号的采样速率要求,并且在部分应用中也可改善处理性能。然而,压缩感知重构算法的计算复杂性限制了压缩感知理论在实际雷达信号处理中的应用,尤其是大尺度雷达数据的处理。本文提出了一种基于压缩感知的雷达信号快速重构方法,利用均匀和非均匀快速傅里叶变换运算实现了常规压缩感知重构算法中的矩阵-向量乘法运算,有效降低了重构算法的计算复杂度,加快了压缩感知雷达信号的重构速度。同时,由于引入了快速傅里叶变换运算,该方法消除了大多数常规重构算法对感知矩阵的存储需求。仿真实验验证了该方法的可行性和高效性。      

一种面向信号分类的匹配追踪新方法

匹配追踪(MP)的主要策略是通过每次迭代时选择一个局部最优解,从而逐步逼近原始信号。然而传统的MP系列算法进行原子匹配时,各类原子集间存在交集,从而影响了原子的表示能力以及相应的分类效果。基于此,该文提出一种适用于信号监督分类的匹配追踪新算法。其原子挑选的准则为：同类信号采用相同的原子集匹配,获取相同的类内表示结构;异类信号选择不同的原子集匹配,从而增强信号的类间差异。示例分析表明,使原子集间相互独立,能够减少异类信号间的共性因素,强化信号间的区分度,从而有利于提升分类识别效果。通过在标准图像库和实测雷达辐射源信号集上的实验表明,较之传统的MP系列方法,所提算法对噪声和遮挡具有更强的鲁棒性。     

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.     

基于混合匹配追踪算法的MIMO雷达稀疏成像方法

多输入多输出(MIMO)雷达作为一种新型的雷达体制,其成像兼具高分辨率与实时性的优点。由于观测区域的稀疏性,MIMO雷达成像可以用压缩感知的方法进行处理。而现有的MIMO雷达稀疏成像的贪婪恢复算法中,正交匹配追踪算法(OMP)存在成像图像有伪影的缺点,子空间追踪算法(SP)则受到低分辨率的困扰。针对上述问题,该文提出一种称为混合匹配追踪算法的压缩感知贪婪算法以实现MIMO雷达稀疏成像。通过将两种贪婪恢复算法结合起来,利用OMP 算法选择基信号的正交性和SP 算法具有基信号选择的回溯策略,来重构出高分辨率且没有伪影的雷达图像。仿真实验验证了所提算法的有效性。     

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。     

基于ROMP 的压缩感知算法在雷达成像中的应用

压缩感知理论能够解决大带宽、多通道雷达系统的大数据量存储和传输问题。本文将压缩感知理论应用到雷 达高分辨率成像中,研究了基于正则匹配追踪算法（ROMP）的雷达成像算法,并把它和基于平滑0-范数（SL0）优化 和1-范数优化(L1)的雷达成像算法做了对比。通过对数值仿真实验,验证了这三种成像算法的有效性。仿真结果表 明基于ROMP 的压缩感知雷达成像算法在计算速度方面优于基于SL0 和L1 范数的压缩感知雷达成像算法。     

基于快速贝叶斯匹配追踪优化的海上稀疏信道估计方法

正交频分复用(OFDM)系统中,由于频率发生选择性衰落会导致信道在数据传输中产生符号间干扰,因此接收机往往需要知道信道状态信息。而在海上通信的情况下,信道传输会受到多种外界因素的干扰,往往需要预先进行信道探测估计。为了提高估计性能,该文提出一种基于奇异值分解优化观测矩阵的快速贝叶斯匹配追踪稀疏信道估计优化算法(FBMPO),该算法不仅能够充分考虑海上通信的信道稀疏性,也能够降低信道的不确定性带来的影响。计算机仿真实验表明,与传统的信道估计算法相比,该算法能够提高信道估计的精确度。

     

基于BFGS拟牛顿法的压缩感知SL0重构算法

平滑l₀范数(SL0)算法是一种基于近似l₀范数的压缩感知信号重构算法,采用最速下降法和梯度投影原理,通过选择一个递减序列来逐步逼近最优解,具有匹配度高、计算量低、不需要已知信号稀疏度等优点。但是,其迭代方向为负梯度方向,使得在迭代过程中产生“锯齿现象”,导致在最优解附近收敛速度较慢。牛顿法具有较快的收敛速度,但是对初值的要求较高,并且需要计算Hesse矩阵。拟牛顿法则克服了这个缺点,利用BFGS公式计算Hesse矩阵的近似矩阵,只需要计算1阶导数信息。该文在SL0算法的基础上,结合BFGS拟牛顿法,提出一种改进的压缩感知信号重构算法。首先采用最速下降法迭代得到信号的某个估计值,然后将此估计值作为拟牛顿法的初值继续迭代,直至得到最优解。计算机仿真结果表明,在相同的条件下,该算法在重构精度、峰值信噪比和重建匹配度等方面均有较大提高。