行阶梯观测矩阵、对偶仿射尺度内点重构算法下的语音压缩感知

基于语音信号在离散余弦域上的近似稀疏性,针对采用随机高斯观测矩阵及线性规划方法进行语音压缩感知与重构时,重构零(近似零)系数定位能力差而导致重构效果不好的缺点,本文提出一种新的行阶梯矩阵做观测矩阵,用对偶仿射尺度内点重构算法对语音进行压缩感知与重构,并对该算法下的重构性能进行理论分析.语音压缩感知仿真结果表明,在离散余弦基下,压缩比(观测序列与原始序列样值数之比)为1∶4时,行阶梯观测矩阵下的平均重构信噪比比随机高斯观测矩阵下提高9.73dB,平均MOS分比随机高斯观测矩阵下提高1.22分.     

认知WSN中基于能量有效性自适应观测的梯度投影稀疏重构方法

针对认知无线传感器网络中传感器节点侧的模拟信息转换器对本地感知数据进行稀疏表示与压缩测量,该文提出一种基于能量有效性观测的梯度投影稀疏重构(GPSR)方法。该方法根据事件区域内认知节点对实际感知到的非平稳信号空时相关性结构,映射到小波正交基级联字典进行稀疏变换,通过加权能量子集函数进行自适应观测,以能量有效的方式获取合适的观测值,同时对所选观测向量进行正交化构造测量矩阵。汇聚节点采用GPSR算法进行自适应压缩重构。仿真比较了GPSR自适应重构与正交匹配追踪(OMP)重构算法。仿真结果表明,在压缩比小于0.2的区域内,基于能量有效性观测的GPSR自适应重构效果优于传统随机高斯测量信号重构。在相同节点数情况下,GPSR自适应压缩重构方法在低信噪比区域内具有较小的重构均方误差,且该方法所需观测数明显低于随机高斯观测,同时有效保障了感知节点的能耗均衡。     

压缩感知中稀疏分解和重构精度改进的一种方法

稀疏分解、非相关观测和重构算法是压缩感知的三大要素,任何一个环节的设计优劣都对压缩感知的性能产生重大影响,稀疏分解是实现压缩感知的前提,现今使用的稀疏分解对大多数自然信号都不能做到理想的绝对稀疏,而是近似稀疏,这大大影响了压缩感知的重构性能。本文设计了一种可逆的阈值,并用其构造门限矩阵,从而门限矩阵可逆,将门限矩阵作用于信号经正交变换后的近似稀疏系数,可使系数更接近理想的绝对稀疏,而且门限矩阵对系数的处理过程是可逆的,即可由处理后的系数无损恢复原来的近似稀疏系数。重构算法采用贪婪算法中的OMP和CoSaMP,从理论上分析了在保证与CoSaMP同样的前提条件下,门限矩阵改进后的CoSaMP重构误差明显减小,仿真实验用门限矩阵对OMP和CoSaMP的改进前后进行对比,验证了门限矩阵对重构精度有进一步的提高。      

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。      

基于OMP-SVD的多分量单频信号频率估计

压缩感知(CS)是稀疏信号处理的有力工具。研究了多分量单频信号经过压缩采样以及信号重构后的频率估计问题。首先以一个随机高斯矩阵对信号进行观测测量,得到观测值;然后基于正交匹配追踪(OMP)和奇异值分解(SVD)算法,利用这些观测值对原信号进行高精度重构;最后利用重构中得到的非零元素的位置信息估计了原信号频率,并与基于Levinson-Durbin的AR参数模型频率估计算法进行了性能对比。仿真证明了算法能够高效重构原信号,并精确估计原信号频率。     

基于近似KLT域的语音信号压缩感知

压缩感知是近年来兴起的研究热点,该文基于语音信号在KLT域的稀疏特性,提出了基于模板匹配的近似KLT,并在基于模板匹配近似KLT域上研究了语音信号的压缩感知性能。首先验证语音信号在基于模板匹配近似KLT域上的稀疏性,然后由语音信号与观测矩阵构造相应的观测,采取固定分配每帧观测个数和按帧能量自适应分配每帧观测个数两种方案,再以观测为已知条件利用L1优化算法重构语音信号在基于模板匹配近似KLT域的稀疏系数向量,进而重构原始语音信号。实验表明,语音信号在基于模板匹配的近似KLT域的压缩感知性能较好。     

基于压缩感知的信号重构

压缩感知是针对稀疏或可压缩信号,在采样的同时即可对信号数据进行适当压缩的新理论,采用该理论,可以仅需少量信号的观测值来实现精确重构信号。文中概述了CS理论框架及关键技术问题,介绍了信号稀疏表示、观测矩阵和重构算法。最后仿真实现了基于压缩感知的信号重构,并对正交匹配追踪(OMP)重构算法性能作了分析。     

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。     

基于压缩感知重构信号的说话人识别系统抗噪方法研究

基于语音信号在离散余弦基下的近似稀疏性,本文对语音信号采用压缩感知(Compressed Sensing)技术进行压缩和重构,即将语音信号投影到随机高斯观测矩阵,并采用线性规划(Linear Program)方法进行重构,研究了重构误差与观测矢量点数的关系,分析了噪声环境下重构信号的频谱变化情况。针对噪声环境下压缩感知重构信号比原始信号频谱变化小的特性,提出了一种基于压缩感知重构信号的说话人识别系统抗噪方法,给出了不同信噪比下获得最高识别率时压缩感知观测矢量的最佳点数。      

联合感知矩阵优化的穿墙MIMO阵列稀疏成像方法

采用压缩感知理论的穿墙稀疏成像恢复算法需要感知矩阵满足有限等距性质(RIP),最直接的验证方法是判定感知矩阵的相干系数是否较小。针对现有的穿墙多输入多输出(MIMO)阵列稀疏成像方法没有验证感知矩阵是否满足RIP 性质而容易出现重构失败并导致成像模糊的问题,提出一种联合感知矩阵优化的穿墙MIMO阵列稀疏成像方法。该方法首先依据配置指标将阵元配置为两端发中间收和分时复用的模式,既能使感知矩阵的相干系数最小,又能获得均匀而不冗余的等效虚拟阵元;然后,从中选取部分能够满足感知矩阵相干系数最小的虚拟阵元组合,使用可分离逼近结构稀疏恢复算法充分考虑扩展目标信号的结构稀疏先验信息对其进行稀疏成像重构;最后,选取成像性能指标较好的一组作为成像结果。仿真和实验结果表明,该方法降低了运算量和虚拟阵元间的干扰,节约了硬件成本,提高了算法的稀疏重构性能,获得了高分辨的穿墙扩展目标成像。