首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 187 毫秒

1.  基于压缩感知的信号重构  
   薛男  凌霖  陶晓洋  曹佩佩《电子设计工程》,2013年第21卷第7期
   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。    

2.  如何解决基不匹配问题:从原子范数到无网格压缩感知  
   陈栩杉  张雄伟  杨吉斌  孙蒙《自动化学报》,2016年第42卷第3期
   压缩感知理论能够以远低于经典Nyquist速率进行采样,采用非自适应线性投影获得了保留信号有用信息的少量观测点,并通过求解最优化问题精确重构原始信号.压缩感知理论大大缓解了信号采样、存储和传输的巨大压力,在计算机科学、电子工程和信号处理等领域具有广阔的应用前景.信号的稀疏表示是对信号进行压缩采样和重构的前提,即假设信号在某个变换基(傅里叶基、小波基等)下是稀疏的,这些基可以看作是用于描述信号参数空间的有限离散字典.然而在如雷达、阵列信号处理、通信等领域的应用中,信号的参数空间是连续的,在假定的离散变换基下并不稀疏,这种基不匹配问题会严重影响信号重构精度.本文首先介绍了基不匹配产生的原因及其对重构精度的影响,接着从原子范数出发,综述了无网格压缩感知的理论框架和关键技术问题,着重介绍了一维和多维无网格压缩感知的最新研究进展,最后对其在信号处理等领域的应用进行了探讨.    

3.  压缩感知理论综述  被引次数:1
   卢雁  吴盛教  赵文强《计算机与数字工程》,2012年第40卷第8期
   信号采样是模拟的物理世界通向数字的信息世界之必备手。多年来,指导信号采样的理论基础一直是著名的Nyquist采样定理,但其产生的大量数据造成了存储空间的浪费。压缩感知(Compressed Sensing,CS)提出一种新的采样理论,它能够以远低于Nyquist采样速率采样信号。文章详述了压缩感知的基本理论,着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展,并从基础理论层面和实践层面详细探讨了现存的难点问题。    

4.  压缩感知理论及其应用  
   李咏梅  聂金慧《中国科技博览》,2013年第33期
   信号采样是模拟的物理世界通向数字的信息世界的必备手段。多年来,指导信号采样的理论基础一直是著名的Nyquist采样定理,但其在采样过程中产生的大量数据浪费了存储空间,而在压缩过程又会丢弃大量采样资源。压缩感知(Compressed Sensing)提出一种新的采样理论,它能够以远低于Nyquist要求的采样速率采样信号。本文详述了压缩感知的基本理论,着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展,并介绍了压缩感知目前有待解决的几个关键问题,最后举例说明压缩感知理论在各领域的应用。    

5.  压缩感知技术研究及应用  
   蒋金  陈长兴《工具技术》,2014年第10期
   随着信息需求的提高,在超宽带信号处理领域中,奈奎斯特(Nyquist)采样所需硬件成本昂贵、采样获取效率低,且对数据存储先提取后压缩再传输,造成大量资源浪费。压缩感知(Compressive Sensing,CS)把采样和压缩放在一起进行,若信号在某个域上是稀疏的、压缩的,就可以低于奈奎斯特采样频率进行采样。对n维的离散信号取其中少数一些值处理,在接收端采用一些算法进行恢复。本文引入了压缩感知技术以降低系统对采样速率的要求,基于cs理论,介绍了cS三个关键技术:信号稀疏表示、测量矩阵设计、压缩感知重构算法,以及CS技术在具体领域中的应用。    

6.  结构化压缩感知研究进展  
   刘芳  武娇  杨淑媛  焦李成《自动化学报》,2013年第39卷第12期
   压缩感知(Compressive sensing,CS)是一种全新的信息采集与处理的理论框架. 借助信号内在的稀疏性或可压缩性,可从小规模的线性、非自适应的测量中通过非线性优化的方法重构信号. 结构化压缩感知是在传统压缩感知基础上形成的新的理论框架,旨在将与数据采集硬件及复杂信号模型相匹配的先验信息引入传统压缩感知,从而实现对更广泛类型的信号准确有效的重建. 本文围绕压缩感知的三个基本问题,从结构化测量方法、结构化稀疏表示和结构化信号重构三个方面对结构化压缩感知的基本模型和关键技术进行详细的阐述,综述了结构化压缩感知的最新的研究成果,指出结构化压缩感知进一步研究的方向.    

7.  基于压缩感知的水声数据压缩与重构技术  
   李 佩 杨益新《声学技术》,2014年第1期
   在水声信号处理中,数据量大造成的数据处理压力不容忽视。为了有效地提取水声数据中的有用信息,同时缓解数据量大带给水声数据传输的压力,研究压缩感知(Compressed Sensing,CS)的基本原理及其关键技术,综述了CS理论框架并着重介绍了稀疏变换、观测矩阵设计和重构算法三个方面。通过仿真实验表明了压缩感知技术能够有效地用于模拟数据的压缩与重构。重点对水声舰船噪声信号进行了基于CS的压缩与重构仿真实验,验证了压缩感知技术运用于水声数据处理的有效性,从而达到提高水声数据传输速率的目的。    

8.  压缩感知理论在超宽带系统的应用前景分析  
   吴锋  赵德双  王秉中  葛广顶《核电子学与探测技术》,2011年第31卷第6期
   超宽带( Ultra - Wideband,UWB)在无线通信、雷达探测与成像、无线传感网络等领域具有广阔的应用前景.由于UWB脉冲信号的频带宽、时间宽度窄,高速采样已成为制约UWB无线系统快速发展的一个重要的技术瓶颈.压缩感知(Compressive Sensing or Compressed Sensing,CS)是一种新型的信号采样和复原理论,不受传统采样定律限制,能以远低于Nyquist - Shannon采样定律要求的速率,对可压缩信号进行精确的采样、量化、编码和复原.CS理论的出现为UWB信号采样提供一种全新的技术解决方案.依据CS基本原理及其在UWB系统应用中的最新研究进展,重点探讨了两种新型的基于CS的UWB信号采样系统,同时分析和讨论了CS在UWB系统应用中的关键技术及未来发展趋势.文中的分析和讨论对进一步深入研究基于CS的UWB系统有一定的参考指导作用.    

9.  压缩感知理论及其OMP算法FPGA实现研究  
   韩林  王正彦  孟南南《工业控制计算机》,2014年第1期
   奈奎斯特定理要求采样频率不得低于信号最高频率的2倍,这使得高频信号的硬件采样实现变得较为困难。压缩感知(Compressive Sensing,CS)理论从研究信号的稀疏性出发,指出在一定条件下可以用低于奈奎斯特定理的频率对信号进行采样。介绍了压缩感知理论及其OMP重构算法,设计了OMP重构算法的FPGA实现的总体框图和各模块框图,编写了Verilog HDL程序代码,并给出了在Quartus II中的仿真结果,和Matlab仿真结果对比,压缩重构效果比较理想。    

10.  压缩感知在雷达目标探测与识别中的研究进展  
   张弓  杨萌  张劲东  陶宇《数据采集与处理》,2012年第27卷第1期
   压缩感知理论是针对采样率和计算复杂度的一种新的信号处理模式,它以远低于奈奎斯特频率对信号进行采样,并能准确重构出原始信号.随着宽带高分辨雷达技术发展,目标相对于背景的高度稀疏,与复杂的雷达系统、海量数据呈现极度的不平衡,压缩感知是有效地减弱这种不平衡的可能技术之一.以雷达稀疏信号的压缩测量及重构为主线,本文综述了压缩感知理论在雷达目标探测与识别中的研究进展,分析了压缩感知理论在PD雷达、穿墙雷达、MIMO雷达、雷达目标参数估计、雷达成像以及目标识别等领域的潜在应用,描述了国内外的相关研究进展.文中对研究中现存的难点问题进行了探讨,并展望了未来的研究方向.    

11.  压缩感知及应用  
   李卓凡  闫敬文《微计算机应用》,2010年第31卷第3期
   传统的信号采样必须遵循香农采样定理,产生的大量数据造成了存储空间的浪费.压缩感知(CS)提出一种新的采样理论,它能够以远低于奈垒斯特采样速率采样信号.压缩感知的基本论点是如果信号具有稀疏性,可投影到一个与变换基不相关的随机矩阵并获得远少于信号长度的测量值,再通过求解优化问题,精确重构信号.本文详述了压缩感知的基本理论,压缩感知适用的基本条件:稀疏性和非相干性,测量矩阵设计要求,及重构算法的RIP准则,并介绍了压缩感知的应用及仿真.仿真结果表明当采样个数大于K×log(N/K),就能将N维信号稳定地重建出来.    

12.  压缩感知理论及其在成像技术中的应用  
   赵春晖  刘巍《智能系统学报》,2012年第7卷第1期
   在传统的Shannon/Nyquist采样定理指导下,信号处理往往面临两大难题:A/D转换器技术的限制和海量采样数据的处理压力.压缩感知(CS)理论表明当信号具有稀疏性或可压缩性时,可以通过全局非自适应线性投影的方式,用远低于Shannon/Nyquist采样定理要求的频率获取信号的全部信息.以CS理论为基础的压缩成像(CI)技术在近年来得到了快速的发展.在概述CS理论的基础上,着重介绍了CI技术的原理及其发展状况,并从稀疏分解、观测矩阵的构造和重建算法3个方面对其关键问题进行了分析.CI系统可以显著节省感光器件的数量,避免了传统成像技术"先采样再压缩"方式带来的资源浪费.    

13.  压缩感知在稀疏信道估计中的应用  被引次数:1
   何雪云  潘林  彭伟刚《通信技术》,2011年第9期
   压缩感知(CS,Compressive Sensing)理论指出可以用低于奈奎斯特抽样定理的速率对稀疏信号进行采样并在收端以很高的概率重建信号,它是目前信号处理领域的研究热点。基于CS理论的信道估计会降低导频辅助信道估计的导频数量且估计性能好,介绍了CS的基本原理和信道估计相关内容,以及正交频分复用(OFDM,Orthogonal Frequency Division Multiplex)系统和UWB系统中2种不同的基于CS的信道估计方法,重点是基于CS的信道估计的数学建模过程。    

14.  压缩感知理论及其电能质量应用与展望  被引次数:1
   朱云芳  戴朝华  陈维荣  何正友《电力系统及其自动化学报》,2015年第27卷第1期
   压缩感知理论是信号采样与处理领域的热点和前沿,在电能质量检测中具有很好的应用前景.为此,对压缩感知理论及其电能质量应用与展望进行综述.阐述了现有电能质量扰动信号采样和分析方法的不足,介绍了稀疏分解与压缩感知的基本概念和发展现状,重点介绍了压缩感知理论的3个基础关键问题:稀疏表示、非相关观测和非线性优化重构;同时,着重介绍了时频原子稀疏分解和压缩感知理论在电力系统电能质量扰动信号中的应用现状.最后,给出了电能质量扰动信号稀疏分解和压缩感知理论的下一步研究展望.    

15.  压缩感知中的信号重构方法分析  
   鲁周迅  徐晓梅《电子技术应用》,2011年第37卷第8期
   压缩感知理论(CS)因高采样速率和巨大的存储空间被广泛应用于认知无线电中。重构算法是压缩感知理论的核心之一,也是目前的研究热点。介绍了压缩感知理论的基本模型和重构算法,在基本的梯度算法(GP)基础上做了改进,提出了巴兹莱-伯文(PBB)算法,并对两种重构算法进行了仿真。仿真结果表明,PBB算法能更好地重构信号。    

16.  基于压缩传感理论的数据重建  被引次数:1
   李波  谢杰镇  王博亮《计算机技术与发展》,2009年第19卷第5期
   随着信息技术的不断发展,人们对信息需求量越来越大,这给信号采样、传输和存储的实现带来的压力越来越大.近年来国际上出现的压缩传感理论为该问题的解决提供了新的解决方案.压缩传感理论首先将信号投影到一个低维的信号空间,然后通过解-个基于凸优化的非线性恢复算法将信号恢复,而仅仅需要很少的数据.介绍了CS理论框架并对其中存在的难点问题进行了探讨,主要有稀疏近似理论、观测矩阵、信号重建算法.最后将压缩传感理论应用到一维和二维图像数据重建中并给出了仿真结果.实验结果表明,该方法与传统压缩方法相比具有更高的压缩比,并且能够得到更小的压缩误差.    

17.  压缩感知回顾与展望  被引次数:20
   焦李成  杨淑媛  刘芳  侯彪《电子学报》,2011年第39卷第7期
    压缩感知是建立在矩阵分析、统计概率论、拓扑几何、优化与运筹学、泛函分析等基础上的一种全新的信息获取与处理的理论框架.它基于信号的可压缩性,通过低维空间、低分辨率、欠Nyquist采样数据的非相关观测来实现高维信号的感知.压缩感知不仅让我们重新审视线性问题,而且丰富了关于信号恢复的优化策略,极大的促进了数学理论和工程应用的结合.目前,压缩感知的研究正从早期的概念理解、数值仿真、原理验证、系统初步设计等阶段,转入到理论的进一步深化,以及实际系统的开发与应用阶段.本文分析了压缩感知的原理与应用,综述了压缩感知的最新进展及存在的问题,指出了进一步研究的方向.    

18.  分布式的1 bit压缩频谱感知算法  
   赵知劲  胡伟康  胡俊伟《电信科学》,2014年第30卷第9期
   由于频谱感知中信道稀疏度动态变化,导致分布式频谱感知网络中节点间信息传输频繁,消耗感知网络通信带宽。为了缓解网络通信带宽压力,提出分布式的1 bit压缩频谱感知算法。各节点对感知数据进行压缩采样并1 bit量化,然后融合节点采用JSM-2模型对数据进行融合,最后通过BIHT算法重构信号频谱,实现频谱感知。仿真结果表明,在低信噪比和较少的采样数目下,分布式的1 bit压缩频谱感知算法能具有较好的频谱检测性能,是一种可实用的频谱感知方法。    

19.  压缩感知研究  被引次数:34
   戴琼海  付长军  季向阳《计算机学报》,2011年第34卷第3期
   经典的香农采样定理认为,为了不失真地恢复模拟信号,采样频率应该不小于奈奎斯特频率(即模拟信号频谱中的最高频率)的两倍.但是其中除了利用到信号是有限带宽的假设外,没利用任何的其它先验信息.采集到的数据存在很大程度的冗余.Donoho等人提出的压缩感知方法(Compressed sensing或Compressive Sampling,CS)充分运用了大部分信号在预知的一组基上可以稀疏表示这一先验信息,利用随机投影实现了在远低于奈奎斯特频率的采样频率下对压缩数据的直接采集.该方法不仅为降低采样频率提供了一种新思路,也为其它科学领域的研究提供了新的契机.该文综述性地阐述了压缩感知方法的基本原理,给出了其中的一些约束问题和估计方法,并介绍压缩感知理论的相关问题——矩阵填充,最后讨论了其未来可能的应用前景.    

20.  压缩感知技术综述  
   万莎  徐彪  段洪涛《中国无线电》,2013年第2期
   压缩感知(Compressed Sensing或Compressed Sampling,Cs)理论突破了经典的奈奎斯特采样定理的极限,提出一种全新的采样理论,通过开发信号的稀疏特性,在远小于Nyquist采样率的条件下,用随机采样获取信号的离散样本,然后通过数值最优化问题精确重构出原始信号.本文综述了CS基本原理,介绍了信号稀疏表示、测量矩阵的设计和信号的重构算法等内容以及CS理论研究现状和在相关领域的应用.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号