高速模拟信号压缩采样实现

压缩传感理论能够有效地降低信号的采样频率,实现对稀疏信号的压缩采样。该文在信号延时多通道采样技术的基础上,提出了一种基于压缩传感理论的模拟信号采样实现方法,根据该采样模型构造了压缩传感测量矩阵。该采样模型能够以低于信号Nyquist频率的采样率对频域稀疏信号进行采样,通过最优化算法准确重构原始信号。仿真结果表明,基于压缩传感理论的模拟信号采样模型能够对频域稀疏信号进行压缩采样,该方法具有可行性。     

基于稀疏表示的非平稳信号时频分析

为实现多分量非平稳信号的高精度时频分析,给出一种基于稀疏表示的时频分析算法。对信号建立时变自回归模型,选择一组基函数对模型中的时变参数进行稀疏表示,将非平稳信号时频分析转化为一个稀疏表示问题,利用正交匹配追踪算法得到时变参数,从而获得非平稳信号的时频谱。选取一段时长为0.5s的非线性调频信号进行仿真,与短时傅里叶变换和维格纳-维尔分布相比,时频谱和数据显示,所给方法具有更高时频聚集性和频率估计精度。     

基于压缩域的直扩测控信号干扰抑制算法

压缩感知理论突破了经典采样理论的束缚,可有效缓解直扩测控信号大带宽采样引起的信号处理和数据存储的压力。通过分析直扩测控信号与干扰信号的差异,提出一种压缩域直扩测控信号自适应干扰抑制算法。该算法基于直扩测控信号特点构建相应的稀疏基,分析直扩测控信号与干扰信号在稀疏基下的归一化残差及其变化规律,通过稀疏系数重构直扩测控信号,并结合归一化残差变化率实现算法的自适应控制。仿真结果表明,所提算法能够有效抑制干扰信号,采用该算法的检测概率和误码率较直接处理分别提高了3 d B和2 d B。     

信号稀疏表示方法研究进展综述

稀疏分解表示能够大大降低数据存储量,提高压缩效率,一直是学者研究的热点.传统的信号稀疏表示主要集中在各种线性正交基变换以及组合正交基上,对于高维空间信息数据的表达,传统方法往往受到各种限制.研究学者根据人类视觉系统接受场具有局部、方向和带通的特性,提出多尺度几何分析的方法,并证明了对光滑的分段函数和高维空间信号的表达,达到了更好的逼近效果.由于传统方法没有考虑原始信号特点,无法达到更好的逼近,这就引出了对信号进行训练来构造自适应学习字典的研究,并且取得了一定的研究成果.本文对信号稀疏表示方法进行了分析研究,同时分析了目前信号稀疏表示的发展趋势.     

一种利用稀疏表示的距离扩展目标检测新方法

针对在高斯白噪声背景下距离扩展目标检测问题,通过构造Sinc基来线性表示距离扩展目标的一维距离像,将稀疏表示理论引入到目标检测中,提出了基于Sinc基的自适应子空间检测器检测新方法．首先由基追踪算法估计噪声功率,再由基追踪去噪算法得到的残余分量估计噪声协方差矩阵,最后通过一阶高斯模型自适应子空间检测器来实现距离扩展目标检测．基于实测宽带雷达回波数据的实验结果表明,所构造的Sinc基可以很好地线性表示距离扩展目标的一维距离像,有效地实现距离扩展目标检测．     

基于压缩传感的高精度同步相量测量方法

为了消除或减小采用GPS定时的同步相量测量中非精确同步采样所造成的测量误差,提出一种基于压缩传感理论修正离散傅里叶变换估计结果的高精度同步相量测量算法。该算法利用离散傅里叶变换对测量信号进行稀疏化,并采用狄利克雷矩阵为观测矩阵,通过压缩传感重构算法重构测量信号。仿真结果表明:与传统离散傅里叶变换方法相比,该算法在不需要延长测量时间的条件下能够有效消除或减小频谱泄露等误差,并在很大程度上提高了信号的相量测量精度。     

非重构压缩样值跳频信号时频联合估计算法

针对宽带跳频信号的参数进行精确快速的估计,提出一种非重构压缩样值跳频信号时频联合估计算法。首先在非重构原始信号的前提下,通过研究信号的压缩数字特征,发现信号频率发生改变的位置,然后对该位置所在的数据段进行重构得到其频域系数,即可达到估计跳频频率、跳频周期以及跳频跳变时刻的目的。仿真结果表明,当信噪比为10d B,压缩比为1/4时,该算法估计出跳频信号的跳变时刻与Wigner算法达到相同误差条件下,所需处理的采样点个数为Wigner算法的1/4;比完全重构信号后估计算法误差小,所需重构的采样点个数为完全重构的1/4。该算法相对于传统的时频特征算法和基于压缩感知的完全重构估计算法,运算复杂度低,实时性较好。     

一种改进的跳频信号时频分析方法

利用正交匹配追踪的稀疏表示算法进行跳频信号时频分析时,性能受到傅里叶基矩阵长度和稀疏度未知的限制。针对此问题,结合跳频信号特点对稀疏表示算法加以改进:将跳频信号分段,对每段信号进行傅里叶变换并进行门限检测,得到频率预估计值和信号稀疏度;利用频率预估计值构造频率细化子傅里叶基矩阵;基于正交匹配追踪算法得时频谱图。在运算量相同的情况下,改进方法比直接采用正交匹配追踪算法可获得更高精度的时频谱。     

基于稀疏表示的人脸图像压缩方法

基于稀疏表示的人脸图像压缩算法首先对人脸图像进行分块,其次利用K-SVD字典学习算法,训练一个图像的冗余字典,最后用OMP算法对其进行稀疏编码,得到压缩的图像.由于OMP算法复杂度较高,为了降低复杂度,提高算法效率,提出了一种基于稀疏表示理论的新的人脸压缩算法.该算法在稀疏编码阶段,用基于块坐标松弛(Block Coordinate Relation)字典学习算法对人脸图像进行稀疏编码,最后用重构算法对压缩数据进行重构.通过实验仿真,与JPEG压缩方法及OMP算法比较,所提方法在同等压缩比下,重构的图像质量有所提高.     

基于局部性质的改进正交匹配追踪算法

正交匹配追踪算法是一种重要的压缩感知重构算法,针对正交匹配追踪算法中当前信号的最优估计,每一个采样点都有它的局部性质,且相邻采样点之间必然相互影响.本文基于局部性质,对正交匹配追踪算法进行改进,提高了对稀疏参数的估计精度,实现了信号的重构,实验证明了该方法的有效性。     

Compressed sensing image reconstruction in multiple sparse spaces

Most traditional compressed sensing(CS) reconstruction algorithms only exploit the sparsity of a natural signal in a single sparse space. However, since natural signals often exhibit spatially varying characteristics, the single space sparse representation fails to well characterize the local signal structures. The mismatch between sparse representation in the single space and the varying local structures make the reconstruction algorithms fail to exploit the local sparsity, leading to low reconstruction quality. In this paper, we propose a new image signal reconstruction method based on multiple sparse spaces(MSS) to overcome this defect of the CS reconstruction algorithms in the single space, where a signal is adaptively characterized by the total variation(TV) model or the piecewise autoregressive(PAR) model according to its local structures. The objective function of the proposed MSS-based CS reconstruction is then formulated as a multiple l₁-norm and l₂-norm minimization problem. To efficiently solve the proposed objective function, an alternating direction method(ADM) is used. Experimental results show that compared with the single space methods the proposed MSS-based reconstruction method achieves a much better visual quality and a higher PSNR. The PSNR improvements over TV and AR based methods can be up to 7dB and 1dB, respectively.     

基于二维稀疏采样的HRRP合成及ISAR成像方法

在分析传统的线性调频(LFM)信号体制ISAR高分辨距离像(HRRP)合成及二维成像原理的基础上,结合压缩感知理论,提出了一种基于二维稀疏采样的高分辨距离像合成及ISAR成像方法。该方法对经过二维稀疏采样后的ISAR回波信号进行二维重构处理,在大幅降低LFM信号采样率、减少子脉冲个数的前提下,获得高质量的HRRP和二维ISAR像;为缓解数字信号处理机的采样负担、降低已方雷达信号的被截获概率奠定了基础。仿真实验证明了该方法的有效性和可行性,同时观察了其鲁棒性。     

FRFT域LFM雷达回波信号的压缩采样模型

针对宽带雷达线性调频信号(Linear Frequency Modulated,LFM)带宽大、采样率高、存储容量要求高的问题,设计了一种基于压缩感知的 LFM雷达回波信号的欠采样整体方案。首先,利用 LFM信号在分数阶傅里叶变换(FRactional Fourier Transform,FRFT)域上良好的能量聚集特点,提出了一种基于DFRFT核矩阵的正交基字典构造方法,在此基字典的基础上利用随机解调器和匹配追踪类算法构建了一个 LFM雷达回波信号的压缩采样和重构系统模型。仿真结果验证了 FRFT域处理 LFM雷达回波信号的可行性和有效性,LFM雷达信号在该正交基字典上的稀疏表示效果要优于现有的波形匹配字典,而且具有更好的抗噪性能和自适应性能。     

Signal reconstruction algorithm based on the probabilistic structured sparse model

In order to describe structured sparsity of the signal accurately, a probabilistic structured sparse model is constructed for signal reconstruction in compressive sensing(CS). Based on the structured sparse model, Boltzmann distribution is introduced to describe structured sparsity of the signal support rather than to describe the signal directly. Based on Bayesian CS, the maximum a posterior estimate of signal support is computed with the prior distribution and the Gaussian likelihood model of measurement, and then the signal is reconstructed using signal support. Experimental results show that, for the signal with the support known, the proposed algorithm is obviously superior to BP and OMP and that for the signal with the support unknown, its performance outperforms that of BP and OMP in the condition of a high measurement noise level and low reconstruction error tolerance.     

基于加权星图稀疏正则化的图像压缩感知重构

为了更有效地表达图像的高阶稀疏结构,提出基于图稀疏正则化的压缩感知重构算法,通过图论方法描述图像稀疏系数间的相关性。首先,采用图结构化稀疏度量表征图像的非局部相似性,并化简稀疏系数的完全图结构为仅与均值节点连接的星图结构,以实现更高效的稀疏表达;然后,通过加权范数的形式体现稀疏系数的不同重要性,达到自适应恢复的目的。进一步,提出求解星图稀疏模型的近似消息传递算法,通过引入辅助变量,使得权值参数和稀疏系数的优化问题更易求解。实验结果表明,所提出的算法在客观质量和主观质量上优于其他基于非局部稀疏模型的重构算法,验证了星图稀疏模型的有效性。     

一种基于融合算法的管道泄漏信号处理方法

利用环道实验模拟实际管道泄漏工况,验证了小波去噪的实际效果,通过时频联合分析泄漏信号的衰减过程,从两方面阐述了小泄漏不易被发现的原因,并且讨论了现阶段最常用的小波去噪方法处理小泄漏信号的不足。针对上述问题,建立新阈值函数提高小波去噪方法的信号重构精度,并从数学角度分析了新函数的优越性,提出了基于最大信噪比的盲源分离算法,将小波变换与盲源分离相融合,通过分离已知构造信号说明此方法的适用性,验证该融合算法的实际去噪效果和工业应用价值。     

基于压缩感知的宽带信号采集系统性能分析与算法实现

为了解决目前超宽带信号采集过程中面临的采集困难、数据量大的难题,文章从基于压缩感知的信号采集理论出发,提出了基于GPU平台的超宽带信号采集系统实现方法,重点分析了采集系统的重构性能。分析表明该方法对于宽带稀疏信号的采集能够有效降低采样速率,提高采集效率。     

基于交替下降求解的稀疏信号重建算法

压缩感知理论（CS）是现代信号处理领域中一个崭新的研究方向,信号的快速优化重建是该理论的研究热点。实际工程应用中,由于各种误差不可避免,信号重建过程中字典矩阵只是近似知道,因此降低了信号重建质量。为有效解决字典矩阵和观测数据同时含有噪声的多测量矢量（MMV）稀疏重建问题,基于多测量矢量欠定系统正则化聚焦求解（RM-FOCUSS）算法,提出一种交替下降稀疏重建算法,迭代过程中在稀疏解和字典误差之间交替下降求得最优稀疏解。仿真结果表明,文章算法较大程度地提高了信号的重建质量。     

非平稳噪声下稀疏表示的DOA估计算法

为提高非平稳噪声下远场非相干窄带信号波达方向（DOA）的估计精度,提出了一种基于稀疏重构的DOA估计算法.采用类协方差差分算法构造差分矩阵,抑制非平稳噪声的影响;基于类旋转不变子空间参数估计算法基本原理构造稀疏表示模型与权函数;利用加权l₁范数对模型求解,实现DOA估计.仿真结果表明,与传统的协方差差分算法、噪声协方差矩阵估计算法、秩迹最小化算法以及稀疏重构算法相比,所提算法不仅能较好地抑制非平稳噪声的影响,而且在低信噪比、低快拍数情况下具有较强的稳健性和较高的估计精度.     

结合自适应稀疏表示和全变分约束的图像重建

In view of the limitation of fixed complete orthogonal transformation, represented by two-dimensional wavelet transform and discrete cosine transform in compressed sensing high-resolution image reconstruction, this paper proposes a new method for high-resolution image reconstruction based on adaptive redundant dictionary sparse representation with the total variation constraint.The algorithm takes the intermediate image in the process of iteration as the training sample to get a redundant dictionary suitable for sample characteristics by adaptive learning. It makes full use of the correlation between dictionary atoms and the image to get an ideal complete sparse representation, thus reducing the sampling rate and improving the quality of image reconstruction. Finally, the algorithm takes the total variation as a constraint and uses the split Bregman iterative method to solve the sparse optimization problem. Simulation shows that the proposed method can reconstruct high quality images under a low sampling rate.