准稀疏信号的压缩感知重构

压缩感知(CS)理论是在已知信号具有稀疏性或可压缩性的条件下,对其进行数据采集、编解码的新理论.信号的稀疏性是使用压缩感知的前提,而处理的准稀疏信号在目前压缩感知框架下不满足稀疏性,但可通过预处理使其满足该特性.采用OMP重构算法,通过对信号直接进行压缩感知重构、经某个域上分解后的压缩感知重构和预处理的压缩感知重构3种...     

基于光场的联合稀疏分布式压缩感知

信号的稀疏分解是压缩感知理论的关键问题,冗余字典相较于传统的正交基矩阵,可提供信号的更稀疏表示。首先根据光场相机特征‐光场图像具有图像内和图像间相关性,提出光场中的联合稀疏模型,然后使用基于图像特征训练的冗余字典稀疏表示光场信号,最后通过同时分段正交匹配追踪算法（S‐StOMP）重建稀疏信号,S‐StOMP重建速度较快,可同时重建多个信号。最后通过实验验证了算法的准确性和可靠性。     

压缩感知理论及其电能质量应用与展望

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。     

压缩感知在电能质量扰动信号去噪中的应用

针对电能质量信号去噪中阈值去噪存在信号失真,去噪效果不理想,阈值选取影响重构质量的问题,提出了一种基于压缩感知理论(compressed sensing,CS)的电能质量信号去噪新方法。CS去噪将扰动信号映射到低维空间,利用电能质量信号具有稀疏性可以重构,噪声信号不具备稀疏性不可重构的特点,应用正交匹配追踪(orthogonal matching pursuit algorithm,OMP)重构算法重构电能质量信号达到去噪目的。实验表明,CS电能质量信号去噪法优于传统的基于小波去噪的阈值去噪法,且信号不失真,具有扰动信号采集与压缩的同时完成去噪和易于实现的特点,为电能质量信号去噪提供了一种新的方法。     

基于深度学习的压缩感知重构及其应用现状与展望*

经典的奈奎斯特采样定理要求采样频率大于两倍信号最大频率,才能重构出原始信号,但是当信号具有稀疏性时,压缩感知方法可突破奈奎斯特采样定理的限制,大大降低采样频率,显著提高数据采集和分析的效率。近年来,压缩感知作为一种全新的稀疏信号处理框架,已广泛使用于图像重建、稀疏信号重构等领域。随着深度学习技术的快速发展,将各种深度神经网络用于压缩感知领域中,既能提高重构的精度,又能减少重构的时间。通过对公开文献进行广泛调研,介绍了压缩感知重构的基本概念,梳理了常用的压缩感知算法,归纳了深度压缩感知的主要应用领域。最后探讨了当前仍面临的问题及未来的发展趋势。     

基于超完备字典的压缩感知电能质量数据重构

针对应用压缩感知原理进行电能质量数据重构时,采用普通函数形成的正交基进行稀疏表示不能自适应地获得最佳稀疏表示这一问题,首次将K-奇异值分解字典学习引用到电能质量数据重构中。首先,对电能质量信号进行一二维转换,利用K-奇异值分解字典学习算法,建立了适合电能质量数据的超完备字典;并选取高斯随机矩阵作为测量矩阵,对电能质量扰动信号进行压缩采样。同时,利用压缩感知匹配追踪算法进行信号二维重构,并将其转换成一维信号。最后,利用所提出的新算法对几类常见电能质量信号进行了仿真验证。结果表明:在压缩比为25%时,利用新算法能够完成重构信号,其信噪均大于44.2 dB,能够满足实际应用时的分析要求。     

电能质量扰动识别的小波压缩感知方法

为改善基于小波电能质量信号扰动识别中存在数据量大、识别率不高的不足,提出一种电能质量扰动识别的小波压缩感知新方法。该方法首先确定扰动信号在小波域中的稀疏性,利用小波压缩感知降维,获得少量测量数据,应用正交匹配追踪算法求取各层稀疏系数组成稀疏矩阵;然后提取稀疏系数的最大值、标准差、峭度等组成特征向量,输入神经网络系统训练并实现分类识别。该方法具有采样数据少、处理方便、特征提取简单等特点。仿真结果表明,针对典型的7类单一扰动和复合扰动信号,所提方法在理想环境下识别率分别达到99.50%和99.43%,噪声环境下识别率分别达到97%和98%以上,拥有较强的鲁棒性和较好的准确性。     

暂态和短时电能质量扰动信号压缩采样与重构方法

为解决传统的电能质量信号采集压缩方法所面临的采样率高、采样资源浪费及硬件实现成本高的问题,根据压缩传感理论首次提出了暂态和短时电能质量扰动信号的压缩采样与重构方法。该方法将电能质量信号由一维信号变换为二维信号,并根据图像可稀疏表示的原理,使用比Nyquist采样数据少60%以上的随机投影采样值重构原始信号,实现了对暂态和短时电能质量测量数据的压缩采样、采样数据空间稀疏基的选取和基于全变分最小化共轭梯度法的信号重构。针对几类常见单一扰动和含有多重扰动的校准源实测信号进行了算法的仿真分析和实验验证。结果表明,所提出的方法在采样率低于Nyquist采样率73%时,单一扰动的重构信号信噪比除暂态脉冲信号外均大于35dB,多重扰动的重构信号信噪比大于22d,满足电能质量分析的要求。     

基于坐标变换的风电变流器电压信号CS压缩方法

为了解决直接利用压缩感知(CS)理论对风电变流器输出端三相电压监测数据存储空间的资源浪费以及重构性能差等问题,提出了一种基于坐标变换的风电变流器电压信号CS压缩方法。该方法的关键是利用dq0变换、空间矢量变换将三相电压信号转换为一维信号;然后将传统的多频带融合思想用于CS稀疏表示中,构造稀疏字典矩阵,并分析了稀疏字典与测量矩阵的不相关性;最后利用高斯随机矩阵进行压缩测量,使用追踪算法实现一维信号的恢复,将其转化为两相信号并作坐标反变换,即得到重构的三相电压信号。仿真结果表明,与直接对监测的三相电压数据进行CS处理相比,该方法可有效的压缩原始三相电压数据,使得运行时间降低,重构误差减小,并且节约了测量数据的存储空间,因而更加具有实际应用价值。     

基于改进压缩感知技术的Φ-OTDR系统研究

研究了一种基于改进压缩感知技术的相敏光学时域反射计(phase-sensitive optical time domain reflectometer,Φ-OTDR)系统。对于压缩感知技术,信号稀疏度K直接影响信号恢复的质量。为了提高信号恢复的质量,应该获得更接近原始信号的真实稀疏性度K。因此,提出了一种基于硬阈值的信号稀疏度K的计算方法,同时,采用结合收缩阈值的重构方法,尽可能保留信号的有效成分。实验结果表明,振动频率为1 kHz的正弦振动信号在5.6 km的距离处被成功地重建。与常用的硬阈值压缩传感技术、移动平均去噪技术和Sym8小波去噪技术相比,所提出的压缩感知技术的信噪比分别提高了3.55、13.2和8.02 dB。     

一种基于LDPC矩阵的压缩感知测量矩阵的构造方法

在一些对采样数据速率有严格要求的实际应用中,对低采样率的压缩感知具有广泛需求。基于LDPC矩阵的特点,提出了一种类似托普利兹矩阵的压缩感知测量矩阵,所提出的测量矩阵构成方法易于实现。仿真结果表明,在低采样率的情况下,采用本文所提方法构造的测量矩阵不仅有着与常用稀疏测量矩阵相比更好的稀疏性,且将其用于图像压缩感知时可获得较好的图像重构质量。     

基于压缩感知的SAR宽带干扰抑制方法

压缩感知合成孔径雷达成像能够利用较少的观测数据清晰的恢复目标图像,但当回波中存在宽带压制干扰时,会严重破坏场景稀疏性,造成成像质量恶化。研究了一种基于选择性测量的自适应压缩感知宽带压制干扰抑制方法,通过构造一种压缩域投影滤波器并结合噪声联合检测算法,自适应感知干扰的位置信息,对合成孔径雷达（SAR）回波信号进行选择性测量,从“源头”上避免了干扰对SAR目标回波信号稀疏性的影响。仿真结果表明,该方法在减少SAR系统处理数据量的同时,使SAR成像质量明显提高,证明了该方法的有效性。     

基于隐马尔科夫树模型的小波域压缩采样信号重构方法

压缩传感理论利用信号的稀疏性,对其非自适应线性投影进行压缩采样,通过最优化问题准确重构原始信号。传统重构算法仅利用了信号的稀疏性,而未对转换后的信号结构进行分析。提出了一种基于4状态的隐马尔科夫树模型的小波域压缩采样信号的重构方法,相对2状态的隐马尔科夫树模型,该模型能够获取相邻尺度小波系数的更多相关特性,通过仿真结果表明,该算法具有更高的重构精度。     

压缩感知理论在谐波检测中的运用

运用传统的奈奎斯特定理对电力系统中的谐波信号进行采样将会产生极其庞大的数据量,而全新的压缩感知理论突破了传统采样定理的限制,在信号满足稀疏性的前提下,只需要较少的数据就可以实现信号的重构。文中在对现有的贪婪匹配追踪和自适应算法分析总结的基础之上,结合谐波信号自身的特点,提出了一种新的稀疏度自适应压缩采样匹配追踪算法。此算法可在信号稀疏度未知的情况下,通过信号代理和回溯的思想自适应调节步长逐步逼近原始信号,从而实现以较少采样数据进行谐波检测的目标。MATLAB中的仿真实验表明,运用所提出的算法进行谐波检测的效果理想。     

A novel strategy for inverse synthetic aperture radar imaging based on improved compressive sensing

In actual applications of inverse synthetic aperture radar (ISAR), continuous measurements may be impossible or the collection of data during some periods are not valid in a long coherent processing interval (CPI). Hence, it is significant to study the ISAR imaging strategy with a short CPI. Compressive sensing is a recently proposed technique that allows recovering an unknown sparse signal with overwhelming probability from very limited samples. However, the standard compressive sensing framework has been developed for real‐valued signals. One disadvantage of this method is that any prior phase information is not exploited, which may improve the reconstruction quality by applying some extra constraints. In this paper, a new strategy for ISAR imaging based on improved compressive sensing is proposed, which transforms the ISAR imaging problem into a joint optimization problem over the representation of the magnitude and phase of the complex‐valued scatter coefficient. Because of using phase information in the algorithm, the image quality is improved. Experimental results confirm the effectiveness of the proposed method. © 2015 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于压缩感知的电力设备视频图像去噪方法研究

针对电力视频监控图像中存在的噪声,结合压缩感知理论,采用基于过完备字典的稀疏表示方法进行去噪。使用噪声图像训练过完备字典,其中过完备字典的更新使用K-SVD算法,求解稀疏系数使用OMP算法,且根据算法的特点引入了Dice匹配准则来改进正交匹配追踪算法用于求解稀疏系数,最后重构去噪后的图像。Matlab仿真实验表明,对添加了不同标准差的高斯噪声的图像,文中方法具有良好的去噪效果,与目前常用的小波函数相比,能更好的降低图像中的高斯白噪声,并且在字典训练过程中直接使用视频拍摄的带噪声图像,即使没有原始的无噪声图像依然能够完成去噪任务。     

回溯自适应匹配追踪电能质量信号重构方法

为改善电能质量暂稳态信号重构性能,提出了基于压缩感知理论的回溯自适应匹配追踪的电能质量信号重构方法,对电能质量信号进行处理。在自适应匹配追踪的基础上改变一个回溯步骤,初选出满足条件的候选集,然后在终选步骤中利用回溯功能,剔除系数相对较小的原子,所以该方法能够灵活地删除一些被在初选时被错误选择的原子,有着更好的稀疏信号重构和逼近性能。另外该方法无需先验信号的稀疏度,具有稀疏度自适应能力。仿真实验结果表明,10种电能质量信号的压缩重构精度都在97.63%以上,能量恢复系数要高于99.57%,信噪比高于31.42dB,均方误差百分比在2.31%之内,都能达到很好的性能指标。     

基于稀疏度特征的短时电能质量扰动信号重构方法

现有基于压缩感知的短时电能质量扰动信号重构方法尚未考虑信号稀疏度特征,重构性能有待进一步提高。为此,提出一种基于稀疏度特征的信号重构方法。首先,根据压缩感知理论对信号进行采样。随后,开发出短时电能质量扰动信号的稀疏度特征—稀疏度在频域为偶数。基于该特征,提出"双步长稀疏度自适应匹配追踪"重构方法。分析与仿真结果表明,相对于传统的稀疏度自适应匹配追踪算法,提出方法降低了计算复杂度和均方误差,提高了重构信噪比和信号的正确重构概率。