基于压缩感知的电力信号压缩与重构研究*

针对电力信号的采集和压缩问题,提出采用压缩感知理论对电力信号进行压缩采样和重构的方法,避免了传统的冗余采样。首先对采用压缩感知理论进行电能信号压缩采样的可行性进行了分析,并讨论了几种典型的压缩感知重构算法的具体实现方法和特性;然后采用这些算法,对一维稀疏信号和傅里叶变换基下稀疏的含有谐波和间谐波的电力信号进行重构实验。仿真结果表明,贪婪类压缩感知重构算法计算复杂度低、速度快,更适合一维电力信号的重构,其中SAMP算法可以在稀疏度未知的情况下,使用更少的采样值精确重构原始信号。     

一种基于基追踪压缩感知信号重构的改进算法

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。而含噪信号的重构是压缩感知理论研究的关键技术,基追踪算法（BP）是比较成熟的信号重构算法。对BP及BPDN算法（基追踪去噪算法）进行了MATLAB仿真分析,并通过对算法的改进,扩展了BP算法的应用范围,使其在脉冲噪声条件下重构信号。然后与经典BP算法进行了仿真对比,验证了在脉冲噪声干扰条件下,改进算法计算速度相对原算法复杂度降低,而且能够比较准确地重构信号。     

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...     

三相电能质量扰动信号压缩方法研究

提出了一种基于压缩传感的三相电能质量数据压缩新方法。首先,将时间t内的三相电能质量扰动信号转换为3t时间内的一维信号;然后,将传统的多频带融合问题理论应用于压缩感知稀疏基设计中,构造稀疏基;最后,选取高斯随机矩阵作为观测矩阵,OMP算法作为重构算法,重构三相电能质量扰动信号并利用MATLAB进行仿真。实验结果表明,该方法可以有效压缩三相电能质量数据,实现三相电能质量扰动信号同时处理,并同时检测出多项性能指标参数。     

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。     

电磁声发射信号的压缩与重构处理

电磁声发射是一种新型的无损检测技术,其通过对金属构件进行电磁加载,在缺陷处产生声发射信号,根据信号特征对金属构件进行缺陷检测。针对该技术在测定缺陷位置和类型时连续多次加载而产生的大量数据问题,引入信号的压缩感知理论,基于正交匹配追踪算法分别对两种不同类型的声发射信号和电磁声发射信号进行压缩重构,选取不同的测量值,研究其对信号重构效率的影响,从波形和频谱两方面分析重构效果。实验结果表明:压缩感知理论能够达到压缩电磁声发射信号的目的,并且测量值和重构误差之间呈指数衰减关系,与重构时间呈线性增长关系,综合考虑压缩重构的各方面因素,当测量值取8~10倍的信号稀疏度时,电磁声发射信号能够获得较高的重构效率。     

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。     

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。     

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。     

基于加窗插值压缩感知的谐波/间谐波检测方法

针对压缩感知在傅里叶变换基下,对谐波畸变信号进行变换时会产生频谱泄漏和栅栏效应的问题,提出一种基于加窗插值的压缩感知(WI-CS)算法。该算法结合二进制稀疏测量矩阵和六项五阶余弦窗,构造出一种新型窗稀疏测量(WSM)矩阵,经重构得到稀疏向量后,利用四谱线插值修正公式,对谐波间谐波各参数进行精确检测。通过MATLAB仿真,结果表明文章所提方法能够在较少的采样数据下,具有较高的检测效率以及一定的抗噪声能力。     

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。     

基于掩膜预处理的稀疏表示和压缩感知图像重建

近年来兴起的压缩感知（compressive sensing, or compressed sampling,CS）理论对信号稀疏性的要求,使信号的稀疏表示得到了前所未有的关注。考虑到现实信号往往是非稀疏性的,而压缩感知理论要求被测信号必须满足稀疏性或在某个规范正交基下满足稀疏性,因此信号的稀疏性表示变得十分重要。主要研究探索了二值掩膜预处理的稀疏表示方法。结合二值掩膜的算法去除人眼不敏感的DCT系数,在不影响图像主观质量的前提下提高测量系数的稀疏度。实验表明提出的预处理方法减少了CS的重建时间,并且提高了图像的重建质量。     

压缩感知动态测试信号模型与电能表动态误差测试*

文中针对智能电能表动态误差的高效测试问题,分析了长时间范围内复杂动态负荷信号幅度域的快速随机波动特性,建立了压缩感知伪随机动态负荷测试信号的模型,采用Hadamard矩阵和降采样矩阵结合的测量矩阵构建方法,确定了该测试信号的模型参数,提出了压缩感知测量信号的产生方案。采用试验方法,对比给出了压缩感知和m序列动态测试信号条件下电能表动态测试的误差数据。研究结果表明相比较于m序列伪随机测试信号,压缩感知动态测试信号的动态误差测试效率提高了4倍。     

基于多通道采样和注意力重构的图像压缩感知

近年来用于图像压缩感知的深度学习网络得到广泛关注,深度学习网络可以实现图像的压缩采样,并从采样数据重构出原始图像。但现有的压缩感知算法在信息分布不均匀的图像场景中,无法有效提取原始图像信息,导致重构精度较低。针对上述问题,本文提出了基于多通道采样和注意力重构的图像压缩感知算法。该算法包含了多个不同采样率的采样通道,能够根据视觉显著性对图像不同区域应用不同的采样率,使得采样数据中能够包含更多原始图像信息。重构采用了残差通道注意力结构,自适应调整通道特征来提高网络的表示能力。通过对比实验表明,本文提出的基于多通道采样和注意力重构的图像压缩感知算法能够取得更好的重构质量与视觉观感。     

Compressive sensing‐based adaptive sparse predistorter design for power amplifier linearization

Greedy algorithms in the compressive sensing theory have been formed the essential method for pruning power amplifier (PA) behavioral models and digital predistorters (DPDs). However, the inherent batch mode of these algorithms limits their application in adaptive digital predistortion framework. In this paper, a powerful subspace pursuit greedy scheme combined with stochastic gradient descent adaptive algorithm is proposed to design a class of adaptive sparse DPDs. According to the given sparsity level, the proposed approach can obtain the sparse terms of DPDs and extract the corresponding coefficients adaptively. Performance improvement of the proposed method is validated by simulation results on the adaptive DPD excited by 15‐MHz 3‐carrier Long‐Term Evolution signals and 50‐MHz 16 amplitude/phase‐shift keying signals. Meanwhile, measurement results on a Doherty PA excited by 30‐MHz 3‐carrier Long‐Term Evolution signals are also performed to verify the advantage of the proposed approach. Simulation and experimental results show that proposed algorithm can efficiently construct the adaptive sparse DPD models with only a small number of parameters; both nonlinear distortions and memory effects in the PA can be almost completely removed. A comparison with the nonsparsity aware DPD techniques and batch mode compressive sensing pruning techniques has been demonstrated that the proposed method exhibit faster convergence, improving tracking capabilities and reduced computational complexity.