帐篷混沌序列稀疏测量矩阵构造

测量矩阵的构造是压缩感知(CS)中重要的研究内容之一.利用混沌系统伪随机性、遍历性的特点,提出了一种基于帐篷混沌序列构造确定性稀疏随机矩阵的方法.对混沌系统生成的确定性序列进行了间隔采样,采样后的序列满足统计独立性,然后通过符号函数映射,生成了具有稀疏性质的伪随机序列,进而构造出混沌稀疏测量矩阵.仿真实验表明:该方法构造出的混沌稀疏测量矩阵与高斯随机矩阵、稀疏随机矩阵及Bernoulli随机矩阵相比,具有类似的重构性能.混沌系统参数与初值固定时,构造的混沌稀疏测量矩阵是确定的,计算复杂度小且硬件上容易实现.     

采样列化的切比雪夫混沌测量矩阵构造算法研究

压缩感知利用信号的稀疏性,无损地从低维测量信号中恢复高维度稀疏信号,近年来得到极大发展。然而,目前存在的测量矩阵中大多存在元素相关性高等问题,无法保证恢复效果的精确性,大大制约了它们的应用前景。基于此,通过引入切比雪夫混沌系统,提出一种基于采样列化的切比雪夫混沌感知测量矩阵(SC3M)。不同于经典的相对独立取值的构造方法,SC3M矩阵通过对切比雪夫混沌序列做采样列化及归一化处理等操作来确保矩阵的低列相关性,以优化重构效果。进一步,结合Johnson-Lindenstrauss引理严格证明了其满足约束等距特性(RIP),给提出的测量矩阵的应用提供了扎实的理论依据。实验仿真表明,提出的混沌测量矩阵能确保良好的信号和图像重构精度,明显优于纯随机矩阵、伯努利矩阵和高斯矩阵等其它经典测量矩阵。     

基于混沌序列的压缩感知测量矩阵构造算法

测量矩阵的构造算法是压缩感知中重要的研究方向之一。提出一种基于Logistic混沌-贝努利序列（Chaos-Bernoulli）测量矩阵构造算法,该算法利用了混沌序列良好的伪随机性质,通过一维Logistic混沌系统产生混沌序列,再通过符号函数生成具有贝努利分布的伪随机序列从而构造出压缩感知测量矩阵。实验仿真结果表明,该算法优于贝努利随机测量矩阵,信号重构的峰值信噪比PSNR有1~3 dB的提高,并与其他类型的测量矩阵进行比较,数值分析结果证明该算法是可行有效的。     

压缩感知及应用

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.     

面向结构损伤信号的多传感器感知融合方法

针对结构监测中的结构损伤信号的处理,提出一种基于压缩感知的数据融合方法,实现压 缩采样后的稀疏信号的融合和重构。对航空铝板的损伤信号采用高斯随机矩阵将高维 信号序列投影到低维空间,获得稀疏采样的线性测量值,实现信号的压缩采样;再对多 传感器的线性测量值进行数据融合;最后通过重构算法来实现信号的重构。实验表明,与现 有的方法相比,感知融合的方法具有更好的融合性能和抗噪性,能获得更高的数据压缩效果 ,节省了网络的带宽和能量,更适合于结构损伤信号的处理。     

基于Kent混沌测量矩阵的压缩感知图像重构算法

图像重构是图像数字化和恢复高质量图像信号的关键技术,使用压缩感知理论进行图像重构的意义在于显著减少采样次数,降低系统资源的消耗。测量矩阵的构造是压缩感知的重要研究内容之一。提出一种基于Kent混沌测量矩阵的压缩感知图像重构算法,将Kent混沌序列作为测量矩阵,采用离散小波变换的稀疏化方法,在小波域对原始图像信号进行测量。最后采用正交匹配追踪方法恢复原始图像。仿真实验中,对比高斯随机测量矩阵和Logistic混沌测量矩阵,对不同的图像进行重构。实验结果证明,基于Kent混沌测量矩阵的重构算法能够恢复原始图像,重构性能优于高斯随机观测矩阵和Logistic混沌测量矩阵,同时克服了随机测量矩阵硬件难以实现的缺陷。     

基于Legendre序列的确定性测量矩阵

近年来,压缩感知理论飞速发展。很多压缩感知的应用中,信号的测量可以通过卷积滤波和之后的二次采样完成。在此基础上,实现了一种由勒让德（Legendre）序列构造的矩阵。该矩阵在经过二次采样之后,得到一种新的确定性测量矩阵。对于一个K-稀疏的信号,通过该测量矩阵可以对信号进行稳定的恢复重建。据仿真结果显示,在对K-稀疏信号进行恢复的过程中,该测量矩阵的恢复效果与高斯随机测量矩阵的应用效果相当。     

压缩感知在无线传感器网络数据采集中的应用

提出了一种无线传感器网络中基于压缩感知的数据采集方法。通过分析信号压缩观测过程,提出了适合在硬件资源有限的传感器节点中实现的循环稀疏伯努利观测矩阵CSBM(Cyclic-Sparse-Bernoulli Measurement),该矩阵使用循环稀疏矩阵与伪随机伯努利序列,采用结构化的方法构造,具有非零元素少、良好的伪随机性、硬件易于实现等优点。仿真实验表明,与其他类型的观测矩阵相比,CSBM矩阵在一定信号重构精度前提下具有更低的压缩采样比CSR(Compress Sampling Rate)。在无线传感器网络数据采集应用中,感知节点可以通过压缩观测得到更少的观测数据,能够大大减少网络通信数据量。     

易于硬件实现的压缩感知观测矩阵的研究与构造

在压缩感知过程中,观测矩阵在信号采样及重构中具有重要作用,构造易于硬件实现、结构简单且占内存较小的观测矩阵是压缩感知理论能否实际应用的关键问题之一。提出两种易于硬件实现的观测矩阵,即顺序部分哈达玛观测矩阵和循环伪随机观测矩阵,其中循环伪随机观测矩阵可分为循环m序列和循环gold序列,并证明了伪随机序列所构造的观测矩阵满足有限等距准则。为验证上述两种观测矩阵性能,对二维图像信号进行仿真,结果表明,在较低的采样率下顺序部分哈达玛观测矩阵的重构效果最优,但是采样信号长度必须是2的k次幂;循环伪随机观测矩阵的重构效果虽然弱于顺序部分哈达玛观测矩阵,但是明显优于高斯随机观测矩阵,克服了顺序部分哈达玛矩阵观测信号必须是2的k次幂的限制。提出的两种观测矩阵易于硬件实现,避免了随机矩阵的不确定性且克服了随机矩阵浪费存储资源的缺陷,具有良好的实际应用价值。     

压缩感知在传感器节点信息采集中的应用

随着无线传感器网络的快速发展,海量数据的处理、存储与传输给传统的以高速ADC和存储通信设备带来了巨大的压力.由于传感器节点采集的感知数据具有时间相关性,本文提出基于压缩感知理论的采样压缩方法,其打破了传统奈奎斯特采样定理的限制,在前端只需远低于奈奎斯特采样频率采样信号就可以完成对原始信号的精确重构,并构造了基于压缩感知的模拟信息转换器(AIC)模型.最后通过以Matlab为平台进行实验仿真,结果表明:该模型可以用较少的观测值即可精确重构稀疏信号,并且其重构精度与观测数M、稀疏度K有关.     

二维耦合映象格子混沌序列的二值化及特性研究

基于二维耦合映象格子(CML)的时空混沌系统模型产生的混沌序列具有良好的伪随机特性.详细分析混沌序列的二值化方法、线性复杂度、平衡特性、游程分布及相关特性.结果表明,二维时空混沌序列比一维混沌序列、Logistic混沌序列具有更好的随机特性和更高的线性复杂度.     

基于准循环低密度奇偶校验码的压缩感知测量矩阵

针对随机测量矩阵元素随机产生、不易于硬件实现的缺点,利用有限域上准循环低密度奇偶校验(QC-LDPC)码奇偶校验矩阵的构造方法,设计了一种确定性的结构化稀疏测量矩阵。由于QC-LDPC码的信道编解码性能较好,故以此为基础构造压缩感知(CS)测量矩阵预计有较好的性能。分别用一维和二维信号的CS重建实验验证新矩阵的性能,结果表明,与常用的测量矩阵相比,在相同的重建算法和压缩比条件下,新矩阵对应的重建误差较低,在峰值信噪比(PSNR)的评价指标上有所提高(0.5~1dB)。特别地,所提的确定性测量矩阵在结构上具有对称特性和准循环特性,如将其应用于硬件实现,可降低物理内存的需求量与硬件实现的复杂度。     

Research of incoherence rotated chaotic measurement matrix in compressed sensing

Measurement matrix construction is the hot issue of compressed sensing. How to construct a measurement matrix of good performance and easy hardware implementation is the main research problem in compressed sensing. In this paper, we present a novel simple and efficient measurement matrix named Incoherence Rotated Chaotic (IRC) matrix. We take advantage of the well pseudorandom of chaotic sequence, introduce the concept of the incoherence factor and rotation, and adopt QR decomposition to obtain the IRC measurement matrix which is suited for sparse reconstruction. The IRC matrix satisfies the Restricted Isometry Property criterion in sparse reconstruction and has a smaller RIP ratio. Simulations demonstrate IRC matrix has better performance than Gaussian random matrix, Bernoulli random matrix, Fourier matrix and can efficiently work on both natural image and remote sensing image. The peak signal-to-noise ratios of reconstructed images using IRC matrix are improved at 1.5 dB to 2.5 dB at least.     

基于随机间距稀疏 Toeplitz 测量矩阵的压缩传感

选择合适的测量矩阵是压缩传感理论实用化的关键之一. 本文在Toeplitz矩阵独立元素中随机地引入零元,形成随机间距稀疏Toeplitz矩阵, 使得随机独立变元个数可以减少到原Toeplitz矩阵的1/2～1/16,甚至更少, 非零元个数同样大大减少,有利于数据传输和存储.模拟实验表明随机间距稀疏 Toeplitz矩阵在重建效果优于Gauss矩阵和原Toeplitz矩阵的同时,重建时间只有Gauss矩阵和一般Toeplitz矩阵重建时间的约15%～40%.     

改进混沌方程及压缩感知理论图像加密算法

针对传统Logistic混沌系统混沌性能低,生成伪随机序列随机性较差等问题,本文提出一种新的改进Logistic混沌方程,并与Lorenz超混沌系统、压缩感知理论相结合构建一个多混沌图像压缩加密系统。在加密过程中与传统加密算法相结合,进行置乱、扩散操作最终获得密文图像。通过改进的Logistic混沌方程获得随机性能更好的伪随机序列来构造受控测量矩阵,仿真实验表明通过改进的Logistic混沌方程来构造的受控测量矩阵在压缩率为75%的条件下峰值信噪比达到34.26 dB,与传统Logistic混沌方程相比在同等条件下提高约10 dB,并且该算法有较好的抗差分攻击性能,像素改变率（NPCR）与统一平均变化程度（UACI）接近理论值。故本文提出的加密算法具有较好的压缩性、安全性以及信号重建特性。     

Sampling algorithms for generating joint uniform distributions using the vine-copula method

An n-dimensional joint uniform distribution is defined as a distribution whose one-dimensional marginals are uniform on some interval I. This interval is taken to be [0,1] or, when more convenient . The specification of joint uniform distributions in a way which captures intuitive dependence structures and also enables sampling routines is considered. The question whether every n-dimensional correlation matrix can be realized by a joint uniform distribution remains open. It is known, however, that the rank correlation matrices realized by the joint normal family are sparse in the set of correlation matrices. A joint uniform distribution is obtained by specifying conditional rank correlations on a regular vine and a copula is chosen to realize the conditional bivariate distributions corresponding to the edges of the vine. In this way a distribution is sampled which corresponds exactly to the specification. The relation between conditional rank correlations on a vine and correlation matrix of corresponding distribution is complex, and depends on the copula used. Some results for the elliptical copulae are given.     

二维反三角超混沌系统及其在图像加密上的应用

为了进一步提高混沌系统的混沌特性，为图像加密算法提供更可靠的混沌系统，增强图像加密算法的安全性，提出了一种基于二维反三角超混沌系统的新型图像加密算法。首先，在一维三角混沌函数的基础上构建了一个二维反三角超混沌系统，通过分岔图和Lyapunov指数等仿真实验，验证了该系统具有更广的混沌区间和更强随机性的迭代序列，遍历性更加优秀；然后，基于此混沌系统，采用"置乱-扩散"策略，根据不同密钥生成的不同超混沌序列，对图像矩阵进行无重复置乱和循环移位扩散，循环三次得到密文，完成加密过程；最后，对图像加密方案进行了直方图分析、密钥空间分析、相邻像素相关性分析、明文敏感性分析和信息熵分析等性能测试。其中密文图像的相关指标参数像素变化率（NPCR）和统一平均变化强度（UACI）的测试值非常接近于它们的理想期望值，信息熵的测试结果约为7.997，也非常接近于理想期望值8。实验结果表明，此图像加密系统具有更可靠的安全性，抵抗攻击能力强，在图像安全领域具有较好的应用前景。     

Parallel Solutions for Large-Scale General Sparse Nonlinear Systems of Equations

In solving application problems,many large-scale nonlinear systems of equaions result in sparse Jacobian matrices.Such nonlinear systems are called sparse nonlinear systems.The irregularity of the locations of nonzrero elements of a general sparse matrix makes it very difficult to generally map sparse matrix computations to multiprocessors for parallel processing in a well balanced manner.To overcome this difficulty,we define a new storage scheme for general sparse matrices in this paper,With the new storage scheme,we develop parallel algorithms to solve large-scale general sparse systems of equations by interval Newton/Generalized bisection methods which reliably find all numerical solutions within a given domain.I n Section 1,we provide an introduction to the addressed problem and the interval Newton‘s methods.In Section 2,some currently used storage schemes for sparse systems are reviewed.In Section 3,new index schemes to store general sparse matrices are reported.In Section 4,we present a parallel algorithm to evaluate a general sparse Jacobian matrix.In Section 5,we present a parallel algorithm to solve the corresponding interval linear system by the all-row preconditioned scheme.Conclusions and future work are discussed in Section 6.     

Two-dimensional cache-oblivious sparse matrix-vector multiplication

In earlier work, we presented a one-dimensional cache-oblivious sparse matrix-vector (SpMV) multiplication scheme which has its roots in one-dimensional sparse matrix partitioning. Partitioning is often used in distributed-memory parallel computing for the SpMV multiplication, an important kernel in many applications. A logical extension is to move towards using a two-dimensional partitioning. In this paper, we present our research in this direction, extending the one-dimensional method for cache-oblivious SpMV multiplication to two dimensions, while still allowing only row and column permutations on the sparse input matrix. This extension requires a generalisation of the compressed row storage data structure to a block-based data structure, for which several variants are investigated. Experiments performed on three different architectures show further improvements of the two-dimensional method compared to the one-dimensional method, especially in those cases where the one-dimensional method already provided significant gains. The largest gain obtained by our new reordering is over a factor of 3 in SpMV speed, compared to the natural matrix ordering.