单比特压缩感知理论及应用研究

单比特压缩感知是量化压缩感知的极限形式,该方法采集的是观测值的符号,仅需要1个比特单元来记录这个值,因此在硬件实施上成本低,运行速度快。目前,单比特压缩感知技术已经成为一个研究热点。本文首先介绍了单比特压缩感知的发展和研究现状,然后从检测和不检测观测符号两个方面对重构算法进行了分析,接着从单比特压缩感知的成像领域、无线传感器网络领域、医学图像领域和信号传输领域四个应用领域进行分析,最后对单比特压缩感知技术进行了总结和展望。     

WSN中的分布式压缩感知

为了解决传统的压缩感知算法在无线传感器网络中实现的难题,首先研究了用定时器控制ADC进行随机压缩采样的压缩感知技术,实验表明,该方法有效可行。在此基础上提出了基于无线传感器网络的分布式压缩感知算法。该算法通过对随机压缩采样序列的拆分实现分布式压缩采样,最后利用合并后的采样值和CoSaMP算法完成对信号的重构。仿真和实验表明,该方法能够在星型网络拓扑中实现以1/10的标准采样频率下实现信号的重构。     

满足重构概率约束的更少贝努利观测

在压缩感知(Compressed sensing, CS)中,一些方法统计地提供了给定观测数量下的信号重构概率. 然而,在重构概率有约束的情况下,现有方法不能找到满足约束的观测. 本文以压缩感知中常用的贝努利观测集为研究对象, 基于贝努利观测的特征和序列压缩感知理论获得了满足重构概率约束的观测. 另外,由于所提方法能从获取的过多观测中移除部分冗余观测, 观测结果包含更少的观测数据. 所提方法有三个优点:满足重构概率约束、 包含更少的观测数据以及具有全局收敛的属性. 理论分析和实验结果验证了所提方法的有效性.     

基于车联网的数据动态压缩采集策略

车联网能高效地实现感知区域的覆盖,因此被应用于大规模城市感知。同时,为了解决车联网难以传输大量数据的问题,一些研究者使用压缩感知对具有时空相关性的数据进行压缩。但是,目前在车联网中应用压缩感知的研究并没有考虑数据和车辆分布变化的特性,很可能导致不可接受的误差。为了保证数据的重构精度,提出面向车联网的动态压缩感知方法。该方法能自动分析感知对象的数据特征、车辆分布和观测数量之间的关系。在压缩感知的基础上加入观测数量调整功能,通过对当前感知对象的数据特征和车辆分布的分析, 实时调整压缩感知中观测矩阵的参数,从而控制观测数据的数量,提升重构精度,实现更高质量的数据传输。实验表明与现有车联网中的压缩感知方法相比,面向车联网的动态压缩感知方法在重构精度上提升了15.3%。     

压缩视频感知中量化器的研究与设计

压缩视频感知（Compressed Video Sensing,CVS）是一种利用压缩感知（Compressed Sensing,CS）以及分布式视频编码（DVC）的视频压缩方法,故又被称为分布式视频压缩感知。在CVS中,每帧图像经过块划分、压缩采样后对数据进行DPCM,最后使用均匀或者非均匀量化进行量化。目前,CVS量化器的设计大多是在采样数据或残差数据服从高斯分布的前提下设计的,通过Kolmogorov-Smirnov检验进一步分析压缩采样后的数据,利用劳埃德最佳量化器准则训练量化码书,设计出一种简单、高效的量化器。经实验,设计的量化器相比于传统的量化方法在BD-Rate上减少了约14.2%,在BDPSNR上提升了约0.11?dB,提高了CVS的压缩效率和重建质量。     

无线传感器网络中DCS算法的研究与应用

分布式无线传感网络面临着数据采样和传输方面的发展瓶颈问题。本文研究分析了能较好地适应并解决这一问题的分布式压缩感知（Distributed Compressed Sensing,DCS）算法。从理论上重点研究了DCS算法中JSM （Joint Sparse Model,JSM）的三种模型JSM-1,JSM-2,JSM-3。通过仿真对CS和DCS算法性能进行了对比分析。结果表明：DCS算法相比CS算法能以更少的测量值实现对原始信号群的精确重建,降低了节点能耗,延长了网络的生命周期。     

基于二维压缩感知的超声k空间重建

压缩感知理论已经应用于多个领域,如MRI,超声等。提出了一个新的超声重建方法,基于二维压缩感知和k空间。在时域采样特定信号,并在k空间中对其进行重建。当处理二维信号(图像)时,传统的方法是将其转换为一维向量,这种方法非常耗时,并且对于大的图像重建来说不切实际,通过二维压缩感知处理这个难题。     

利用有限字符集特征的数字信号压缩感知模型

本文利用有限字符集对数字信号的压缩感知方法进行了研究,主要探讨了针对多进制相移键控（M-PSK）字符集,基于有限字符集的特征,可以用亚奈奎斯特率进行采样。本文提出的模型也视为联合解调模型。此外,所需采样率与符号率成正比,且远低于奈奎斯特率。文中利用数值仿真验证了其有效性。     

语音压缩感知研究进展与展望

压缩感知技术,特别是语音压缩感知技术逐渐成为信号处理领域的研究热点。当前的语音压缩感知关键技术主要包括适合语音信号的稀疏分解矩阵构造,观测矩阵的选择和重构算法的设计。稀疏分解矩阵的重要代表是正交基、基于语音特性的线性预测矩阵和过完备字典。观测矩阵方面主要采用随机观测矩阵分析语音压缩感知性能;重构算法方面重点研究当观测序列或语音信号本身含有噪声时鲁棒的语音压缩感知重构算法。本文对上述语音压缩感知的3大关键技术进行了介绍和对比分析,并对语音压缩感知的应用进行了总结,最后对未来可能的研究热点进行了展望。     

压缩感知在认知无线电通信中的应用研究

重点介绍了压缩感知(CS)在认知无线电(CR)通信中的应用。由于分配授权的无线电频谱实际上利用率不高,导致其他未授权用户又无法利用这些已授权频段。频谱占用的这种稀疏性激发了CS在CR通信中的应用。考虑到不同领域的稀疏性,研究人员已经在各种设置中应用了CS理论。文章详细介绍了现有技术状况,从CS的基本原理和主要特点出发,根据宽带CR获取的无线电参数,对主要应用进行分类。随后,介绍了现有适用于宽带频谱感知、信号参数估计等不同类别的CS相关工作。最后,提出了一些开放的研究挑战和未来的发展方向。     

压缩感知重构匹配类算法分析

压缩感知理论是一种利用信号的稀疏性或可压缩性而把采样与压缩融为一体的新理论体系,它成功地克服了传统理论中采样数据量大、资源浪费严重等问题。该理论的研究方向主要包括信号的稀疏表示、测量矩阵的设计和信号的重构算法。其中信号的重构算法是该理论中的关键部分,也是近年来研究的热点。本文主要对匹配追踪类重构算法作了详细介绍,并通过仿真实验结果对这些算法进行了对比和分析。     

基于压缩感知的无线传感网络数据压缩

无线传感器网络（Wireless Sensor Networks,WSN）负责感知、采集、处理和监控环境数据,但是容易受限于资源。压缩感知（Compressed Sensing,CS）理论表明,利用最优化理论,稀疏信号可以从少量的非自适应线性投影中高概率精确恢复。根据CS理论设计WSN的数据压缩方法只依赖于信号内在的结构和内容,而不是信号的带宽,弥补了WSN的不足;提出了基于稀疏随机投影的编码方法;仿真结果表明系统在满足误差要求条件下构造的数据包减少至结点数目的30%,提高了WSN通信效率,降低了系统能耗。     

基于梯度的压缩感知图像融合（英文）

目的:面向多传感器图像融合,实现基于梯度的压缩感知图像融合,使其具有传输量小,计算复杂度低的特点。创新点:提出一种基于梯度的融合规则(图1),对压缩感知系数进行融合,并对融合后的压缩感知系数进行反变换得到原图像,提高压缩感知融合质量。方法:首先,对多传感器捕获的图像进行压缩感知分解以提高传感器传输速率。然后在融合阶段,基于压缩感知系数梯度进行融合得到融合后的压缩感知系数,并对融合后的系数进行压缩感知反变换得到融合后图像。通过两种融合场景的应用实验(图2-7,表1-6),证明所提算法相比于其他传统压缩感知图像融合方法,在人眼视觉及客观融合标准中均更优。结论:针对多种融合场景,提出一种高效的基于梯度的压缩感知的图像融合方法,提高图像融合精度。     

基于压缩信号处理的BOC信号解调

为了降低二进制偏移载波调制(BOC)信号的采样频率,提出一种基于压缩信号处理的BOC信号解调方案。采用该方法可以降低A/D的采样速率和系统功耗,并且硬件结构比其他方案更加简单。仿真实验表明,压缩感知可以成功地应用在BOC信号接收机中。受噪声折叠的影响,压缩信号处理BOC接收机的性能要比传统接收机略低,其优势在于降低实现的复杂度。考虑信号的量化,噪声折叠对接收机的性能影响要小得多。     

贝叶斯小波图像压缩感知方法

现有小波图像压缩感知方法大多利用父子小波系数的相关性来提高重构精度, 很少考虑同一尺度兄弟小波系数间的相关性关系. 鉴于此, 提出一种基于贝叶斯模型的高频系数联合重构小波图像压缩感知方法. 该算法将同一尺度水平、垂直和对角三个方向高频系数分别压缩感知采样, 然后设计分层贝叶斯模型, 充分利用此三个方向兄弟小波系数的相关性来重构图像. 实验结果表明本文提出的方法比传统的多尺度压缩感知有更高的图像重构质量.     

基于分类的分布式压缩感知算法

在无线传感器网络中,压缩感知是一种新兴的数据融合方法,能利用少量数据采样进行数据恢复。由于具有较好的节省能耗的性质,压缩感知受到研究人员越来越多的关注。然而,传统的应用于无线传感器网络中压缩感知方法是在汇聚节点得到所有节点的加权和,然后利用重构算法对整个网络中各节点的数据进行恢复,并没有考虑到网络节点的分布式的特性。因此,当网络拓扑较复杂时,应用压缩感知时数据需要传输的次数并不会低于利用最短路径树时数据需要传输的次数。在该文中,我们考虑如何将压缩感知技术更好的和网络节点的分布式结构相结合,使得该技术的更加符合无线传感器网络的需求。     

压缩感知理论及其OMP算法FPGA实现研究

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。     

基于压缩感知的监控视频多目标自适应跟踪算法

针对压缩感知跟踪算法无法自动识别目标和易积累噪声导致目标丢失的问题,提出一种融合图像预处理的压缩跟踪算法。算法在初始化阶段,采用背景建模和背景差分法实现自动识别目标区域和多目标的判定。随后,使用压缩跟踪算法进行多目标的跟踪。在跟踪过程中,采用更新机制,减少噪声的积累,防止目标丢失。更新背景模型,使算法适应光线变化。算法在监控视频库上进行测试,并与压缩跟踪算法进行了对比,实验结果表明,提出的多目标自适应跟踪算法,在主客观性能方面较同类算法具有显著提高,其跟踪精度和鲁棒性方面得到了改善。     

彩色全息压缩重构

压缩全息搭起Gabor全息和压缩感知(Compressed sensing, CS)理论之间的桥梁, 特别适合从单帧二维全息测量数据中重建三维对象, 是一种新兴的三维重建技术. 本文将压缩全息方法从单波长情形推广到多波长, 提出一种基于三维总变分稀疏模型的改进彩色全息压缩成像方法, 建立多波长情形下的压缩测量模型. 该方法利用对象的稀疏先验知识, 从单帧二维彩色全息图中重建多波长三维对象, 有效地实现孪生像的抑制和多层切片相互之间的散焦图像对重建质量的影响. 数值实验结果验证了本文提出方法的有效性.     

基于压缩感知的MIMO-TDCS频谱感知方法

针对MIMO-TDCS系统频谱感知中因数据量大而较难实现的难题,提出一种利用压缩感知的MIMO-TDCS频谱感知方法.在电磁环境一致的情况下,收发两端分别用远低于乃奎斯特的采样速率对电磁环境信号进行采样,然后用正交匹配追踪算法对信号进行重构,并通过二元门限进行状态判决.实验结果证明,运用压缩感知技术能大大减少电磁环境宽带信号的快速采样和处理难度,在选取合理测量值的情况下能够准确恢复信号,进而能有效地检测和剔除干扰,达到抗干扰的目的.