一种自适应正则化子空间追踪算法

针对压缩感知中未知稀疏度信号的重建问题,提出一种新的压缩感知的信号重建算法,即自适应正则化子空间追踪（Adaptive Regularized Subspace Pursuit,ARSP）算法,该算法将自适应思想、正则化思想与子空间追踪（Subspace Pursuit,SP）算法相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,利用正则化过程实现支撑集的二次筛选,最终能实现信号的精确重构。仿真结果表明,该算法能够精确重构原始信号,重建效果优于SP算法、正则化正交匹配追踪（ROMP）算法、稀疏度自适应匹配追踪（SAMP）算法、压缩采样匹配追踪（CoSaMP）算法等。     

基于块稀疏度估计的压缩感知自适应重构算法

块稀疏信号是一类具有特殊结构的稀疏信号。针对块稀疏信号块稀疏度未知的情况,提出了一种基于块稀疏度估计的自适应重构算法并将其应用于压缩感知。算法首先对信号的块稀疏度进行初步估计计算得到一个支撑块索引集合的估计值,利用得到的估计值对残差进行初始化;接着对测量矩阵的子块和当前残差进行相关性匹配操作以选取信号的支撑块集合;然后依据正则化原则再次对由相关性匹配操作得到的信号支撑块集合进行筛选;最后通过迭代过程获得信号最终的支撑块集合。仿真实验结果表明,提出的算法与现有的块稀疏信号自适应重构算法比较,具有较好的重构成功概率,且算法的平均运行时间更短。     

稀疏度自适应分段正交匹配追踪算法改进

在基于压缩感知的信号重构问题中,有一类常见情况——未知信号稀疏度。针对此类情况,提出稀疏度自适应分段正交匹配追踪(SparsityAdaptiveStagewiseOrthogonalMatchingPursuit,SAStOMP)算法,该算法将自适应思想、变步长迭代思想与分段正交思想相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,最终实现信号的精确重构。仿真结果表明,针对长度为256位的原始信号,该算法重建效果优于正交匹配追踪算法、正则化正交匹配追踪算法和分段正交匹配追踪算法等。     

一种变步长稀疏度自适应子空间追踪算法

针对压缩感知（Compressive sensing,CS）中未知稀疏度信号的重建问题,本文提出一种变步长稀疏度自适应子空间追踪算法.首先,采用一种匹配测试的方法确定固定步长,然后以该固定步长与变步长方式相结合,通过不同支撑集原子个数下的重建残差变化确定信号稀疏度,算法采用子空间追踪方法确定相应支撑集原子,并完成原始信号准确重建.实验结果表明,与同类算法相比,该算法可以更准确重建原始信号,且信号稀疏度值较高时,运算量低于同类算法.     

基于压缩感知的后退型自适应匹配追踪算法

基于压缩感知理论的重建关键在于从压缩感知得到的低维数据中精确恢复出原始的高维稀疏数据。针对目前大多数算法都建立在稀疏度已知的基础上,提出一种后退型固定步长自适应匹配追踪重建算法,能够在稀疏度未知的条件下获得图像的精确重建。该算法通过较大固定步长的设置,保证待估信号支撑集大小的稳步快速增加;以相邻阶段重建信号的能量差为迭代停止条件,在迭代停止后通过简单的正则化方法向后剔除多余原子保证精确重建。实验结果表明,该算法在保证测量次数的条件下可以获得快速的精确重建。     

基于压缩感知改进算法的MIMO-OFDM稀疏信道估计

结合压缩感知理论（CS）,针对压缩采样匹配追踪算法在多输入多输出正交频分复用（MIMO_OFDM）系统信道估计应用中需要利用信号稀疏度的先验条件,而实际中稀疏度又难获得的情况,提出一种信号稀疏度自适应的压缩采样改进匹配追踪算法（CoMSaMP）。该算法采用具有理论支撑的原子弱选择标准作为预选方案,并设置首次裁剪阈值来减少算法多余的迭代,降低算法在信道估计中的复杂度,裁剪方式的改进保证了重构精度的提高,最终实现MIMO-OFDM稀疏信道估计中信号的稀疏度自适应。仿真结果表明：与原算法相比,该算法在同等信噪比条件下具有更优的信道估计性能,从而提高了频谱利用率,同时降低了复杂度,在稀疏度较高时,提出的算法具有更好的对噪声的抗干扰能力。     

基于压缩感知的步长自适应前向后向追踪重建算法

压缩感知(CS)是一种新的信号采样、处理和恢复理论,能够显著地降低高频窄带信号的采样频率。针对稀疏度未知信号的重建,提出了步长自适应前向后向追踪(AFBP)算法。不同于固定步长前向后向追踪(FBP)算法,AFBP的步长可变。它利用一种自适应阈值的方法选取前向步长,然后对候选支撑集进行正则化处理以保证其可靠性,接着用自适应阈值与变步长双向控制的方法选取后向步长以减少重建时间。AFBP能够自适应后向删除估计支撑集中部分错误索引以提高信号准确重建概率。在稀疏信号非零值服从常见分布条件下,用AFBP、FBP等算法进行重建的结果表明,AFBP的准确重建概率、重建精度与FBP相当,重建时间明显少于FBP,能够更高效地重建稀疏度未知信号。     

联合稀疏频谱检测算法研究

为了提高联合稀疏频谱环境下未知稀疏度信号的检测精度和速度,提出了一种联合稀疏可变步长的匹配追踪感知算法。算法根据信号内部及信号之间的相关性,利用一种原子匹配测试得到稀疏度的粗估计,采用变步长思想逼近全局最优支撑集,初始阶段利用大步长快速匹配以提高收敛速度,根据恢复情况减小步长以实现精确逼近。实验结果表明：改进的算法在检测概率和收敛速度上均优于SOMP和SSAMP算法。     

基于部分支撑集的L1范数稀疏重构算法

针对压缩感知理论中,现有的优化L1范数稀疏重构算法在重构源信号时,当且仅当稀疏度小于等于观测信号长度一半时才能够正确重构源信号的问题,提出了部分支撑集的L1范数稀疏重构算法。改进算法采用线性规划方法最小化源信号"尾部"支撑集的L1范数,能够在稀疏度大于观测信号长度一半时正确重构出源信号。仿真结果表明,在不同信噪比和稀疏度条件下,所提算法的重构精度优于现有的优化L1范数的稀疏重构算法和正交匹配追踪的稀疏重构算法。     

一种改进的稀疏度自适应变步长正则化匹配追踪算法

介绍了压缩感知理论的基础如识．并分析了压缩感知的重建算法。正则化正交匹配追踪算法引入了正则化思想进行原子筛选,使迭代次数减少,但前提是要知道信号的稀疏度。稀疏度自适应匹配追踪算法可以通过设置终止条件来使稀疏度自适应．但达代次数较多,时间成本较大。在两种方法的基础上提出了一种改进的稀疏度自适应变步长正则化匹配追踪算法,该算法克服了上述两种算法的缺点。仿真结果表明,文中提出的算法较准确地重构出原始信号．且运算时间较低。     

Improved sparsity adaptive matching pursuit algorithm based on compressed sensing

Traditional greedy algorithms need to know the sparsity of the signal in advance, while the sparsity adaptive matching pursuit algorithm avoids this problem at the expense of computational time. To overcome these problems, this paper proposes a variable step size sparsity adaptive matching pursuit (SAMPVSS). In terms of how to select atoms, this algorithm constructs a set of candidate atoms by calculating the correlation between the measurement matrix and the residual and selects the atom most related to the residual. In determining the number of atoms to be selected each time, the algorithm introduces an exponential function. At the beginning of the iteration, a larger step is used to estimate the sparsity of the signal. In the latter part of the iteration, the step size is set to one to improve the accuracy of reconstruction. The simulation results show that the proposed algorithm has good reconstruction effects on both one-dimensional and two-dimensional signals.     

基于一次投影子空间追踪的压缩感知信号重构

为了降低信号重构算法的复杂度,实现对稀疏度未知信号的重构,提出了一种基于一次投影子空间追踪(OPSP)的信号重构方法。首先根据约束等距性质确定信号稀疏度的上下界,并将最接近上下界中值的整数作为稀疏度的估计值;然后在子空间追踪(SP)算法的框架下,去掉了迭代中观测向量在支撑集上的投影过程,降低了算法的复杂度。为了更准确地衡量算法的重构性能,提出用完整信号的重构概率作为衡量算法重构性能的指标。与传统的SP算法相比,所提算法可以重构稀疏度未知的信号,且重构时间短,重构概率高。仿真结果验证了该算法的有效性。     

分段迭代匹配追踪图像重构算法

目的 压缩采样匹配追踪（CoSaMP）算法虽然引入回溯的思想,但其原子选择需要大量的观测值且在稀疏度估计不准确时,会降低信号重构精度,增加重构时间,降低重构效率。为提高CoSaMP算法的重构精度,改善算法的重构性能,提出了一种基于广义逆的分段迭代匹配追踪（StIMP）算法。方法 为保证迭代时挑选原子的精确性和快速性,对观测矩阵广义逆化,降低原子库中原子的相干性;原子更新结合正交匹配追踪（OMP）算法筛选原子的准确性与CoSaMP算法的回溯性,将迭代过程分为两个阶段：第1阶段利用OMP算法迭代K/2次;第2阶段以第1阶段OMP算法迭代所得的残差和原子为输入,并采用CoSaMP算法继续迭代,同时改变原子选择标准,从而精确快速地重构出稀疏信号。结果 对于1维的高斯随机信号,无论在不同的稀疏度还是观测值下,相比于OMP、CoSaMP、正则化正交匹配追踪（ROMP）算法和傅里叶类圆环压缩采样匹配追踪（FR-CoSaMP）算法,StIMP算法更加稳健,且具有更高重构成功率;对于2维图像信号,在各个采样率下,StIMP算法的峰值信噪比（PSNR）均高于其他重构算法,在采样率为0.7时,StIMP算法的平均PSNR值比OMP、CoSaMP、ROMP和FR-CoSaMP算法分别高2.14 dB、1.20 dB、3.67 dB和0.90 dB,平均重构时间也较OMP、CoSaMP和FR-CoSaMP算法短。结论 提出了一种改进的重构算法,对1维高斯随机信号和2维图像信号均有更好的重构效率和重构效果,与原算法和现有的主流图像重构方法相比,StIMP算法更具高效性和实用性。     

基于l_(2,1)范数原子选择的图像分块稀疏重构

针对图像压缩采样中原子的选择规则难以确定的问题,在改进的正交匹配追踪算法的基础上提出了一种基于l_(2,1)范数的原子选择方式。l_(2,1)范数的原子选择方式考虑了原子间的相关性,剔除了干扰原子,选择出了代表性原子。将所提方法用于图像分块重构,算法以图像进行分块,利用l_(2,1)范数选择对图像块支撑集进行筛选,增强块特征的判别性,提高原子的稀疏度,最终提高图像重构的准确率和速率。实验结果表明,相同条件下在保证重建速度的同时,所提新方法提高了图像重构精度。     

一种改进的稀疏度自适应匹配追踪算法

在信号稀疏度未知的情况下,稀疏度自适应匹配追踪算法(Sparsity Adaptive Matching Pursuit,SAMP)是一种广泛应用的压缩感知重构算法。为了优化SAMP算法的性能,提出了一种改进的稀疏度自适应匹配追踪(Improved Sparsity Adaptive Matching Pursuit,ISAMP)算法。该算法引入广义Dice系数匹配准则,能更准确地从测量矩阵中挑选与残差信号最匹配的原子,利用阈值方法选取预选集,并在迭代过程中采用指数变步长。实验结果表明,在相同的条件下,改进后的算法提高了重构质量和运算速度。