基于贝叶斯压缩感知的信号重构

本文提出了基于贝叶斯压缩感知的信号重构算法,将压缩感知理论应用于信号的压缩传输以及重构,该算法将压缩感知问题转化为线性回归问题,逐步推演出结果向量之间的迭代关系,最后通过迭代以得到原始信号的精确重构. 仿真说明了贝叶斯压缩感知在信号处理中的应用,结果表明该算法对一维和二维信号的压缩重构有很好的效果.     

基于贪婪重建的射频传感器网络稀疏目标跟踪

在射频传感器网络中利用接收信号强度来实现无设备运动跟踪是一种新兴技术。由于待重建的场景是稀疏的,即目标个数很少,这样可以应用压缩传感技术。提出把目标跟踪作为压缩传感的信号重建问题,并提出贪婪检测估计算法来求解目标位置。同时,设计一种利用目标先验位置信息的反馈跟踪方法来减少信号重建时所需的测量数。通过实验验证：贪婪检测估计算法可获得较好的信号重建结果,而且在目标跟踪应用中也较为精确。     

自适应线性预测卡尔曼滤波压缩感知算法

针对压缩感知中时变稀疏信号的重建问题,提出一种基于自适应线性预测的卡尔曼滤波恢复算法.该算法采用滑动窗口对信号进行观测,基于前后窗信号之间的相关性并利用自适应线性预测方法,建立前后窗口信号的状态转移方程,与修正后的观测方程共同构成系统状态空间模型.在信号重构时,采用贪婪算法确定信号支撑集、降阶卡尔曼滤波算法迭代得到其精确解.对调频信号、调幅信号、WiFi射频信号和语音采样信号进行仿真实验验证,仿真结果表明,所提出算法在不显著增加计算复杂度的情况下,重建精度比改进前的循环平移模型算法提高约5%,且远高于其他同类算法;同时在不同的噪声环境下,重建后的信号比原信号信噪比提高$1\sim 8$dB,表明算法具有较强的抗噪声性能.     

压缩传感综述

在传统采样过程中, 为了避免信号失真, 采样频率不得低于信号最高频率的2倍. 然而对于数字图像、视频的获取, 依照香农(Shannon)定理会导致海量采样数据, 大大增加了存储和传输的代价. 近年来, 一种新兴的压缩传感理论为数据采集技术带来了革命性的突破, 得到了研究人员的广泛关注. 压缩传感采用非自适应线性投影来保持信号的原始结构, 能通过数值最优化问题准确重构原始信号. 压缩传感以远低于奈奎斯特频率进行采样, 在压缩成像系统、模拟/信息转换、生物传感等领域有着广阔的应用前景. 本文主要介绍了压缩传感的基本理论及相关应用, 并对其研究前景进行了展望.     

基于小波树模型的CoSaMP压缩感知算法

无线传感网络存在网络带宽限制和传感器节点的能耗问题,实际应用中通常希望可以通过重构算法从采集的少量数据中还原出原始信息,压缩感知理论为上述问题提供了一个解决思路。利用压缩感知理论,对无线传感器网络中温度传感器的监测信号进行了压缩感知的应用研究。针对传统压缩采样匹配追踪(CoSaMP)算法中测量次数多、重构精度低等问题,利用信号的小波系数所形成的连通树的结构特性,提出了基于小波树模型的压缩采样匹配追踪算法。将该算法应用到无线传感器网络监测信号的压缩感知仿真实验中,与传统压缩采样匹配追踪算法的重构性能进行比较,结果表明该算法较传统压缩采样匹配追踪算法在一定范围内对无线传感器网络中的温度信号具有更好的压缩感知性能。     

一种基于压缩感知的无线传感信号重构算法

压缩感知(Compressed Sensing,CS)是一种基于稀疏信号的获取和恢复的新理论,能以较小的采样代价获得完整的信号.这一理论符合无线传感网络在带宽和采集能力局限下需要低代价采样的需求.但由于无线传感网络的开放性,其容易受到环境噪声的影响,特别是采用压缩感知方法进行欠采样,虽然可以减小获取数据的开销,但这种“不完整”的欠采样数据对噪声更加敏感.因此抗噪声的健壮的重构算法能有效保证信号重构的精度.文中提出了一种近似梯度下降算法(Proximal Gradient Algorithm,PRG)对噪声下的压缩采样信号进行恢复.该算法通过逐步迭代逼近的方式,求得约束方程最优解,进而还原出原信号.通过与OMP、SP、BP算法比较,PRG算法在噪声环境下表现出较好的重构性能.     

一种迭代加权l1范数的信号优化恢复方法

稀疏信号的快速优化恢复是压缩感知理论（Compressed Sensing,CS）研究的热点。讨论了参数选取对迭代加权l1范数优化算法恢复效果的影响,并将参数规则化过程引入到算法中,提出了带有参数规则化过程的迭代加权l1范数优化算法。最后通过数值实验,表明改进的算法较大程度地提升了对稀疏信号的恢复能力。     

基于压缩传感的多尺度传感器融合

针对传统采样理论需要采集大量观测数据所带来的存储、传输以及经济方面的压力,提出了一种基于压缩传感理论的多尺度传感器融合方法.分析了基于压缩传感理论的重构算法的设计问题,采用曲线拟合方法对多尺度的传感器的时间配准.仿真结果表明,基于正交匹配追踪算法几乎可以完全重构原始信号.与传统采样算法相比,虽然精度没有传统的方法高,但是在误差允许范围内,采集的数据少,所需时间少,减少了数据的传输和存储成本.     

基于压缩感知理论的WSNs时序信号分段压缩算法

针对压缩感知理论(CS)应用在无线传感器网络中时序信号在传输过程存在压缩比率低、通信能耗高等问题,提出了一种时序信号分段压缩算法来解决在信号稀疏度未知及高稀疏度条件下,压缩感知数据重构算法中存在的重构效率低,重构精度差,影响网络生命周期的问题.该算法将采集数据中非零元素个数作为分段依据,通过减少段内非零元素组合数量来提高信号重构精度,同时利用了压缩感知理论特性实现了对信号的高压缩率.实验结果表明,在以混沌量子免疫克隆重构(Q-CSDR)算法为重构算法、在信号盲稀疏度及稀疏度高于40的条件下,能够以大于0.4的压缩比率对信号进行压缩,其重构信号的均方误差小于0.01,能够延长网络寿命2倍左右.     

用稀疏相似性度量求解压缩传感矩阵

提出一种用稀疏相似性度量求解压缩传感矩阵的方法,并将其应用在图像重建和识别领域中.首先构造一种稀疏相似性度量,然后将其嵌入到传感矩阵的模糊代价函数中,最终传感矩阵的原子更新按照模糊方式进行计算.用该方法优化后的观测矩阵与字典矩阵之间保持了低相干性,并且样本的稀疏信号在相同重构条件下具备了更优的测量数目和质量.在ORL和FERET人脸数据库及91幅自然图像库上的实验结果验证了该算法的有效性.