面向桥梁结构健康监测的压缩感知动力响应信号重构

为了解决桥梁结构健康监测中采集海量数据带来数据传输和存储成本大的问题,引入压缩感知理论,优化常规观测矩阵,以增加观测矩阵和稀疏基的不相关性,用少量的动力响应信号采样数据恢复较为准确的原始信号。用吉安大桥的现场环境振动试验数据验证了基于压缩感知的桥梁动力响应重构方法的可行性和有效性。研究结果包括：压缩感知重构信号在时域里与原始信号吻合良好,当压缩比在20%以上时,重构信号相对误差在10%以下,优化观测矩阵重构的信号精度高于初始观测矩阵重构的信号,尤其是在低压缩比情况下,有利于减少数据的采集量;观测矩阵优化后重构信号的频谱与原始信号的频谱更加吻合,频谱出现的几个峰值均能准确对应,相比之下,初始观测矩阵重构信号的频谱出现较多峰值的误判,且有些峰值未能识别;观测矩阵优化方法可以适用于随机高斯矩阵、伯努利矩阵和稀疏随机矩阵,具有较广泛的适用范围。研究结果表明基于压缩感知的桥梁结构动力响应信号重构方法是实现用少量采样数据恢复较为准确的原始信号的有效方法。     

基于改进SL0算法的MSFA模式多光谱图像去马赛克方法

针对MSFA模式多光谱图像去马赛克算法精度较低和计算复杂等缺点,利用压缩感知理论在信号恢复方面的优势,提出一种新的光谱图像去马赛克算法。采用随机模式的多光谱滤波阵列MSFA获得马赛克图像,通过将MSFA采样值等效为压缩感知理论中的感知矩阵采样所得数据,将去马赛克问题转化为压缩感知稀疏信号恢复问题,并利用多光谱图像的谱间相关性,给出基于压缩感知框架的多光谱图像去马赛克模型,最后采用改进的光滑0范数算法求解去马赛克问题,得到重构的多光谱图像。客观评价指标显示,该算法的峰值信噪比值相较于克罗内克压缩感知和组稀疏两种算法有明显提高;主观评价结果表明,该算法能有效减少重构图像中的锯齿现象,具有更好的视觉效果。     

压缩感知在医学超声成像中的仿真应用研究

为了解决医学超声成像系统中面临的采样率高,数据量大的问题,提出将压缩感知理论方法用于医学超声成像。首先建立了超声信号在时域的稀疏表达模型,然后利用模拟信息转换器对信号进行稀疏采样,最后使用最优化方法完成回波信号重建,利用合成发射孔径方式完成最终超声成像。为了验证算法的有效性,利用Field II对点目标以及复杂组织目标进行了仿真实验,在均方误差、分辨率、对比度以及成像质量上与常规成像结果对比分析。结果表明,采用1/2奈奎斯特采样频率,以30%原始数据所完成的成像仍然可保证良好的图像质量。采用压缩感知理论可以大幅度降低医学超声系统的采样率及总数据量。     

基于压缩感知的高动态范围混合信号采样方法研究

为能够有效获取高动态范围混合信号的弱信号,提出一种基于压缩感知的信号采样方法。通过弱信号与预估值之间的最小均方差得到一种新的感知矩阵,该感知矩阵可以在抑制强信号的同时保留弱信号;利用相干分析法验证该矩阵满足约束等距性条件,并对噪声误差进行分析。实验结果表明:该方法可实现高动态范围混合信号的弱信号的采样与重构。     

基于压缩感知的水声数据压缩与重构技术

在水声信号处理中,数据量大造成的数据处理压力不容忽视。为了有效地提取水声数据中的有用信息,同时缓解数据量大带给水声数据传输的压力,研究压缩感知(Compressed Sensing,CS)的基本原理及其关键技术,综述了CS理论框架并着重介绍了稀疏变换、观测矩阵设计和重构算法三个方面。通过仿真实验表明了压缩感知技术能够有效地用于模拟数据的压缩与重构。重点对水声舰船噪声信号进行了基于CS的压缩与重构仿真实验,验证了压缩感知技术运用于水声数据处理的有效性,从而达到提高水声数据传输速率的目的。     

自然采样法的SPWM实时运算硬件设计

0引言采样定理又称Nyquist采样定理、香农采样定理。它是信息论尤其是信号处理与通讯领域中的一个重要理论。采样是指将连续信号转换成一数值序列。PWM(Pulse Width Modulation)控制即对脉冲宽度进行调制的技术,通过对脉冲的宽度进行调制,等效获得所需波形。PWM控制技术在实际工程中得到了广泛应用,尤其应用在逆变电路中,现在绝大部分的逆变电路都是PWM型逆变电路。正     

基于确定性测量矩阵的心电信号压缩采样算法研究

远程心电监测治疗中心电压缩技术至关重要.论文介绍了压缩采样理论的原理,根据确定性矩阵在压缩采样理论硬件实现上的优势,构造了一种多项式确定性矩阵,与块稀疏贝叶斯框架算法相结合,并在此基础上,对多项式确定性矩阵QR分解进行优化,实验表明:该矩阵可以满足实时高精度重建信号的要求,优化后的矩阵更进一步提高了算法性能.     

采用BP神经网络优化的振动信号压缩感知方法

无线传感网络逐渐应用于结构健康监测,但是因能耗问题难以实现长期、高频的数据采集工作。压缩感知技术可利用少量的采样点重构原始信号,有望降低无线传感网络的能耗。实测振动信号因受到噪声干扰而导致稀疏性有限,常用于压缩感知的LASSO算法难以精确求解稀疏系数,进而影响振动信号重构效果。引入BP神经网络优化LASSO算法解得的稀疏系数,BP神经网络经ADAM优化算法训练后,可有效提升振动信号重构精度。用三层框架结构的模拟加速度数据和广州塔的监测加速度数据验证方法的有效性,并探讨了正则化参数和优化迭代次数的影响。结果表明,基于BP神经网络优化的压缩感知方法的信号重构效果在不同压缩率下均优于非优化的压缩感知方法。     

高斯随机测量矩阵的研究

只要信号是可压缩的或在某个变换域是稀疏的,压缩感知理论便可在信号采样的同时对其进行高效的压缩,该理论中选择合适的测量矩阵对信号的获取和重建精度起着关键作用。文章通过阈值处理的方法在高斯随机测量矩阵中引入零元,形成一定稀疏结构的高斯随机测量矩阵,使得非零元个数减少到原高斯矩阵的1/2~1/16,甚至更少,有利于数据的存储和传输。仿真实验表明,优化后的测量矩阵不仅保证了信息原有的重建效果,而且降低了程序运行时间,使得信息的重建速度加快。     

基于扩展双谱的齿轮压缩采样信号特征提取方法

针对传统信号处理方法不适用于压缩采样信号的问题,提出一种基于扩展双谱的压缩信号特征提取方法,以实现对压缩后的齿轮振动信号直接进行特征提取而避免复杂的信号重构过程。该方法首先将原始信号与M序列进行混频,将高频信息搬移到低频部分,低通滤波后通过低频采样获取压缩采样信号,再对压缩信号进行扩展双谱分析,针对实际应用中存在的问题,进一步引入阶次分析,角域同步平均等技术。仿真及工程实验表明,该方法能有效地提取出压缩采样信号的相位耦合特征,实现故障识别。     

气体泄漏声源的时域压缩波达方向估计研究

针对现有压缩感知算法中对模拟信号压缩采样的不足以及传统测量矩阵存储量和计算量大等问题,提出一种基于模拟信号时域压缩的波达方向(DOA, Direction Of Arrival)估计算法,并应用于气体泄漏声源方位估计研究。首先建立气体泄漏声源DOA估计模型,然后设计一种直接非均匀随机欠采样方案,并构造相对应的形式简单的等效测量矩阵,实现对模拟声源信号的直接压缩采样,避免了传统测量矩阵数据量大及计算复杂度高等问题,最后采用子空间追踪算法进行重构,实现了较快的计算速度和较高的重构精度。理论分析和实验表明,该算法能成功实现气体泄漏声源的DOA估计,且在显著降低信号采样率和计算复杂度的同时,实现了较高的估计精度和分辨率,估计性能更佳。     

基于深度压缩感知的语音增强模型

随着压缩感知的深入研究,压缩感知在语音增强方面的应用也备受关注。针对传统压缩感知语音增强算法中存在的不足,将压缩感知与深度学习结合构建名为基于深度压缩感知的语音增强模型(Speech Enhancement based on Deep Compressed Sensing, SEDCS)。基于压缩感知原理使用编解码模型代替压缩感知中语音信号稀疏过程,使用卷积神经网络代替测量矩阵实现语音信号观测降维过程,通过联合训练的方式实现语音增强。实验结果表明：该模型能够完成语音增强任务,并且与现有的压缩感知语音增强算法相比,该模型能取得较好的语音增强效果;相比利用深度学习的语音增强算法,该模型虽性能一般,但在模型泛化性能和测试阶段的增强时间效率上有一定提升。     

基于Polar插值改进的结构振动信号压缩采样正交匹配追踪恢复算法

压缩感知是近年来出现的采样和信号处理方法,它利用了信号中普遍存在的稀疏特性,从而可以以远低于奈奎斯特频率的采样速率采集压缩样本,并依概率恢复得到真实信号。结构振动信号具有一定的稀疏性。对其进行压缩采样并进行信号重构,离散傅里叶原子的频率往往与信号实际频率不匹配,造成频率泄漏,降低信号重构精度。针对离散原子库存在的缺陷,采用Polar插值对正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法进行了改进。以OMP算法选择的最优原子为基础,利用Polar插值在最优原子临近构建频域连续原子库,构建了信号重构的优化模型,通过凸优化算法获得实际频率的最优估计。改进算法以较小的计算量实现对OMP算法得到的离散原子频率的修正。通过对结构振动的数值模拟和对模型试验压缩信号的重构,结果表明,与常规算法相比,改进算法可有效提高信号重构精度,特别是在压缩观测值数量较少的情况下,精度提升效果更加明显。     

压缩传感-稀疏信号的采样与重构

介绍了一种新的信号处理方法-压缩传感,充分利用信号在变换域的稀疏结构知识进行信号的采样与重构。它包括三个要素:稀疏表示矩阵、非相干测量矩阵和重构算法。对时域和频域稀疏信号的采样与重构进行了仿真,并分析了信号长度、测量值、信号稀疏级和信噪比对重构误差的影响关系。     

滚动轴承压缩故障信号的特征代理与凸优化重构算法EI北大核心CSCD

压缩采样可以有效缓解机械状态监测数据存储和传输的压力,但是压缩数据的感知重构一直是个难点。针对滚动轴承压缩信号的故障特征提取问题,提出一种基于特征代理与凸优化算法的故障信号重构方法。分析了滚动轴承局部故障信号的稀疏和卷积特性,学习得到故障冲击模式。对压缩得到的轴承观测信号,构造包含冲击时刻特征的代理,并对代理建立目标优化函数,采用快速迭代收缩阈值算法(Fast Iterative Shrinkage Threshold Algo⁃rithm,FISTA)直接从代理提取出稀疏系数,将学习模式与稀疏系数卷积重构出故障信号。与直接利用FISTA从压缩信号中提取冲击特征相比,所提方法在不降低求解精度的同时降低了计算复杂度。相比于常用的贪婪类重构算法,所提方法无需预先估计信号的稀疏度,且能得到全局最优解。通过滚动轴承仿真和实验信号进一步验证了所提方法的有效性。     

基于压缩感知的多中继协作通信系统稀疏信道估计算法研究

提出了一种基于压缩感知理论的多中继协作通信系统稀疏信道估计方法.采用正交匹配追踪（Orthogonal Matching Pursuit,OMP）压缩感知算法,对时域信道脉冲响应进行估计.对多中继协作通信系统进行稀疏建模;结合压缩感知理论构建观测矩阵,并给出卷积信道的稀疏表示;利用压缩信道感知算法重建了系统的卷积复合信道.仿真结果表明,与传统的最小二乘法（Least Square,LS）相比,采用压缩感知理论的信道估计算法,能利用较少的导频信号获得很好的信道估计性能,提高了频谱利用率.     

局部平均随机过程随机场采样定理

随机信号采样定理的相关研究几十年来一直是采样定理主流方向之一,在理论和实际应用两方面都受到信息领域和数学领域的广泛关注。近年来,采样理论在随机过程和随机场的局部平均采样方面得出了一系列研究成果。首先,分析了采样定理在应用中的缺陷和局限性。其次,对近几年在随机过程、高维随机过程、随机场、时空随机场局部平均采样定理方面的发展和相关结论做了系统介绍。最后,对基于混合范数的时空随机场采样逼近、采样形式、信号形式、范数形式等问题进行了展望。结果表明：局部平均的采样方式提高了采样的精度和逼近效果,随机场局部平均采样理论在海浪参数反演和海洋污染监测方面有重要应用。特别是基于混合范数的时空随机场采样理论的研究不仅具有重要的理论价值,而且对于工程领域也有应用价值。     

基于优化分类的机械振动信号压缩感知

针对复杂机械振动信号压缩感知过程中存在的稀疏字典构造困难问题,提出了基于QPSO分类的自适应稀疏字典构造方法。该方法根据信号的分割尺度,将信号进行分块,并利用每一信号块的能量大小,构造能量序列,利用QPSO对能量序列进行优化分类,保证不同类别间能量序列的方差最大,从而实现对信号块的分类,采用K-SVD对不同类信号块分别进行稀疏字典的自适应学习训练,产生与信号相适应的稀疏字典,用于机械振动信号的压缩感知重构过程。通过滚动轴承实测信号在不同状态下的压缩感知实验表明:所提方法能够有效提高信号重构的峰值信号比,改善机械振动信号的重构效果。     

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络（即深度卷积测量网络）代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。     

无线传感网络中大数据量压缩感知编解码算法

针对无线传感网络传输数据的冗余性问题,提出了一种逐级压缩感知编解码算法。该压缩算法将原始信号按照相同或不同字典的稀疏性进行信号逐级分解,并利用伯努利观察矩阵对分解后的信号进行压缩编码,在压缩过程中生成字典掩模。压缩后的信号和掩模回传至终端。终端根据编码信息、稀疏字典、字典掩模对数据进行逐级恢复。该数据压缩方法较传统的编码压缩技术具有更强的鲁棒性,对丢包不敏感;较原压缩感知算法,节省无线网络的传输带宽,提高数据信息获取的实时性。