一种基于正交匹配追踪的压缩感知信号检测算法

针对当前压缩感知信号检测算法没有充分利用稀疏系数幅值信息的不足,提出了一种新的检测算法。从正交匹配追踪算法切入,通过深入分析归一化残差的变化信息,提出归一化余差概念,建立了一种基于归一化残差和归一化余差二维判决的信号检测算法。仿真结果表明,算法的有效检测阈值区间随着信噪比的降低而不断减小,且在信噪比为-8 dB、压缩比为0.25时,该算法的检测概率仍能满足要求,具备较好的适应性。     

基于压缩感知OMP改进算法的图像重构

正交匹配追踪(OMP)算法中迭代次数严格依赖信号的稀疏度K值,迭代次数选取适当会重构出高精确的图像,反之则会对图像重构质量造成严重影响.针对这一问题,提出了一种根据残差值的相对极差来确定最佳迭代次数的新方法.该方法要求在同一次迭代中对一幅图像的所有列同时进行迭代计算,根据极差的相对差值与门限值比较来确定最佳迭代次数,从而达到提高重构精度,消除对稀疏度K值依赖的目的.理论分析和仿真结果表明,改进的OMP算法比原有算法有更理想的重构效果,有更高的重构精度.     

利用改进的稀疏表示处理FBG传感信号

基于 压缩感知(CS)的正交匹配追 踪 ( OMP ) 算法,须以稀疏度 确定 为先验条件, 在 实际 应用 中稀疏度 不 易 确定 的情况下, 本文 提出了 稀疏度确 定方法和 二次正交匹配追踪 (TOMP)算法。 先 引入熵权法 采用 多指标融合并结合饱和值点法确定稀疏度 , 然后利用所提 方 法 对实验信号进行重构 。 实验 仿真结果表明: 与同类算法相比,本文所提 TOMP 算法增加 0.1s 运行时间降低了 12～ 22% 的重构误差,更好折中处理了重构误差和时间;与不同类算法相比,本文 所提方法重构的信号信噪比(SNR)最大可提升 22 dB ,且均方根误差(RMSE)降低 0.7,因此去噪效果更优。     

改进的多原子匹配追踪算法处理FBG信号

针对光纤布拉格光栅(FBG)传感信号难以去除噪声 干扰及信号丢失问题,采用压缩感知(CS)对传感信号进行处理。CS 重构算法多是 以稀疏度已知为 先验条件,提出稀疏度确定方法,结合二次正交匹配追踪(TOMP)算法和广义正交匹配追踪(G OMP)算法提出广义二次正交匹配追踪 (GtOMP)算法,确定每次迭代选择原子个数及迭代次数。 首先计算相关系数,归一化后按降序排列,并结合饱和值的方法确定稀疏度,利用平稳度找 出每次迭代所 选择的原子个数,最后利用本文方法对FBG信号进行重构。实验仿真表明,与同类的TOMP 算法相比,本 文算法不仅运行时间大大减少,而且降低了6~20%的重构误差;与其 他不同类算法相比,本 文算法重构信号的信噪比(SNR)提高27dB以上。     

基于贝叶斯检验模型的压缩感知算法及应用

针对正交匹配追踪(OMP)算法需设置冗余的支撑集,导致信号重构时运算量变大、抗噪性能和重构性能变差等问题,提出了一种基于贝叶斯模型的OMP(BOMP,bayesian orthogonal matching pursuit)算法。首先利用贝叶斯检验模型和OMP算法合理去除支撑集中的冗余部分,得到相等或略大于信号真实稀疏度的支撑集;其次构建BOMP的信号重构算法;最后将算法应用于ISAR成像。仿真和实测数据结果表明,由于本文算法可近似估计到信号的真实稀疏度,因此具有更好的抗噪性能以及重构精度,相应的运算量也明显减少。     

结合小波域马尔可夫树模型的压缩采样图像重建

已有的研究表明基于模型的压缩采样信号重建可以取得更好的重建效果。本文提出一种结合小波域马尔可夫树模型的压缩采样图像重建方法。马尔可夫树模型很好的匹配了图像小波变换后的系数在尺度间的持续性。这种统计特性可以在正交匹配追踪算法中协助原子的选取,从而更准确的选取具有大幅值系数的原子。在本文提出的新算法中,每次迭代新增的原子是从与残差信号较匹配的候选原子中选取。候选原子中使模型的状态似然函数最大的原子被选出。实验结果表明,新算法可以更准确选出具有大系数原子,重建的图像质量好于其它传统方法。     

Compressed sensing reconstruction algorithm based on adaptive acceleration forward-backward pursuit

Aiming at the long running time problem of the traditional forward-backward pursuit (FBP) algorithm,an adaptive acceleration forward-backward pursuit (AAFBP) algorithm was proposed.The reconstruction process of AAFBP algorithm can be divided into two stages.In the forward stage,the AAFBP algorithm used the adaptive threshold to select the right amount of atoms to join the support set.In the backward stage,based on the projection coefficient of the atoms,the deletion threshold was introduced to remove the atoms adaptively and the excessive backtracking phenomenon in adaptive process was overcome simultaneously.The proposed method can ensure the number of the selected atoms more random,and more right atoms were retained in each iteration.The simulation results of one-dimensional sparse signal and two-dimensional image show that the AAFBP algorithm has more advantages in both the accuracy of reconstruction and the running time.     

A gradient-based alternating minimization approach for optimization of the measurement matrix in compressive sensing

In this paper the problem of optimization of the measurement matrix in compressive (also called compressed) sensing framework is addressed. In compressed sensing a measurement matrix that has a small coherence with the sparsifying dictionary (or basis) is of interest. Random measurement matrices have been used so far since they present small coherence with almost any sparsifying dictionary. However, it has been recently shown that optimizing the measurement matrix toward decreasing the coherence is possible and can improve the performance. Based on this conclusion, we propose here an alternating minimization approach for this purpose which is a variant of Grassmannian frame design modified by a gradient-based technique. The objective is to optimize an initially random measurement matrix to a matrix which presents a smaller coherence than the initial one. We established several experiments to measure the performance of the proposed method and compare it with those of the existing approaches. The results are encouraging and indicate improved reconstruction quality, when utilizing the proposed method.     

一种新的基于压缩感知理论的稀疏信号重构算法

针对基于l1范数优化的稀疏信号重构算法需要的观测样本数较多,本文以lp范数最小化为目标,结合传统的罚函数(PF)优化思想,给出了基于PF的lp范数迭代重构算法,需要的观测样本数大大低于基于l1范数的优化计算需求,并通过数值实验表明该算法对稀疏信号具有较优的重构效果.     

基于压缩转发的协作MIMO雷达成像算法

以实现地面目标的快速、高分辨率成像为目的,本文提出了一种基于压缩感知和协作通信技术的解决方案。在分析压缩感知理论和传统协作MIMO雷达成像算法的基础上,提出了基于匹配滤波器的协作MIMO雷达回波信号的稀疏表示方法和用于恢复重构的基函数,并建立了基于压缩转发的协作MIMO雷达系统模型。该系统主要由收发雷达、转发节点和压缩感知成像处理中心组成,转发节点利用模拟/信息转换(AIC)测量框架将雷达回波数据压缩后转发,压缩感知成像处理中心接收到各转发节点转发的数据后,利用正交匹配追踪算法(OMP)进行距离向压缩和方位向压缩,从而实现快速、高分辨率成像。仿真结果表明,该方法比传统MIMO雷达对各转发节点的传输负荷要求低,成像速度快,目标旁瓣低,成像效果好。      

基于压缩感知的红外与可见光图像融合算法

压缩感知是一种新的信号采样理论,突破了传统的Nyquist采样率须为信号最高频率的2倍以上的定理。对于稀疏信号,它能够以远低于Nyquist采样速率对信号进行采样,并通过重构算法恢复出原信号。提出了一种基于压缩感知的红外与可见光图像融合算法,对图像进行测量,并通过融合算法对测量值进行融合。仿真实验显示,压缩感知能较好地实现图像的融合。     

基于分治试探的盲自适应匹配追踪重构算法

压缩感知是一种针对稀疏可压缩信号进行压缩采样的信号处理新方法,针对现有稀疏度探测方法中探测次数较多的问题,基于分治思想提出了盲稀疏度自适应匹配追踪（BSAMP）算法,首先分治试探信号稀疏度,使得其估计值快速逼近真实值,然后通过自适应分组并扩充信号支撑域的方法,快速筛选出有效支撑,并通过弱匹配剪枝得到重构信号。可以在信号稀疏度未知的情况下,快速估计出信号的稀疏度并精确重构出原信号。仿真实验表明：在相同条件下,该算法的重构时间比其他同类算法短,且重构概率也大于其他同类算法。     

改进的ROMP算法及其在医学图像融合中的应用

针对正则化正交匹配追踪(ROMP)算法在压缩感知(C S)重构中需预估稀疏度导致重构精度不稳定的问题,提出一种改进的 ROMP算法。由于观测信号能够继承原始信号特征,在选择候选集原子过程中引入自适应弱 选择标准,依 据观测信号的信息量设定弱选择标准,实现稀疏度自适应调整。将改进ROMA的算法应用于CS 框架下的医学图 像融合,并提出一种结合观测信号结构相似度的融合规则,当待融合的观测信号之间结构相 似度较高时, 说明待融合的原始信号之间同样具有相似性,以两者信息量的加权作为融合规则。同理,当 待融合的观测 信号结构相似度较低时,选择信息量较大的观测信号作为融合后的观测信号。实验结果表明 ,改进ROMP 算法的重构图像质量优于OMP、ROMP、SAMP等算法,其峰值信噪比(PSNR )提高了2~3dB。应用于医学图像 融合时,得到融合图像具有较好的人类视觉特效,保留了源图像中大部分特征信息,可在较 短时间内得到优质的融合结果。     

一种基于RAMP算法的OFDM稀疏信道估计方法

针对OFDM稀疏信道估计需要信道稀疏度作先验条件的不足,将正则化自适应匹配追踪（RAMP ） 用于信道重建,可在信道稀疏度未知的情况下,自适应地调整候选集原子的个数,并利用正 则化过程实现支撑集的二次筛选,逐步扩大支撑集,准确地估计出信道的冲激响应。仿真结 果表明,该方法收敛速度快,估计效果好,有较好的应用价值。     

基于压缩感知的大功率半导体激光器1／f噪声参数估计

根据1／f噪声结构,基于压缩感知（cs）的正交匹配追踪去噪（OMPDN）算法,以小波树结构为分解条件,提取大功率半导体激光器（LDs）中的白噪声及1／f噪声。以小波基作为稀疏基,高斯随机矩阵作为测量矩阵对信号测量并进行CS的重建,滤除白噪声后准确提取1／f噪声信号进行器件参数估计。实验结果表明,本文方法对高斯白噪声混杂...     

基于压缩感知的图像压缩抗干扰重构算法

针对传统图像变换压缩方法压缩的图像经无线信道传输时受高斯随机干扰导致重要变换系数失真出现重构图像局部内容缺失的现象,本文根据压缩感知(CS)信号分量具有同等重要性的特性,理论分析了去除失真CS信号分量以抵御干扰的可行性,提出一种基于CS的图像压缩抗干扰重构算法。算法首先假定已知受高斯随机干扰的比特所对应的CS信号分量的位置,然后根据这些位置确定新的CS信号和重构矩阵,再进行阈值迭代重构。仿真结果表明,本文算法在低误码率(BER)下得到精确重构的图像,在高BER下得到图像内容无缺失仅全局质量小幅下降的重构图像。因此,基于CS的图像压缩抗干扰重构算法能够较好地克服变换压缩方法以及阈值迭代重构算法抗干扰能力低的不足,从而为图像无线传输抗高斯随机干扰问题提供一种可行的解决方案。     

用概率推导和加权迭代L1范数实现信号重构

在对信号稀疏性统计分析的基础上,将具有稀疏描述能力的拉普拉斯分布用于描述信号的先验分布,基于贝叶斯法,利用信号采样值、拉普拉斯先验分布和高斯似然模型,推导信号的后验概率密度估计;最后将最大后验概率(MAP)估计过程转化为加权迭代L1范数的最小化问题。在求解过程中,与非加权的L1范数法进行对比表明,信号重构性能明显提高;通过实验计算,详细讨论了其中一些参数的取值原则和范围;针对稀疏度不同的信号,随着信号非零点数的增加,本文算法重构结果明显优于基追踪(BP)和(OMP)法;与同类的IRL1算法相比较,本文算法更具普遍性和理论意义。     

基于压缩感知STORM超分辨成像与像素的关系

针对基于压缩感知STORM(stochastic optical reconstruction microscopy)超分辨成像效果差的不足,提出采用高分辨相机改善基于PSF测量矩阵性能的方法.该方法能够改善基于PSF测量矩阵的约束等距性(restricted isometry property,RIP),从而达到提高重构效果的目的.实验结果表明,采用高分辨相机后基于PSF(point spread function)测量矩阵的列不相关性更好,重构能力、定位准确度和识别率都得到极大改善.同时探讨了以传统指标体系评价基于压缩感知的超分辨重构质量的优劣和适用性.发现匈牙利法和质心法的组合方案较能反应真实的基于压缩感知的超分辨重构效果.     

Compressive sensing for ultra‐wideband channel estimation: on the sparsity assumption of ultra‐wideband channels

Due to the sparse structure of ultra‐wideband (UWB) multipath channels, there has been a considerable amount of interest in applying the compressive sensing (CS) theory to UWB channel estimation. The main consideration of the related studies is to propose different implementations of the CS theory for the estimation of UWB channels, which are assumed to be sparse. In this study, we investigate the suitability of standardized UWB channel models to be used with the CS theory. In other words, we question the sparsity assumption of realistic UWB multipath channels. For that, we particularly investigate the effects of IEEE 802.15.4a UWB channel models and the selection of channel resolution both on channel estimation and system performances from a practical implementation point of view. In addition, we compare the channel estimation performance with the Cramer‐Rao lower bound for various channel models and number of measurements. The study shows that although UWB channel models for residential environments (e.g., channel models CM1 and CM2) exhibit a sparse structure yielding a reasonable channel estimation performance, channel models for industrial environments (e.g., CM8) may not be treated as having a sparse structure due to multipaths arriving densely. Furthermore, it is shown that the sparsity increased by channel resolution can improve the channel estimation performance significantly at the expense of increased receiver processing. Copyright © 2013 John Wiley & Sons, Ltd.     

Low complexity 3D-OMP algorithms for DOD DOA and Doppler frequency estimation in bistatic MIMO radar

The biggest challenge of the traditional 3D orthogonal matching pursuit (OMP) method for direction-of-departure (DOD), direction-of-arrival (DOA) and Doppler frequency estimation in bistatic multiple-input multiple-output (MIMO) radar is the heavy computational burden due to a large number of atoms in the overcomplete dictionary. In this paper, low complexity 3D-OMP algorithms are investigated. First, the traditional 3D-OMP algorithm is given. Then, two-dimensionality reduced OMP-based algorithms are proposed exploiting the property of Khatri-Rao product and proper sparse representation. Also, the multiple measurement vectors (MMV) model is introduced to our OMP algorithms to guarantee the estimation performance. The simulation results show that the DOD, DOA and Doppler frequency can be effectively estimated with a small number of pulses and low computation cost. With similar accuracy compared with the traditional 3D-OMP method, much lower computational burden can be achieved by using the proposed methods.