基于混沌压缩感知的稀疏时变信号在线估计

混沌压缩感知是一种利用混沌系统实现非线性测量的压缩感知理论。针对稀疏时变信号的混沌压缩感知,该文提出稀疏时变信号的在线估计架构,构建一种递归最小二乘准则下的稀疏约束目标函数;通过利用迭代加权非线性最小二乘算法求解目标函数最小化问题,实现稀疏时变信号的参数估计。以Henon混沌系统为例仿真分析了频域时变稀疏信号的估计性能,数值模拟证明了该方法的有效性。     

多通道混沌调制模拟-信息转换

为了降低混沌调制中采样通道的采样速率,该文提出一种多通道混沌调制模拟-信息转换结构。该结构通过采样参数调制混沌系统的多个状态输出作为压缩测量,可实现在总采样速率不变的情况下降低每个采样通道的采样速率。与混沌调制相比,多通道混沌调制增加了低速采样单元的个数,但显著提高了高稀疏度信号的重构性能。基于混沌脉冲同步理论,该文给出了多通道混沌调制结构的信号可重构条件与被采样状态变量选择方法。以Lorenz系统为例,仿真验证了多通道混沌调制结构的有效性。     

基于压缩感知的模拟到信息转换研究

压缩感知理论突破了Nyquist采样定理的约束,提出对稀疏信号可以以远低于Nyquist采样速率进行采样,并可以通过重构算法恢复出原信号。研究了基于压缩感知的模拟到信息转换系统,该系统由调制、低通滤波器和低速率采样3个模块组成,实现高频信号的低速率采样,并通过重构算法得到原信号。对模拟到信息转换系统的结构和原理进行了详细介绍,并应用Matlab对系统进行了大量的仿真分析,该系统能稳健地从较少的采样数据中恢复原信号。     

基于稀疏信号结构信息的压缩检测算法

压缩感知技术可以在不精确重构信号的情况下实现对稀疏信号的检测。目前已有的压缩检测算法主要利用的是稀疏信号的幅值信息,通过比较重构出的最大稀疏系数与门限的大小关系来完成检测任务。然而这种方法在低信噪比时检测效果不理想,同时对检测门限的精确程度要求很高。针对这种情况,本文提出一种基于稀疏信号结构信息的压缩检测算法,根据部分重构得到的信息与原始信号的结构相似度来完成检测。实验结果表明,本文算法在低信噪比下也可以获得较高的检测成功率,并且没有检测门限的束缚。     

采用正交多项匹配的块稀疏信号重构算法

压缩感知,通过测量矩阵将原始信号从高维空间投影到低维空间,然后求解优化问题,从少量投影中重构出原始信号,是一种有效的信号采集技术。块稀疏信号是具有特殊结构的稀疏信号,其非零值是成块出现的。针对该信号的特点,提出一种采用正交多项匹配的块稀疏信号重构算法。该算法每次迭代选择多个最大相关子块,然后更新块索引集,以及迭代余量,最后求广义逆运算重构出原始信号。仿真结果表明,相比于大多数的现有算法,本文算法重构概率较高,运行时间较短,复杂度较低。      

基于子空间的块稀疏信号压缩感知重构算法

块稀疏信号是一种典型的具有特殊结构的稀疏信号,在压缩感知问题中,针对块稀疏信号的特点,提出了一种基于子空间的块稀疏信号压缩感知重构算法.该算法每次迭代找到整个信号支撑块的估计,包含正确信号支撑块所在空间的一个子空间,然后计算残差,并在下一次迭代时,通过回溯思想和最小均方准则修正更新上一次找到的信号支撑块,最后直到残差为...     

基于稀疏系数特征的压缩感知信号检测算法

基于压缩感知理论我们可以直接处理少量的压缩采样数据从而完成感兴趣目标信号的检测任务。目前经典的压缩感知信号检测算法中,作为判决依据的特征值仅利用稀疏系数的幅值信息,而且这种算法的阈值选择通常需要消耗大量的时间。针对这个问题,提出一种基于稀疏系数特征信息的检测算法,算法充分利用稀疏系数的幅值信息和位置信息,根据部分重构得到的稀疏系数特征信息相关性完成目标信号的检测。实验结果表明,与原算法相比,该算法在保证检测性能的同时大大缩减了检测时间。     

一种新的模拟到信息转换系统

目前,模拟到信息转换系统主要通过随机矩阵进行采样的,而用硬件实现随机矩阵是繁杂的,甚至是不可能的。受到压缩传感（Compressive Sensing ,CS ）和积分点火（Integrate-and-Fire ,IF ）电路的启发,本文提出了一种无需随机矩阵且对时域编码的积分式采样还原系统。在稀疏信号足够长的条件下,可以通过参数自由控制采样频率,理论上可以无限降低,大大减少数据量,降低系统功耗。此外它易于实现,无量化误差等优点,在雷达探测、生物传感等宽带信号领域,具有很好的应用前景。     

基于稀疏分解和混沌理论的微弱信号检测

针对数字锁定放大器中稀疏分解算法检测精度受限的缺点,结合非线性方法进行补偿,采用混沌检测联合稀疏分解的算法设计了数字锁定放大器。数字锁定放大器借助稀疏分解算法估计信号参数,根据估计得到的参数设计对应混沌系统;利用混沌系统检测信号的过程中产生间歇性混沌状态,并通过测量间歇性混沌状态的周期,精确检测信号。最终,在信号的信噪比低至-20 dB时可以成功检测信号,频率精度达到0.05 Hz,提供了一种非线性微弱信号检测方法。     

基于贝叶斯压缩感知的复数稀疏信号恢复方法

该文利用复数稀疏信号的时域相互关系提出一种新的稀疏贝叶斯算法(CTSBL)。该算法利用复数信号的实部与虚部分量具有相同的稀疏结构的特点,提升估计信号的稀疏程度。同时将多个测量信号间的内部结构信息引入到了信号恢复中,使原始的多测量稀疏信号恢复问题转变为单测量块稀疏信号恢复问题,使恢复性能得到了提升。理论分析和仿真结果证明,提出的CTSBL算法相较于目前的针对复数信号的多测量矢量贝叶斯压缩感知(CMTBCS)算法和块正交匹配追踪算法(BOMP)在估计精度上具有更好的性能。     

稀疏条件下基于散射点估计的SAR切片超分辨重建

从合成孔径雷达(SAR)成像模型出发,在稀疏条件下,该文结合散射中心理论,从低分辨率图像中估计高分辨率图像的散射点参数,用若干sinc函数对感兴趣目标区(ROI)进行重建并抑制旁瓣,获得超分辨ROI切片。基于非线性最小二乘(NLS)估计给出了该超分辨重建问题的迭代求解算法,并以TerraSAR-X数据进行仿真验证,仿真结果表明,该文所提方法相比双立方插值和1范数正则化方法能够获得更高的空间分辨率与目标杂波比(TCR)。后续分析表明,散射点参数的估计精度受到信噪比和sinc函数重建3 dB带宽共同影响,重建3 dB带宽越大对噪声的鲁棒性越强。     

基于稀疏贝叶斯学习的网格自适应多源定位

多源定位是信号处理中的重要问题。该文针对目标偏离初始网格点引起的基不匹配问题,构建具有Laplace先验的稀疏贝叶斯学习框架,提出基于稀疏贝叶斯学习的网格自适应多源定位算法AGMTL。本质上,AGMTL实现了稀疏信号重建和网格自适应定位字典的学习。仿真结果表明,AGMTL通过网格自适应调整,在定位误差,估计可靠性,抗噪性能上均远远优于传统的压缩感知定位算法。     

基于基追踪-Moore-Penrose逆矩阵算法的稀疏信号重构

压缩感知(Compressed Sensing, CS)稀疏信号重构其本质就是在稀疏约束条件下求解欠定线性方程组,基于迭代加权Lp(001,p=2)类范数算法减小重构误差成为近来稀疏信号重构热点之一。该文提出了基追踪- Moore-Penrose逆矩阵(Basis Pursuit-Moore-Penrose Inverse Matrix, BP-MPIM)算法：(1)由基追踪(Basis Pursuit, BP)算法得到稀疏信号非零元素位置(亦称支撑集,对应于测量矩阵的列);(2)通过求解由支撑集所对应测量矩阵的子矩阵和CS测量值组成的超定线性方程组实现稀疏信号重构,并证明了由此重构的稀疏信号是其唯一最小二次范数解。仿真的稀疏信号和实测宽带雷达回波信号脉冲压缩结果表明,和原来算法相比,新算法具有更小的重构误差,且误差只存在于其支撑集内。     

基于压缩感知的DOA估计稀疏化模型与性能分析

利用压缩感知理论解决阵列信号到达角(DOA)估计问题,具有对快拍数据量要求低、可处理相关源等优点。将压缩感知理论应用于信源DOA估计的一个关键问题是建立信源信号的稀疏化模型。该文在均匀线阵模型下系统分析了角度划分对DOA估计稀疏重构性能的影响,从对相关性的分析出发给出了信号的最优稀疏化模型。分析结果表明在实际应用中基于信源信号等正弦空间稀疏化的重构模型是最优的。实验对比了新的稀疏化模型与传统的等角度划分方式得到的流形矩阵的可重构性能,并进行了关于信号重构和信源DOA估计的详细实验分析,验证了所提模型的优越性。     

基于压缩感知的定位新型UWB信号抽样方法

Ultra-wide-band (UWB) signals are suitable for localization, since their high time resolution can provide precise time of arrival (TOA) estimation. However, one major challenge in UWB signal processing is the requirement of high sampling rate which leads to complicated signal processing and expensive hardware. In this paper, we present a novel UWB signal sampling method called UWB signal sampling via temporal sparsity (USSTS). Its sampling rate is much lower than Nyquist rate. Moreover, it is implemented in one step and no extra processing unit is needed. Simulation results show that USSTS can not recover the signal precisely, but for the use in localization, the accuracy of TOA estimation is the same as that in traditional methods. Therefore, USSTS gives a novel and effective solution for the use of UWB signals in localization.     

基于交织抽取与分块压缩感知策略的图像多描述编码方法

该文基于交织抽取和分块压缩感知(Interleaving Extraction and Block Compressive Sensing,IEBCS)理论,提出了一种可以在成像过程中实时实现的多描述编码方法(IEBCS-MDC)。首先利用交织抽取将图像划分成若干个子图像,然后对各个子图像进行分块压缩感知形成多个描述码流,接收端通过求解优化问题重建原图像。分块策略保证了观测过程的复杂程度不因图像尺寸而改变,所以该方法结构简单易于实现,适合处理高分辨率图像,另外特有的自恢复能力提升了算法的抗丢包性能。实验表明,在相同的硬件环境下,该文方法可以处理的图像尺寸远远大于CS-MDC方法,在同样的丢包率下重构质量也优于CS-MDC方法。     

1-Bit压缩感知盲重构算法

1-Bit压缩感知(CS)是压缩感知理论的一个重要分支。该领域中二进制迭代硬阈值(BIHT)算法重构精度高且一致性好,是一种有效的重构算法。该文针对BIHT算法重构过程需要信号稀疏度为先验信息的问题,提出一种稀疏度自适应二进制迭代硬阈值算法,简称为SABIHT算法。该算法修正了BIHT算法,首先通过自适应过程自动调节硬阈值参数,然后利用测试条件估计信号的稀疏度,最终实现不需要确切信号稀疏度的1-Bit压缩感知盲重构。理论分析和仿真结果表明,该算法较好地实现了未知信号稀疏度的精确重建,并且与BIHT算法相比重构精度及算法复杂度均相当。     

基于线性混合模型的高光谱图像谱间压缩感知重构

该文针对高光谱数据的线性混合模型,提出一种简单有效的谱间压缩感知下高光谱数据的重构方案。该方案不同于传统的压缩感知重构方法直接重构高光谱数据,而是将高光谱数据分离成端元和丰度分别进行重构,然后利用重构的端元和丰度信息合成高光谱数据。实验结果表明,该方案的重构质量明显优于标准压缩感知重构方法,并且运算速度具有极大提升,同时便于获得端元和丰度信息。