对角化LDPC压缩感知观测矩阵生成方法

压缩感知是一种能够在某个特定域中压缩和恢复稀疏信号的技术。针对在使用传统观测矩阵进行数据压缩时,其数据恢复效果并不理想,且观测矩阵的随机性会导致数据传输量较大、硬件实现因难等问题,提出一种新的观测矩阵生成方法。将信道编码中的LDPC校验矩阵与对角块矩阵结合,生成一种尺度较小且易于硬件实现的观测矩阵,这种矩阵不仅高度稀疏,而且元素二值化。通过多组图像重构仿真实验对比发现,LDPC对角块矩阵重构结果优于其他传统观测矩阵的重构结果。     

基于观测矩阵优化的自适应压缩感知算法

为提高传统压缩感知（CS）恢复算法的抗噪性能,结合观测矩阵优化和自适应观测的思想,提出一种自适应压缩感知（ACS）算法。该算法将观测能量全部分配在由传统CS恢复算法估计的支撑位置,由于估计支撑集中包含支撑位置,这样可有效提高观测信噪比（SNR）;再从优化观测矩阵的角度推导出最优的新观测向量,即其非零部分设计为Gram矩阵的特征向量。仿真结果表明,随着观测数增大,Gram矩阵非对角元素的能量增速小于传统CS算法,并且分别在观测次数、稀疏度和SNR相同的条件下,所提算法的重构归一化均方误差低于传统CS恢复算法10 dB以上,低于典型的贝叶斯方法5 dB以上。分析表明,所提自适应观测机制可有效提高传统CS恢复算法的能量利用效率和抗噪性能。     

基于帐篷混沌观测矩阵的图像压缩感知

针对目前典型的随机观测矩阵在不确定性、硬件实现、存储方面的缺陷,利用混沌序列优异的伪随机性,设计了一种基于帐篷混沌序列的观测矩阵。该矩阵的参数和初始值一旦确定,每一时刻的状态是可以完全重现的,克服了随机观测矩阵需要大量实验求平均来降低不确定性的缺点。仿真实验中,分别利用帐篷混沌观测矩阵和3种典型的随机观测矩阵对不同数据量的图像信号进行压缩与重构,结果表明:所设计的帐篷混沌观测矩阵不但重构性能优于随机观测矩阵,而且也克服了随机观测矩阵在硬件实现、存储方面的缺陷,大大减少了存储空间和传输带宽的压力。     

基于多重解析字典学习和观测矩阵优化的压缩感知

文中提出了一种基于子空间解析字典学习和观测矩阵优化的图像压缩感知算法.该算法根据图像的局部方向特征,将整个图像空间分成多个子空间,并且采用几何共轭梯度算法分别在各个子空间学习解析字典,以实现对不同子空间图像块的最优稀疏表示.在图像重构过程中,首先在所有的子空间对每个图像块分别进行估计,然后根据稀疏表示最小误差准则获得每个图像块的最优估计.为了进一步提高图像重构质量,文中通过对不同子空间的图像块进行线性判别分析获得优化观测矩阵.实验表明文中算法可以实现高质量的压缩感知图像重构.     

基于奇异值分解的压缩感知观测矩阵优化算法

针对压缩感知（CS）中从优化后的Gram矩阵求解观测矩阵时会出现较大相关系数的问题,在利用现有算法得到优化后的Gram矩阵的基础上,通过求解等价变换后的目标函数对观测矩阵行向量的导数得到目标函数取极值时行向量的值,并通过对误差矩阵进行奇异值分解（SVD）在上述行向量的值中选出使得目标函数取最值时行向量的解析式,在此基础上给出了观测矩阵的优化算法：通过借鉴K-SVD算法中逐行优化目标矩阵的思想,对观测矩阵进行逐行迭代优化,并将相邻两轮迭代产生的观测矩阵所对应的相关性之差作为衡量迭代是否结束的条件。仿真结果表明：该算法在观测矩阵与稀疏基的相关性方面优于改进前的算法,从而提高了重构精度。     

基于压缩传感的宽带频谱协方差感知算法

宽带感知需要超宽的射频前端,非常快的数字处理设备,传统的频谱检测机制承受着巨大的压力.利用宽带频谱中信号频谱的稀疏特性以及实际稀疏数据观察值成组出现,即组稀疏的特性,将压缩传感算法应用于宽带频谱感知,通过阈值判断,对欠采样下的信号进行重构,进而进行频谱感知,提出了基于压缩传感的频谱协方差感知算法,当压缩比为0.1时系统...     

基于FFS的压缩感知算法研究

传统的频谱感知方式因其自身的局限性而难以满足处理速率的更高要求。压缩感知的优势在于前端传感器采样数据量远远小于传统采样方法所获的数据量,从而有效提高频谱感知的速度。本文给出了一种新颖的压缩感知算法——快速傅里叶采样算法,该算法能采集较少的点数,较快地重构信号。算法分为频率分离、比特测试和系数估计三个主要步骤。文中对FFS算法进行了详细分析及实现,给出了仿真信`号重构结果 ,并将该算法的运算量与快速傅里叶变换进行了对比分析。仿真结果表明,该算法具有较好的重构精度,并且信号长度的剧烈增加对运算量的影响较小,在大信号处理时运行时间远远低于FFT。     

基于压缩感知的MIMO-TDCS频谱感知方法

针对MIMO-TDCS系统频谱感知中因数据量大而较难实现的难题,提出一种利用压缩感知的MIMO-TDCS频谱感知方法.在电磁环境一致的情况下,收发两端分别用远低于乃奎斯特的采样速率对电磁环境信号进行采样,然后用正交匹配追踪算法对信号进行重构,并通过二元门限进行状态判决.实验结果证明,运用压缩感知技术能大大减少电磁环境宽带信号的快速采样和处理难度,在选取合理测量值的情况下能够准确恢复信号,进而能有效地检测和剔除干扰,达到抗干扰的目的.     

压缩感知及应用

传统的信号采样必须遵循香农采样定理,产生的大量数据造成了存储空间的浪费.压缩感知(CS)提出一种新的采样理论,它能够以远低于奈垒斯特采样速率采样信号.压缩感知的基本论点是如果信号具有稀疏性,可投影到一个与变换基不相关的随机矩阵并获得远少于信号长度的测量值,再通过求解优化问题,精确重构信号.本文详述了压缩感知的基本理论,压缩感知适用的基本条件:稀疏性和非相干性,测量矩阵设计要求,及重构算法的RIP准则,并介绍了压缩感知的应用及仿真.仿真结果表明当采样个数大于K×log(N/K),就能将N维信号稳定地重建出来.     

基于混沌序列的压缩感知测量矩阵构造算法

测量矩阵的构造算法是压缩感知中重要的研究方向之一。提出一种基于Logistic混沌-贝努利序列（Chaos-Bernoulli）测量矩阵构造算法,该算法利用了混沌序列良好的伪随机性质,通过一维Logistic混沌系统产生混沌序列,再通过符号函数生成具有贝努利分布的伪随机序列从而构造出压缩感知测量矩阵。实验仿真结果表明,该算法优于贝努利随机测量矩阵,信号重构的峰值信噪比PSNR有1~3 dB的提高,并与其他类型的测量矩阵进行比较,数值分析结果证明该算法是可行有效的。     

压缩感知二进制测量矩阵的构造

针对现有二进制测量矩阵重构性能和硬件实现的负相关性,提出了一种新型压缩感知二进制测量矩阵,伪随机块对角矩阵(PRBD)。PRBD矩阵使用平衡正交Gold序列、块对角矩阵和降采样矩阵,通过结构化的方法构造,不仅保留了确定性矩阵易于硬件实现和计算复杂度低的优点,而且利于贪婪追踪算法进行图像重构。实验结果表明,PRBD测量矩阵具有良好的重构性能,在峰值信噪比(PSNR)的指标上比常用的二进制测量矩阵提高0.5dB以上。特别地,PRBD测量矩阵可采用图像分块重构的方法,在保证重构性能良好的情况下,图像重构需要的时间较短。     

基于广义变参Fibonacci混沌系统的压缩感知测量矩阵构造算法

针对常见混沌映射随机性不高、序列元素相关性较强、构造测量矩阵元素需间隔采样来满足数据统计的独立性等问题,通过级联量子Logistic混沌系统和广义Fibonacci数列构造一种新的复合混沌系统.在信息熵、空间特性和相关系数等方面对不同混沌测量矩阵进行定量分析,验证了提出的混沌系统具有遍历性和很强的混沌特性要求,序列元素...     

基于压缩感知理论的分类量化图像编码方法*

针对矢量量化压缩速度慢、图像复原效果不理想等问题,根据图像小波分解后高频子带稀疏的特点,提出了一种基于压缩感知（compressed sensing,CS）理论的分类量化图像编码算法。仿真结果表明,与LBG矢量量化编码算法相比,重构图像质量得到极大提升,在相似压缩比下,该算法取得了较好的效果,PSNR 平均有1～3 dB 的明显提高;在相似信噪比（PSNR）下,该算法在图像压缩方面也有很大改进。     

基于压缩感知的实时心电信号压缩算法

远程无线心电实时监护系统的心电采集终端基于嵌入式设备开发,系统资源和网络带宽都收到限制,这要求系统设计具有低功耗和数据实时压缩的功能,因此引入压缩感知算法对心电信号进行处理。压缩感知算法具有编码计算简单快速,解码计算相对复杂的特点。对于心电信号,需要对压缩感知算法在实时心电压缩系统中的可行性进行研究。     

压缩感知综述

压缩感知理论的诞生使得采样速率与信号的结构和内容相关,并以低于奈奎斯特采样定理要求的频率采样、编码和重构。在实际应用中,为解决数据冗余和资源浪费的瓶颈问题开拓了一条新道路,也为其他学科发展提供了新的契机。从发展历史和研究现状等方面入手,对稀疏表示、测量矩阵的构造、稀疏重构算法和主要应用方面进行了详细的梳理和研究。对当前研究的热点、难点作了分析和探讨,并指出了未来的发展方向和应用前景。     

无线传感器网络基于压缩感知数据处理算法研究

无线传感器网络中的分布式数据处理处理时,会出现数据压缩率低和数据相关性差的特点,在数据采集和处理中采用分布式压缩感知算法.对基础矩阵和观测矩阵的合理建立,在满足无线传感器网络数据传输的可靠性同时,充分考虑数据之间的相关性,大大降低数据的冗余度,减少了数据量的传输.实验结果表明,在满足信号数据可靠性的同时,有效的增加了信号的压缩比,减少了节点数据采集量.     

一种基于压缩感知理论的纹理分类方法

针对传统纹理分类方法计算复杂的问题,本文基于bag-of-words模型提出了一种简单、新奇的纹理分类方法。在特征提取阶段,使用NSCT滤波器对局部图像块进行映射投影,然后通过观测矩阵提取其随机测量值特征;在纹理分类阶段,直接将随机特征嵌入到bag-of-words环境,并且直接在压缩域内进行学习和分类。利用纹理图像的稀疏性,本文提出的特征提取方法简单,并且在性能和复杂度上都优于传统特征提取方法。最后使用CUReT数据库进行数值试验,并与patch、patch-MRF、MR8、LBP四种最经典的方法进行比对,本文方法在分类精度以及实时性上有重要的改进。