一种基于块稀疏的1比特压缩感知重构算法

块稀疏信号作为一种典型的稀疏信号,在压缩感知重构算法中被广泛应用研究,但是普通的重构算法并不能挖掘其内部结构,这导致重构精度得不到提高。在此基础上,针对普通的1比特压缩感知重构算法在块稀疏信号的重构中不能表现出良好的重构性能的问题,提出了一种专门针对块稀疏信号的1比特压缩感知重构算法。该算法以每一个块为重构单元,在二进制迭代硬阈值算法模型下进行重构。实验数据表明,提出的BLOCK-BIHT算法的重构精度比BIHT算法提高了3dB。     

基于VMD和BiCS的机械状态监测数据修复方法

工业“大数据”时代的到来为机械装备健康监测带来了新机遇。然而,由于运行环境异常、人为因素干扰以及采集设备故障等,机械装备健康监测大数据中往往混杂大量与健康状态无关的异常值或缺失值数据,从而造成数据质量下降。为保障数据质量,提高振动信号恢复效果,提出一种基于变分模态分解和双向压缩感知(Variational Mode Decomposition, VMD; Bidirectional Compressed sensing, BiCS; VMD-BiCS)的振动信号重构方法。首先通过变分模态分解对采样数据进行去噪处理,其次在压缩感知框架下构造观测矩阵、稀疏表示字典矩阵,然后基于子空间追踪(Subspace Pursuit, SP)算法从两个方向重构出稀疏表示向量。在此基础上利用离散余弦变换构造稀疏矩阵,利用压缩感知原理重构双向信号,最后对重构信号加权得到最终重构信号,实现对残损振动信号的数据恢复。分别采用仿真信号和西储大学公开轴承数据进行修复实验,将该方法用于对压缩感知传统重构算法进行改进,发现所提方法在时域指标均方根误差上均优于传统重构算法。并从修复效果角度验证发现该方法成功还原了外圈故...     

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.     

动态压缩感知综述

动态压缩感(Dynamic compressed sensing, DCS)知由视频信号处理问题引出, 是压缩感知(Compressed sensing, CS)理论研究领域中新兴起的一个研究分支, 旨在处理信号支撑集随时间发生变化的时变稀疏信号, 较为成功的应用范例是动态核磁共振成像. 本文首先介绍动态系统模型, 给出时变稀疏信号支撑集缓慢变化的定义、 时变稀疏信号的稀疏表示和感知测量的方法; 其次, 建立一个统一的时变稀疏信号重构模型, 基于该模型对现有算法进行分类, 简要综述时变稀疏信号的重构算法, 并且对比分析算法的性能; 最后, 讨论动态压缩感知的应用, 并对其研究前景进行展望.     

基于PCA硬阈值收缩的平滑投影Landweber图像压缩感知重构

利用压缩感知理论对图像进行测量和重构时,基于分块思想可有效提高重构速度,但同时会带来较强的块效应.为了解决该问题,在编码端提出了一种基于边缘检测的自适应分块压缩感知测量方案;在解码端提出了一种基于主成分分析(PCA)的平滑投影Landweber(SPL)重构法,该算法运用PCA训练出适合于图像结构的稀疏字典,用于进行硬阈值收缩,从而有效消除了块效应,提升了重构图像的质量.为了提高硬阈值收缩效率和减少训练复杂度,采用了3种基于块的PCA硬阈值收缩方案:全局PCA、局部PCA和分层PCA.仿真实验结果表明:所提出的自适应压缩感知测量方案与SPL重构法相结合,和传统分块压缩感知方案相比,峰值信噪比(PSNR)值均提升了1～3 dB;本文算法,无论在传统分块压缩感知方案下还是在自适应分块压缩感知方案下,与基于方向小波阈值收缩的SPL重构算法相比,均获得了更高的PSNR值.     

用EMD和小波消噪的加速度信号压缩重构新方法

针对噪声破坏加速度信号稀疏性、降低其压缩感知重构算法性能问题,提出了一种用经验模态分解(EMD)和小波分析联合消噪的加速度信号压缩重构新方法.该方法首先采用EMD和小波阈值联合消噪方法对加速度信号消噪处理,保持加速度信号内在稀疏性;然后基于压缩感知理论和加速度信号块结构信息,采用块稀疏贝叶斯学习算法以高概率重构原始加速度信号.采用USC-HAD人体日常行为数据库中的加速度信号验证本文方法的有效性.实验结果表明,本文所提方法的信噪比和均方根误差明显优于未经消噪处理的压缩感知重构算法,能够有效抑制加速度信号噪声,增大加速度信号稀疏度,提高加速度信号压缩重构算法性能.     

基于DFT基的矿井视频监控图像分块压缩感知方法

针对矿井视频监控图像受噪声干扰影响大,采用常规的图像采样和压缩方法存在图像模糊和传输时间过长等问题,提出了一种矿井视频监控图像分块压缩感知方法。该方法通过建立矿井视频监控图像分块压缩感知模型,在井下图像采集节点利用稀疏随机矩阵进行压缩采样,然后在地面监控中心利用正交匹配追踪( OMP )算法重构图像。研究结果表明,采用本文算法的重构图像误差小、重构时间短,所需信号采样点数少;与扰频Hadamard矩阵相比,采用稀疏随机矩阵和高斯随机矩阵作为观测矩阵对图像信号重构的峰值信噪比( PSNR)提高4 dB~5 dB;本文算法与基于小波基的算法相比,信号重构的PSNR提高1 dB~4 dB,重构时间缩短至少80％以上。     

基于差分的稀疏度自适应重构算法

针对压缩感知贪婪迭代重构算法要求给定信号稀疏度或迭代阈值的缺点,提出一种基于差分的稀疏度自适应重构算法.该算法在信号稀疏度未知的情况下,利用测量矩阵Φ与残差的相关系数的变化的不均衡特性,来选择重构信号的支撑集,以此逼近原始信号的稀疏度,达到重构的效果.仿真结果表明,在相同采样率下,文中算法可以获得较好的重构效果,尤其在采样率较低(采样率≤0.5)的情况下,这种优势更加明显.     

双阈值正交匹配追踪算法

压缩感知理论(CS)中的重构算法是压缩感知理论的重要组成部分。在稀疏度未知的情况下,一些重构算法表现不佳。针对该问题,提出一种基于双阈值的正交匹配追踪算法。通过对所选原子的两次筛选,能够在稀疏度未知的情况下,高效率、高质量地重构信号。与同类算法相比,所提算法能够很好地重构信号,重构精度较高,运行速度较快。     

稀疏信号重构的罚函数神经网络模型

在压缩感知理论中,针对未知信号的稀疏性和信号非零元素位置的不确定性使得稀疏信号的重构比较困难,以及基于贪婪迭代方法的匹配追踪算法和基于凸松弛方法的基追踪算法对稀疏信号的重构概率不高的问题,提出一个罚函数神经网络模型.首先在感知矩阵满足有限等距性(RIP)的前提下,压缩感知问题可以转化为等价的l1-范数最小化问题.然后基于罚函数的思想构造能量函数,建立了解决稀疏信号重构的神经网络模型,并对其收敛性和优化能力进行了理论分析.仿真实验结果表明,仅需较少的观测数,稀疏信号的重构概率就能接近100％;特别是在不同的观测数下,所提出的神经网络模型与正交匹配追踪(OMP)算法、压缩采样匹配追踪(CoSaMP)算法及l1-正则化最小二乘法(l1-LS)相比,信号的重构概率分别平均提高了4.93个百分点、14.07个百分点和2.73个百分点.