相控阵超声缺陷检测数据压缩感知

为了解决超声相控阵信号采集、存储和传输中数据量大的问题,研究了压缩感知在相控阵无损检测信号和图像压缩重构中应用的可行性。首先使用5种贪婪算法对相控阵仿真信号进行压缩重构,根据百分比均方误差选取最优算法并考虑了噪声对精度的影响,结果表明压缩感知可以用低于奈奎斯特极限的测量点数准确重构原始图像;其次用人工缺陷回波信号进行实验验证,通过稀疏度计算选择适用相控阵信号的最优稀疏基,并通过5种传感矩阵的优化选择进一步提高了重构精度。实验结果尽管达不到仿真中的理想效果,但是能以少量测量值准确恢复图像,并能保证缺陷的识别,说明压缩感知算法可以有效提高相控阵缺陷检测效率。此外,在保持测量点数相同的情况下,仿真和实验都研究了不同采样率对重构精度的影响,当测量点数超过一定值时,证实了压缩感知实际与采样率无关。     

调制宽带转换器压缩采样系统硬件电路设计与实现

针对频域稀疏信号压缩采样物理实现问题,基于调制宽带转换器(modulation wideband converter,MWC)采样方法,设计了一套完整的压缩采样硬件系统。系统由上、下位机两部分组成。下位机负责压缩采样,上位机实现信号重构。本文重点设计并实现了下位机随机混频、低通滤波、伪随机序列发生、同步采样等电路功能,并对所设计的电路进行了实际验证。实验结果表明,所设计的系统可以在采样的同时完成压缩,从远低于奈奎斯特频率的采样数据中,以98.5%的平均成功率重构出原始信号。     

超宽带接收机原理与结构浅析

本文主要介绍基于采样结构数据解调的超宽带接收机设计。基本的概念是对模拟接收的信号进行过采样（采样频率高于奈奎斯特频率）并以数字信号方式进行解调。对接收到的信号可以进行直接采样或进行并行时域采样方法。     

压缩感知重构算法研究

压缩感知是一种全新的信号采样重构方法,和传统的方法相比,它不再要求信号的采样率达到信号带宽的两倍以上,这样就克服了资源浪费,效率低下等缺陷,本文研究了压缩感知理论,并在此基础上研究了多种重构算法,并应用五种典型的压缩感知重构算法来重构二维彩色图片和二维灰度图片,客观的对比了两种算法的实验效果。     

压缩感知算法在数字图像处理中的研究与应用

随着压缩感知理论研究工作的深入,压缩感知在信号和图像处理领域已引起众多研究者的关注。理论已经证明自然图像本身具有稀疏的表示特性,符合人类所接触的很多信号和图像的处理。近年来,压缩感知理论已被大量应用到信号和图像处理的各个领域[1]。如何构造一个适合不同模态图像的变换字典,并设计相应的快速而有效的稀疏分解算法是本项目中稀疏分解矩阵建立研究的重要内容;提出快速、准确、鲁棒性好的CS重建算法也是本项目研究的主要内容之一。     

频域单快拍压缩感知目标方位估计和信号恢复方法

方位估计和信号恢复分别是水下目标定位、跟踪和目标识别的前提。提出了一种阵列频域单快拍压缩感知的水下目标方位估计和信号恢复方法。首先将阵列接收数据变换到频域,取频域单快拍数据作为压缩感知的测量值,然后根据频域快拍对应的频率、搜索方位和阵列流形构造过完备的阵列流形矩阵作为压缩感知的感知矩阵,最后通过基追踪算法估计搜索方位上目标信号和功率,实现DOA估计与信号恢复。宽带仿真实验数据验证结果表明,同等条件下完成同样的目标方位分辨,提出的方法比最小方差无失真响应方法要求的阵元数和快拍数较少,要求的信噪比更低,恢复的目标信号更加准确,波形相关系数达到89%以上。海上实验数据处理结果表明,目标检测能力优于最小方差无失真响应方法,证明该方法可以适用于实际声呐系统。     

基于压缩感知的数字全息成像

对于具有高分辨力的数字全息来说,大量的数据冗余存在其中,这对后续的处理分析造成一定的负担。通过分析压缩感知技术,结合数字全息原理,利用压缩感知技术对全息图进行处理,在不损失全息图细节的情况下,减少数据量。为避免其余因素干扰,利用计算全息模拟全息图进行实验验证。对全息图进行多组压缩采样,并利用正交匹配追踪的贪婪算法进行重建。同时,利用傅里叶变换与卷积的重构方法对其进行光学全息重现,并通过归一化相关性对其进行比较。实验表明,压缩感知技术可以降低数字全息中存在的冗余,当采样50%时能较好地还原出全息图。     

基于多层分块自适应压缩感知的图像编解码方法

压缩感知中,测量矩阵对图像进行单一采样率的压缩采样。传统的测量矩阵虽然能够获得比较好的重构效果,但因采样数目较多,故而资源耗费也较多。为了解决上述问题,提出了多层分块自适应编码算法(multi-layered block adaptive coding algorithm,MLBA)以及多层分块自适应压缩感知编解码方法(multi-layered block adaptive compressed sensing codec method,MLBACS)。MLBACS编解码方法基于MLBA编码算法,能够根据图像局部结构进行不同层数和大小的分块,并自适应分配采样率。仿真结果表明,在同等重构性能的前提下,相对于单一采样率下的压缩感知,MLBACS编解码方法能够不同程度地降低重构图像所需的采样数目。     

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一系列匹配追踪算法和基于凸松弛方法的一系列基追踪算法对稀疏信号的重构概率不高,提出了一个罚函数神经网络模型。首先在感知矩阵A满足有限等距性质的前提下,压缩感知问题可以转化为等价的l_(1)-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,当信号比较稀疏时,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算法、压缩采样匹配追踪算法及l_(1)-正则化最小二乘法相比,信号的重构概率分别平均提高了4.93、14.07、2.73个百分点。     

分段匹配追踪式Karhunen-Loeve非相干字典语音压缩感知

压缩感知(Compressed Sensing,CS)理论突破了经典采样定理的理论边界,为信号压缩提供了另一种途径。基于CS理论框架,做了两方面工作:为提高语音字典对信号的匹配性,设计了一种基于K-L展开的非相干语音字典;针对现有匹配追踪(MP,OMP)算法的不足,提出分段匹配追踪(Segment MP,SegMP)算法。首先对语音自相关函数进行建模并估计模型参数,构造语音自适应非相干字典,然后采用SegMP对语音稀疏向量分段观测,获得多个低维矢量,最后结合模型参数重建字典并重构信号,实现了语音压缩感知。语音测试结果表明:相比现有方案,本文方案对信号的稀疏表示更为精准,具有更好的重构质量,且降低了计算复杂度。