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。     

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。     

基于联合稀疏压缩感知的频-空二维谱空穴检测

针对单维谱空穴检测过程中存在较大漏检率、易损失频谱接入机会等问题,提出了1种基于结构化压缩感知理论的频-空二维谱空穴检测算法。首先给出了接收无线电信号的频-空二维数据模型,然后利用联合稀疏结构化压缩感知理论给出频-空二维谱空穴检测模型,求解二维稀疏矩阵,并利用此矩阵中的元素检测主用户信道的占用状态,从而进一步获得各认知用户与活跃主用户之间的距离。最后,给出了频-空二维谱空穴判决准则。仿真结果表明:与标准压缩感知方法相比,所提方法不仅能够有效减少认知用户配备的滤波器数目,进一步证实了,当网络中认知用户的数目增加时,适当减少单个认知用户配备的滤波器个数,仍然能够达到预计的检测精度。     

基于压缩感知的正方形四阵元DOA估计

以压缩感知理论为基础,研究了以正方形排列的四阵元信号方向估计(DOA)模型,并运用匹配追踪算法和正交匹配追踪算法,给出了计算机仿真结果.结果表明用压缩感知方法测向,精度高,算法复杂度低,实用性强.     

一种利用分布式传声器阵列的声源三维定位方法

为了提高噪声和混响条件下分布式传声器阵列进行声源定位的性能,提出一种利用空间稀疏性和压缩感知原理的声源三维定位方法。该方法首先通过两次离散余弦变换方式提取出声音信号特征,并用该特征来构建稀疏定位模型,以便能够综合利用语音信号的短时和长时特性,同时降低模型维数;然后利用在线字典学习技术动态调整字典,克服稀疏模型与实际信号之间的失配问题,增强稀疏定位模型的鲁棒性;进而提出一种改进的平滑l_0范数稀疏重构算法来进行声源位置解算,以提高低信噪比条件下的重构精度。仿真结果表明该方法不仅可以实现多目标定位,而且具有较强的抗噪声和抗混响能力.     

盲重构频域阵列信号的压缩感知水声目标方位估计

针对复杂海洋环境条件下压缩感知水声目标方位估计性能下降的问题,利用盲源分离能够提高信噪比的优势,提出了一种盲重构频域阵列信号的压缩感知水声目标方位估计方法。首先将阵元域信号通过傅里叶变换方法得到多个子带阵列信号;然后对各个子带阵列信号进行复数域盲源分离得到子带解混矩阵和子带分离信号估计,并对子带分离信号进行属性分析和处理;再根据处理后的子带分离信号和子带解混矩阵重构子带阵列信号,对重构的子带阵列信号采用频域压缩感知方法进行空间谱估计,得到各个子带的空间谱;最后将各子带得到的空间谱进行求和,搜索求和后空间谱的峰值则可实现目标方位估计。模拟器数据和海上实测数据验证结果表明,同等条件下该方法的目标检测能力优于经典的最小方差无失真响应(Minimum Variance Distortionless Response,MVDR)方法、频域压缩感知(Compressed Sensing,CS)方法、盲源分离(Blind Source Separation,BSS)与MVDR相结合的方法(BSS+MVDR方法),测向精度更高,明显提高了弱目标信号的空间谱能量,增强了声呐检测弱目标的能力。     

声发射信号的压缩感知仿真与实现

声发射检测技术对大型构件进行在线监测、检测时会产生大量的数据,这对检测系统的数据传输和存储性能提出了更高的要求。为了解决这一问题,基于压缩感知理论原理,选取不同的压缩采样率对声发射仿真信号和断铅实验信号进行了压缩重构,并对重构的结果进行了对比分析。结果表明:压缩采样率是影响重构效率的重要因素,随着压缩采样率的增加,重构信号的精度也随之增加,但重构时间也会相应变长。综合考虑信号的时频特征、重构误差和重构时间等参数,当压缩采样率不小于25%时,即可满足声发射信号分析要求。     

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。     

改进的贝叶斯压缩感知目标方位估计

针对基于高斯先验模型的贝叶斯压缩感知在目标方位(Direction Of Arrival,DOA)估计中可能出现明显随机伪峰的问题,改进了高斯先验模型,并在此基础上提出了一种贝叶斯压缩感知目标方位估计方法。通过波束输出噪声背景预估与二值指示变量标记,并引入基于信号先验方差的噪声方差估计方法,与变分贝叶斯推断相结合改进目标方位估计性能和优化迭代收敛过程。利用32元线阵对改进算法进行数值仿真处理和分析结果表明,该改进方法不仅可以准确估计目标信号的方位,而且可以显著地减少空间谱中伪峰的数量。实际海上实验数据处理结果表明,使用改进后的贝叶斯压缩感知方法进行DOA估计,可以显著地抑制空间谱中随机的伪峰,提高波束输出峰值背景比,具有更强的目标检测能力。