基于压缩感知的加速前向后向匹配追踪算法

前向后向匹配追踪(FBP)算法作为一个新颖的两阶段贪婪逼近算法,因为较高的重构精度和不需要稀疏度作为先验信息的特点,受到了人们的广泛关注。然而,FBP算法必须运行更多的时间才能得到更高的精度。鉴于此,该文提出加速前向后向匹配追踪(AFBP)算法。该算法利用每次迭代中候选支撑集的信息,实现对已删除原子的再次加入,以此减少算法迭代次数。通过不同非零项分布的稀疏信号和稀疏图像的仿真结果表明,相对于FBP算法,该文提出的方案在不降低重构精度的同时,大幅降低了算法运行时间。     

基于混合匹配追踪算法的MIMO雷达稀疏成像方法

多输入多输出(MIMO)雷达作为一种新型的雷达体制,其成像兼具高分辨率与实时性的优点。由于观测区域的稀疏性,MIMO雷达成像可以用压缩感知的方法进行处理。而现有的MIMO雷达稀疏成像的贪婪恢复算法中,正交匹配追踪算法(OMP)存在成像图像有伪影的缺点,子空间追踪算法(SP)则受到低分辨率的困扰。针对上述问题,该文提出一种称为混合匹配追踪算法的压缩感知贪婪算法以实现MIMO雷达稀疏成像。通过将两种贪婪恢复算法结合起来,利用OMP 算法选择基信号的正交性和SP 算法具有基信号选择的回溯策略,来重构出高分辨率且没有伪影的雷达图像。仿真实验验证了所提算法的有效性。     

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。      

基于压缩感知超宽带信号盲稀疏度信道估计

鉴于超宽带(UWB)信道估计要求预先给出信道才能精确重构的不足,研究了基于压缩感知的盲稀疏度匹配追踪类算法用于信道重建.这种盲稀疏度方法根据迭代终止条件和字典中最优原子选择方式的不同,设置迭代终止阈值和阶段转换阈值,通过可变步长的增大逐步逼近稀疏度,实现精确重建.仿真结果表明,相同条件下,基于此思想经过改进算法可有效用于解决实际UWB信道估计,较改进前算法估计性能相当,是一种具有应用价值的盲稀疏度重构方法.     

基于压缩感知的实时目标追踪算法

提出了一种高效的基于压缩感知的实时目标追踪算法,该算法将空域数据转换到小波域,然后利用变密度采样矩阵对小波域数据进行压缩,从而极大地降低了数据量。在稀疏重建上,将St-OMP算法代替OMP算法以提高稀疏重建的速度。在多种具有挑战性的视频序列上进行实验,结果表明该算法提高了追踪准确度和速度。     

混合支撑集模型中联合半迭代硬阈值追踪算法研究

无线传感网络中,由于混合支撑集模型对信号(群)值的公共部分不存在约束,给网络框架提供了额外的自由度。考虑到改进的半迭代硬阈值追踪(Semi-Iterative Hard Thresholding Pursuit, SHTP)算法在范数凸优化问题中所具有的稳定性和鲁棒性,论文将SHTP算法应用于混合支撑集模型,提出一种基于SHTP算法的联合重构算法来求解分布式压缩感知问题,称为联合半迭代硬阈值追踪算法(joint Semi-Iterative Hard Thresholding Pursuit, joint SHTP)。该算法对信号群进行压缩采样,利用信号间的相关性来求解公共部分,将公共部分的支撑集作为重构特有部分时的初始支撑集,并通过信号内部的相关性求解特有部分,适用于无线传感网络中所有的传感器节点将感知到的数据传输到簇头结点进行的联合重构。仿真结果表明,与其他联合重构算法相比,如联合正交匹配追踪(joint Orthogonal Matching Pursuit, joint OMP)算法、联合子空间追踪(joint Subspace Pursuit, joint SP)算法,无论是无噪声情形还是有噪声的情况下,联合半迭代硬阈值追踪算法将具有较大的信号重构噪声比和较小的平均支撑势误差,可实现信号值的精确重构。      

块稀疏广义正交匹配追踪算法

基于广义正交匹配追踪,提出了一种在压缩感知框架下,适用于任意块稀疏信号重构的算法。该算法以贪婪迭代为核心,在迭代过程中利用一种新的方法寻找非零块,达到了非零块估计方法优化的目的,提升了算法重构概率。理论分析表明在恰当的受限等距特性常数约束下,该算法能够保证重构原始信号。仿真实验从稀疏度、算法估计步长、测量值数目、迭代次数等方面证明了该算法的有效性与优越性。     

基于贪婪-快速阈值迭代的SAR地面动目标稀疏表征算法

合成孔径雷达地面动目标成像(Synthetic Aperture Radar Ground Moving Target Imaging, SAR-GMTIm)技术通过在静止场景的SAR图像中检测运动目标响应,实现针对运动目标的重聚焦成像。通常情况下,地面运动目标回波响应相对于静止场景的回波(即杂波)具有较强的稀疏性,增强SAR-GMTIm成像结果的稀疏特征有利于目标分类和识别。现有的一阶算法如阈值迭代算法(Iterative Shrinkage-thresholding Algorithm,ISTA)及其改进方法,快速阈值迭代算法(Fast Iterative Shrinkage-thresholding Algorithm,FISTA)都可用于SAR-GMTIm稀疏特征增强,但都存在运算效率偏低,收敛速度较慢的问题。针对以上问题,本文提出了一种贪婪-快速阈值迭代算法(Greedy Fast Iterative Shrinkage-thresholding Algorithm,Greedy FISTA)用于SAR-GMTIm稀疏特征恢复。该算法基于重启动框架对FISTA进行改进,缩短了算法重启间隔和振荡周期,拥有比FISTA更快的收敛速度。本文利用Greedy FISTA针对SAR-GMTIm的仿真复数据以及美国空军实验室的Gotcha实测雷达数据进行成像实验,并对比Greedy FISTA和FISTA、ISTA在SAR动目标成像中达到同等精度所需的迭代次数,再结合相变热力图分析法对比三种算法的恢复性能。实验结果表明Greedy FISTA应用于SAR-GMTIm系统具有良好的成像效果, 且在收敛速度和稀疏信号恢复方面相较传统阈值迭代算法及快速阈值迭代算法有明显优势。      

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。     

基于正交匹配追踪算法的语音信号重构研究

压缩感知理论是近年来提出的一种新兴的基于信号稀疏性的采样理论。正交匹配追踪算法是其中一种典型的重构方法,文中针对语音信号重构中存在的不足,采用正交匹配追踪算法对语音信号进行信号重构,相比于传统的压缩感知的重构算法更加地适用于对含噪语音、重构语音质量会更高,去噪效果也会更明显。为语音信号CS性能的基础性的研究提供了参考。     

一种基于压缩感知的信号重建新算法

在求解基追踪问题的线性化Bregman迭代方法基础上,结合了广义逆的迭代技术得到一种稀疏信号重构的新算法。该算法在计算Moore-Penrose广义逆时,采用了迭代计算的方式,与算法本身相结合使得仅有矩阵向量乘积运算,避免了奇异值分解的较大工作量。通过数值试验可知,新算法相对线性化Bregman算法在计算时间上约减少了2/3,同时信号的恢复效果也是稳定有效的。因此,新算法是一种有效可行的信号重建算法。     

一种基于压缩感知的信号重建新算法

在求解基追踪问题的线性化Bregman迭代方法基础上,结合了广义逆的迭代技术得到一种稀疏信号重构的新算法。该算法在计算Moore-Penrose广义逆时,采用了迭代计算的方式,与算法本身相结合使得仅有矩阵向量乘积运算,避免了奇异值分解的较大工作量。通过数值试验可知,新算法相对线性化Bregman算法在计算时间上约减少了2/3,同时信号的恢复效果也是稳定有效的。因此,新算法是一种有效可行的信号重建算法。     

基于自适应子空间追踪的层析SAR成像算法

在对分布式SAR进行数据降采样下会信号的三维处理增加不少难题。其中在解决频域距离弯曲校正时,由于方位向的降采样使数据不再满足奈奎斯特定理,导致在多普勒域计算距离偏移量时会出现数据的混叠。针对该问题,提出了基于LMS估计的距离弯曲校正算法,该方法根据最小均方估计思想估计权值系数完成方位向的插值,有效解决了该条件下的距离弯曲问题。针对高层成像中稀疏阵列导致基线数量有限且不均导致成像分辨率差的问题,提出了基于压缩感知的自适应子空间追踪方法来提高高度维成像的分辨性能,相比于正交匹配追踪算法,它能实现对迭代得到候选解的同步检验,避免了错误结果积累的问题,有效提高了成像的质量。     

基于压缩感知的数字图像水印算法

压缩感知理论作为新一代信息处理理论基础,在很多领域得到了应用,但在数字水印方面的应用还有待发展。利用压缩感知理论,在图像稀疏化后的观测域中实现水印嵌入过程。用小波变换将原图像稀疏化,选择一个固定高斯随机矩阵对其进行观测,在观测压缩域中嵌入与提取水印,用匹配追踪算法恢复稀疏信号。实验结果表明,该算法满足透明性、鲁棒性和安全性要求;同时抗提取实验表明,该算法能有效抵御非法提取水印信息,增加了安全性。     

基于压缩感知稀疏信号重建的迭代硬阀值算法

Nyquist采样速率条件下的信号采样,采样系统表现良好并且信号可以被稀疏向量近似表示时,信号可以被有效而精确地重构。针对无噪声信号,利用确定的稀疏基和随机的观测矩阵,研究迭代硬阀值算法的有效性。若观测矩阵满足有限等距性质（RIP）,且稀疏基与随机观测矩阵不相干时,通过该算法,原始信号的稀疏投影可以被高概率重构。最后,利用哈达码正交矩阵作为稀疏基,高斯随机矩阵作为观测矩阵,对原始信号的稀疏投影进行重构,结果验证了该算法的有效性。     

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。     

基于压缩感知的信号重构研究

按照Nyquist采样定理,信号的采样率必须为信号最高频率的2倍以上,这会产生大量的冗余数据。压缩感知是一种新兴的采样理论,对于可以稀疏表示的信号,它能够以远低于Nyquist采样速率对信号进行采样,并通过优化算法实现重构。介绍了压缩感知的基本理论,并分别选取时域稀疏、频域稀疏和图像信号进行了仿真分析,实验结果显示,压缩感知理论能较好的重构原始信号。     

基于同一性的健壮CS分类算法

针对利用压缩感知(CS)进行信号分类识别的问题,提出了一种联合欲分类信号和样本信号的健壮CS分类算法。该方法通过引入“同一性”的概念,克服了信号过完备字典传统构造方式的不足,增强了信号稀疏表示与信号类别间的关联性,提升了基于压缩感知的信号分类算法性能。仿真实验证明了所提方法的正确性,并进一步表明:在非最优过完备字典下,该方法较之传统CS分类算法更具有分类准确度。     

利用改进的稀疏表示处理FBG传感信号

基于 压缩感知(CS)的正交匹配追 踪 ( OMP ) 算法,须以稀疏度 确定 为先验条件, 在 实际 应用 中稀疏度 不 易 确定 的情况下, 本文 提出了 稀疏度确 定方法和 二次正交匹配追踪 (TOMP)算法。 先 引入熵权法 采用 多指标融合并结合饱和值点法确定稀疏度 , 然后利用所提 方 法 对实验信号进行重构 。 实验 仿真结果表明: 与同类算法相比,本文所提 TOMP 算法增加 0.1s 运行时间降低了 12～ 22% 的重构误差,更好折中处理了重构误差和时间;与不同类算法相比,本文 所提方法重构的信号信噪比(SNR)最大可提升 22 dB ,且均方根误差(RMSE)降低 0.7,因此去噪效果更优。