共查询到19条相似文献,搜索用时 171 毫秒
1.
《振动工程学报》2020,(3)
压缩感知是近年来出现的采样和信号处理方法,它利用了信号中普遍存在的稀疏特性,从而可以以远低于奈奎斯特频率的采样速率采集压缩样本,并依概率恢复得到真实信号。结构振动信号具有一定的稀疏性。对其进行压缩采样并进行信号重构,离散傅里叶原子的频率往往与信号实际频率不匹配,造成频率泄漏,降低信号重构精度。针对离散原子库存在的缺陷,采用Polar插值对正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法进行了改进。以OMP算法选择的最优原子为基础,利用Polar插值在最优原子临近构建频域连续原子库,构建了信号重构的优化模型,通过凸优化算法获得实际频率的最优估计。改进算法以较小的计算量实现对OMP算法得到的离散原子频率的修正。通过对结构振动的数值模拟和对模型试验压缩信号的重构,结果表明,与常规算法相比,改进算法可有效提高信号重构精度,特别是在压缩观测值数量较少的情况下,精度提升效果更加明显。 相似文献
2.
无线传感网络逐渐应用于结构健康监测,但是因能耗问题难以实现长期、高频的数据采集工作。压缩感知技术可利用少量的采样点重构原始信号,有望降低无线传感网络的能耗。实测振动信号因受到噪声干扰而导致稀疏性有限,常用于压缩感知的LASSO算法难以精确求解稀疏系数,进而影响振动信号重构效果。引入BP神经网络优化LASSO算法解得的稀疏系数,BP神经网络经ADAM优化算法训练后,可有效提升振动信号重构精度。用三层框架结构的模拟加速度数据和广州塔的监测加速度数据验证方法的有效性,并探讨了正则化参数和优化迭代次数的影响。结果表明,基于BP神经网络优化的压缩感知方法的信号重构效果在不同压缩率下均优于非优化的压缩感知方法。 相似文献
3.
压缩采样可以有效缓解机械状态监测数据存储和传输的压力,但是压缩数据的感知重构一直是个难点。针对滚动轴承压缩信号的故障特征提取问题,提出一种基于特征代理与凸优化算法的故障信号重构方法。分析了滚动轴承局部故障信号的稀疏和卷积特性,学习得到故障冲击模式。对压缩得到的轴承观测信号,构造包含冲击时刻特征的代理,并对代理建立目标优化函数,采用快速迭代收缩阈值算法(Fast Iterative Shrinkage Threshold Algo⁃rithm,FISTA)直接从代理提取出稀疏系数,将学习模式与稀疏系数卷积重构出故障信号。与直接利用FISTA从压缩信号中提取冲击特征相比,所提方法在不降低求解精度的同时降低了计算复杂度。相比于常用的贪婪类重构算法,所提方法无需预先估计信号的稀疏度,且能得到全局最优解。通过滚动轴承仿真和实验信号进一步验证了所提方法的有效性。 相似文献
4.
信号采样是模拟的物理世界通向数字的信息世界的必备手段。多年来,指导信号采样的理论基础一直是著名的Nyquist采样定理,但其在采样过程中产生的大量数据浪费了存储空间,而在压缩过程又会丢弃大量采样资源。压缩感知(Compressed Sensing)提出一种新的采样理论,它能够以远低于Nyquist要求的采样速率采样信号。本文详述了压缩感知的基本理论,着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展,并介绍了压缩感知目前有待解决的几个关键问题,最后举例说明压缩感知理论在各领域的应用。 相似文献
5.
6.
针对消费类摄像设备中的马赛克问题,本文提出了一种基于全相位DCT/1DCT内插滤波器的色差空间去马赛克算法.该方法根据三种颜色图像之间的相关性及采样特点,采用全相位IDCT菱形半带滤波器实现了绿色图像重构,并用全相位延拓DCT内插滤波器实现了红绿色差和蓝绿色差的重构.其中全相位IDCT内插滤波器是纯二维滤波器,且能够直接实现五点梅花形采样矩阵与矩形采样矩阵之间的转换.而全相位延拓DCT内插滤波器能够有效地抑制FIR滤波器的吉布斯效应.实验结果表明,本文算法比双线性内插算法重构图像PSNR最多高6 dB,能够保留更多的图像边缘细节,且比自适应算法运算效率高. 相似文献
7.
8.
针对目前机械设备越来越智能化、高速化、集成化和复杂化,传统的压缩感知模型(单测量向量)获得的测量信息比较单一,需要在不同监测点分别进行测量获得多个信号数据,浪费时间,并且忽略同一机器不同监测点之间信号的相关性,为充分利用信号间和信号内的相关性,更大程度上减少冗余性和采样时间,提出一种基于多测量向量模型的机械振动信号联合稀疏重构方法。重点研究了重构方法的设计:基于粒子群算法,首先通过时间稀疏贝叶斯算法求解出初始解,然后结合贪婪算法的修剪技巧并加入自适应粒子激活机制进行位置更新寻找最优解,最后对振动信号进行精确重构。实验结果显示,该方法较其它方法而言能有效的恢复机械振动信号且重构误差相对较小。 相似文献
9.
介绍了一种新的信号处理方法-压缩传感,充分利用信号在变换域的稀疏结构知识进行信号的采样与重构。它包括三个要素:稀疏表示矩阵、非相干测量矩阵和重构算法。对时域和频域稀疏信号的采样与重构进行了仿真,并分析了信号长度、测量值、信号稀疏级和信噪比对重构误差的影响关系。 相似文献
10.
11.
In actual exploration, the demand for 3D seismic data collection is increasing,
and the requirements for data are becoming higher and higher. Accordingly, the collection
cost and data volume also increase. Aiming at this problem, we make use of the nature of
data sparse expression, based on the theory of compressed sensing, to carry out the research
on the efficient collection method of seismic data. It combines the collection of seismic
data and the compression in data processing in practical work, breaking through the
limitation of the traditional sampling frequency, and the sparse characteristics of the
seismic signal are utilized to reconstruct the missing data. We focus on the key elements
of the sampling matrix in the theory of compressed sensing, and study the methods of
seismic data acquisition. According to the conditions that the compressed sensing sampling
matrix needs to meet, we introduce a new random acquisition scheme, which introduces
the widely used Low-density Parity-check (LDPC) sampling matrix in image processing
into seismic exploration acquisition. Firstly, its properties are discussed and its conditions
for satisfying the sampling matrix in compressed sensing are verified. Then the LDPC
sampling method and the conventional data acquisition method are used to synthesize
seismic data reconstruction experiments. The reconstruction results, signal-to-noise ratio
and reconstruction error are compared to verify the seismic data based on sparse
constraints. The LDPC sampling method improves the current seismic data reconstruction
efficiency, reduces the exploration cost and the effectiveness and feasibility of the method. 相似文献
12.
目的为了解决传统压缩感知图像重构方法存在的重构时间长、重构图像质量不高等问题,提出一种基于生成对抗网络的压缩感知图像重构方法。方法基于生成对抗网络思想设计一种由具有稀疏采样功能的鉴别器和具有图像重构功能的生成器组成的深度学习网络模型,利用对抗损失和重构损失2个部分组成的新的损失函数对网络参数进行优化,完成图像压缩重构过程。结果实验表明,文中方法在12.5%的低采样率下重构时间为0.009s,相较于常用的OMP算法、CoSaMP算法、SP算法和IRLS算法,其峰值信噪比(PSNR)提高了10~12 dB。结论文中设计的方法应用于图像重构时重构时间短,在低采样率下仍能获得高质量的重构效果。 相似文献
13.
针对语音信号压缩感知问题,在研究语音离散余弦变换(Discrete Cosine Transform,DCT)系数和小波包变换(Wavelet Packet Transform,WPT)特性的基础上构造了离散余弦小波包变换(Discrete Cosine Wavelet Packet Transform,DCWPT)。DCWPT首先获取语音信号的DCT域系数,结合语音频谱特性选取部分DCT系数进行WPT变换,从而得到比DCT系数更加稀疏的DCWPT系数。为将此变换直接用于压缩感知,构造了DCWPT的正交稀疏分解矩阵并分析了其稀疏表示性能。结合稀疏表示基优化了正交匹配追踪重构算法,提出了基于DCWPT的语音信号压缩感知框架。通过压缩重构对照实验,采用主客观评价指标,得出该方法优于传统基于DCT的语音压缩感知方法的结论。 相似文献
14.
15.
目的为了解决当前稀疏表示的超分辨率算法效果依赖参与训练的数据的问题,结合图像的自相似性,提出一种基于自相似性与稀疏表示相结合的超分辨率算法。方法算法利用图像的多维自相似性,构建多维图像金字塔,采用改进的相似块搜索策略,得到对应的高低分辨率图像块作为训练样本,然后对样本进行字典训练,最后根据稀疏表示得到超分辨率图像。结果实验结果显示,文中算法在峰值信噪比(PSNR)和结构相似度(SSIM)上优于其他算法,对于实验图像而言,PSNR平均提升了0.5 dB。结论提出的超分辨率算法未引入外部数据库,具有较好的效果,能够用于超分辨率重建。 相似文献
16.
The signal processing problem has become increasingly complex and demand high acquisition system, this paper proposes a new method to reconstruct the structure phased array structural health monitoring signal. The method is derived from the compressive sensing theory and the signal is reconstructed by using the basis pursuit algorithm to process the ultrasonic phased array signals. According to the principles of the compressive sensing and signal processing method, non-sparse ultrasonic signals are converted to sparse signals by using sparse transform. The sparse coefficients are obtained by sparse decomposition of the original signal, and then the observation matrix is constructed according to the corresponding sparse coefficients. Finally, the original signal is reconstructed by using basis pursuit algorithm, and error analysis is carried on. Experimental research analysis shows that the signal reconstruction method can reduce the signal complexity and required the space efficiently. 相似文献
17.
为解决两相流中存在中心物体、物体比较小或存在多个物体且相距较近时电容层析成像(ECT)重建图像精度较差的问题,基于稀疏分布的流型其介电常数分布满足稀疏性的先验条件,采用梯度投影稀疏重建(GPSR-BB)算法进行ECT图像重建。仿真及实验测试结果表明:GPSR-BB算法对于流体中小目标以及复杂流型的图像重建质量较好,重建图像的形状保真度高。 相似文献
18.
19.
Major emphasis, in compressed sensing (CS) research, has been on the acquisition of sub-Nyquist number of samples of a signal that has a sparse representation on some tight frame or an orthogonal basis, and subsequent reconstruction of the original signal using a plethora of recovery algorithms. In this paper, we present compressed sensing data acquisition from a different perspective, wherein a set of signals are reconstructed at a sampling rate which is a multiple of the sampling rate of the ADCs that are used to measure the signals. We illustrate how this can facilitate usage of anti-aliasing filters with relaxed frequency specifications and, consequently, of lower order. 相似文献