K-L变换观测矩阵优化算法

观测矩阵的研究在压缩感知中尤为重要,其中观测矩阵的优化是观测矩阵研究中的关键问题之一。根据减小观测矩阵与稀疏矩阵之间的互相关性达到优化观测矩阵的思想,提出了K-L变换观测矩阵优化算法。该算法利用原始信号协方差矩阵的特征向量矩阵对传感矩阵进行变换,从而减小观测矩阵与稀疏矩阵之间的互相关性,进而得到优化后的观测矩阵。仿真结果表明,优化后的观测矩阵重构图像的峰值信噪比值大于未优化观测矩阵重构图像的峰值信噪比值,尤其是在观测数目较少的情况下,用该算法优化后的观测矩阵重构的图像具有较高的精度。     

基于二次迭代稀疏重构的跳频信号参数估计

为了解决现有参数估计方法中时频聚集性不强,低信噪比下估计精度不高问题,提出了一种基于二次迭代稀疏重构的跳频信号参数估计方法。根据跳频信号的时频稀疏性进行稀疏重构,获取信号的时频分布矩阵;通过分析时频分布矩阵的特点,对信号进行二次迭代稀疏重构,获取二次时频分布矩阵。为了提高在低信噪比下算法性能,采用二值形态学滤波对时频图进行处理,进而实现信号的良好参数估计。仿真结果表明:该算法能够有效地提高参数估计精度,在低信噪比下有良好的估计效果。     

联合智能优化和分簇CS的WSNs稀疏数据采集

为提高无线传感器网络（Wireless Sensor Networks,WSNs）数据处理效率和降低网络能耗,提出了一种基于自适应智能优化和分簇压缩感知的WSNs稀疏数据采集方案。首先,建立分簇WSNs稀疏数据通信模型,通过定量分析节点密度与网络数据通信总跳数的关系,给出网络自适应分簇结果,并采用簇内观测矩阵测量数据获取和簇间多跳通信方式完成WSNs压缩感知数据采集;其次,采用StOMP算法进行稀疏信号重构,针对网络节点数据包丢失等链路不可靠情况,引入相关性矩阵变换策略,以降低错误数据传输对数据重构的影响,针对数据稀疏度未知特性和StOMP算法参数配置难的缺陷,将一种新型自适应智能优化（Improved Adaptive Intelligent Optimization algorithm,IAIO）算法应用于CS重构算法中,在理论分析IAIO全局寻优能力的基础上,实现对稀疏数据的可靠重构。最后,仿真结果表明,该方案能够实现稀疏信号的精确重构,而且降低了网络通信总量,提高了网络生存时间。     

基于稀疏度自适应化的DEM压缩采样与重构方法

地形数据量的日益增长迫切地需要高效的存储和传输策略。提出了一种基于稀疏度自适应化的DEM压缩采样与重构方法,并给出了方法具体的实现及详细流程。该方法首先利用小波变换对原始DEM进行稀疏处理,然后利用QR分解后的随机高斯矩阵对稀疏处理结果进行降维观测,实现DEM的压缩。最后针对CoSaMP算法必须提供稀疏度和重构时间长的缺点提出一种稀疏度自适应化的改进算法,利用改进的CoSaMP算法进行重构和小波反变换等步骤获得DEM的重构结果。在保证相似重构精度的前提下,提出的改进的CoSaMP算法与传统的CoSaMP算法相比,在实现稀疏度自适应化的同时有效地提高了收敛速度。仿真实验结果表明与JPEG2000方法相比,提出的方法实现了更高压缩比的数据压缩和高峰值信噪比的数据重构。     

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.     

自适应梯度下降观测矩阵优化算法

基于可以通过减小压缩感知中观测矩阵与稀疏矩阵之间的互相关性来提高信号的重构质量,结合无约束凸优化问题中梯度下降的思想,提出了一种自适应梯度下降算法（Adaptive Gradient Descent, AGD）。首先利用等角紧框架（Equiangular Tight Frame, ETF）收缩传感矩阵的Gram矩阵,然后通过收缩得到的Gram矩阵建立一个无约束凸优化问题,最后通过梯度下降方法求解无约束凸优化问题进而得到优化后的观测矩阵。AGD算法通过每次更新梯度下降的方向,使Gram矩阵能够在最短时间内逼近ETF。仿真实验表明,该算法不仅迭代次数少,且优化后的观测矩阵与稀疏矩阵之间的互相关性大大降低。与传统的优化算法相比,信号恢复效果更好。     

自适应压缩感知的语音压缩重构算法研究

根据传统语音信号的处理过程和语音信号的特征,提出了利用自适应冗余字典KSVD算法、自适应观测矩阵和SAMP重构算法的压缩重构方法,通过仿真分析,并与普通压缩感知对比平均帧重构信噪比、相对误差,验证了压缩感知自适应算法的优越性。     

QR分解与特征值优化观测矩阵的算法研究

观测矩阵的构造是压缩感知中的核心部分之一,观测矩阵的列独立性,观测矩阵与稀疏基的非相干性,对重构图像的质量有重要影响,基于此提出了一种优化算法。该算法实现对观测矩阵进行QR分解以增大其列独立性,同时对格拉姆矩阵进行优化,使其归一化后的特征值逼近N/M,从而增大观测矩阵与稀疏基的非相干性。仿真结果显示,算法在提高图像重构质量,以及重构结果稳定性上都有较好的结果,尤其是在观测值个数较少的情况下,有比其他算法更明显的优势。     

基于自适应阈值SAMP算法的OFDM稀疏信道估计

为了降低重构算法的复杂度,提高重构的精确度,提出一种自适应阈值的稀疏度自适应匹配追踪算法（SAMP）,并将其运用在OFDM稀疏信道估计中。蒙特卡洛仿真证明,改进后的算法相比于原算法在CPU运行时间上减少了44.7%,并且在较低的信噪比下也能达到较好的估计效果。此外,针对OFDM稀疏信道估计问题,结合压缩感知理论中观测矩阵的构造方法,提出一种新的导频图案分布设计方法,仿真证明该导频图案设计方法比现有方法在估计精确度方面提高2~4dB。     

基于改进循环观测的线性预测语音压缩感知

利用语音信号线性预测残差的稀疏性特点可对语音信号进行压缩感知,但需要信号的线性预测系数来构造稀疏变换矩阵,从而增加预测系数传输的数据量。为此,提出将线性预测系数存入对角阵向量中构造循环矩阵,由此得到循环观测矩阵,再对语音信号进行观测。提取该循环矩阵中的线性预测系数构造残差域稀疏变换矩阵,利用正交匹配追踪算法对观测信号进行重构。仿真实验结果表明,与传统线性预测方法相比,该方法减少了3.9%以上的数据量,且比将高斯随机矩阵作为观测矩阵的方法具有更高的帧平均重构信噪比。     

基于反馈神经网络的稀疏信号恢复的优化算法

针对稀疏信号的重构问题,提出了一种基于反馈神经网络（RNN）的优化算法。首先,需要对信号进行稀疏表示,将数学模型化为优化问题;接着,基于l₀范数是非凸且不可微的函数,并且该优化问题是NP难的,因此在测量矩阵A满足有限等距性质（RIP）的前提下,提出等价优化问题;最后,通过建立相应的Hopfield反馈神经网络模型来解决等价的优化问题,从而实现稀疏信号的重构。实验结果表明,在不同观测次数m下,对比RNN算法和其他三种算法的相对误差,发现RNN算法相对误差小,且需要的观测数也少,能够高效地重构稀疏信号。     

基于稀疏对角矩阵的语音信号压缩感知

探索压缩感知理论在语音信号重构中的应用,研究测量矩阵选取对语音信号重构效果的影响.改进传统随机,托普利兹,循环等测量矩阵,尝试将稀疏对角矩阵应用于测量矩阵完成对语音信号的非相干测量.在语音信号上进行实验,分别采用稀疏对角结构测量矩阵和传统测量矩阵,对比它们使用StOMP算法重构语音信号的效果.实验结果表明,采用改进的稀疏对角循环矩阵重构语音信号,较传统矩阵重构的精确度有明显提高,运行时间也有明显缩短.     

基于非常稀疏随机投影的图像重建方法

将非常稀疏随机投影引入可压缩传感CS（Compressed Sensing）理论,提出一种新的CS测量矩阵：非常稀疏投影矩阵。利用非常稀疏投影分布的渐近正态性,证明了新的矩阵满足CS测量矩阵的必要条件。该矩阵由于其构成的非常稀疏性大大简化了图像重建过程中的投影计算,从而提高重建速度。实验结果表明非常稀疏投影矩阵在满足一定测量数目要求的条件下可以精确重建。最后给出了新的测量矩阵与一般采用的高斯和贝努里测量矩阵的重建结果比较和分析。     

一种基于自适应代表节点选择的WSN数据收集方法

采用压缩感知的无线传感网络数据收集方法要求每个节点都参与数据收集,会造成很大的能量浪费.本文提出了一种基于自适应代表节点选择的WSN数据收集方法,在保证压缩感知数据重构精度的同时,减少参与数据收集的节点数.首先,采用主成分分析和混合压缩感知相结合的办法设计稀疏基;然后,通过分析稀疏基的框架势FP(Frame Potential)设计压缩感知的稀疏观测矩阵,从而选择代表节点,以减少参与数据收集的节点数目;最后,根据Sink处数据重构精度,自适应调整稀疏观测矩阵以用作下一时刻数据收集,从而保证数据收集的重构精度.仿真结果表明,该方法有效的降低了网络能耗和数据传输量,同时还保证了每个时刻数据重构的精度.     

一种改进的稀疏度自适应匹配追踪算法

在信号稀疏度未知的情况下,稀疏度自适应匹配追踪算法(Sparsity Adaptive Matching Pursuit,SAMP)是一种广泛应用的压缩感知重构算法。为了优化SAMP算法的性能,提出了一种改进的稀疏度自适应匹配追踪(Improved Sparsity Adaptive Matching Pursuit,ISAMP)算法。该算法引入广义Dice系数匹配准则,能更准确地从测量矩阵中挑选与残差信号最匹配的原子,利用阈值方法选取预选集,并在迭代过程中采用指数变步长。实验结果表明,在相同的条件下,改进后的算法提高了重构质量和运算速度。     

依据列相关性优化高斯测量矩阵

为了提高信号重建的精度以及稀疏度适用范围,提出了一种新的测量矩阵优化方法,减小测量矩阵和稀疏变换矩阵的相关性。首先,由测量矩阵和稀疏变换矩阵的乘积构造Gram矩阵;根据Gram矩阵的维数,计算互相关函数的下确界即Welch界;其次,由Welch界确定阈值,收缩Gram矩阵中大于阈值的非对角元;然后,由新得的Gram矩阵和稀疏变换矩阵反解出测量矩阵,迭代更新,从而达到减小相关性,优化测量矩阵的目的。实验结果表明：依据Welch界优化测量矩阵,能快速降低压缩感知矩阵相关性的最大值,提高OMP算法的性能,例如在误差率为10_-0.9时,原高斯随机矩阵需要23个观测值,算法优化后只需16个观测值,相对于Elad、Zhao等观测矩阵优化方法,文中提出的算法具有更小的重构误差,性能和稳定性也略有提升。     

语音压缩感知研究进展与展望

压缩感知技术,特别是语音压缩感知技术逐渐成为信号处理领域的研究热点。当前的语音压缩感知关键技术主要包括适合语音信号的稀疏分解矩阵构造,观测矩阵的选择和重构算法的设计。稀疏分解矩阵的重要代表是正交基、基于语音特性的线性预测矩阵和过完备字典。观测矩阵方面主要采用随机观测矩阵分析语音压缩感知性能;重构算法方面重点研究当观测序列或语音信号本身含有噪声时鲁棒的语音压缩感知重构算法。本文对上述语音压缩感知的3大关键技术进行了介绍和对比分析,并对语音压缩感知的应用进行了总结,最后对未来可能的研究热点进行了展望。     

基于分离字典构造的快速压缩感知重构算法

针对当前压缩感知重构算法存在重构质量偏低、重构时间过长等问题,提出了基于矩阵流形分离字典构造的分块压缩感知重构算法。首先,该算法基于矩阵流形模型训练出可分离稀疏表示矩阵,并对其正交化;其次,构造随机测量矩阵,并利用矩阵运算将其与得到的稀疏表示矩阵进行结合,进而构造出一组分离字典;最后,将该字典用于信号压缩感知中,并通过线性运算实现信号的快速重构。实验结果表明,与当前主流的压缩感知重构算法相比,所提算法在重构精度以及重构时间上都具有一定提升,并在对实时性要求高的领域中具有很好的应用价值。     

基于CIM的偏差补偿稀疏NLMAD算法研究

为了解决输入信号受噪声干扰和输出观测噪声具有脉冲特征的稀疏系统辨识问题,提出一种基于CIM的偏差补偿NLMAD(Normalized least mean absolute deviation, NLMAD)算法。 利用NLMAD算法可有效抵御脉冲输出观测噪声的优势,首先应用无偏准则设计偏差补偿NLMAD算法来有效解决由于输入噪声导致的估计偏差问题。再次考虑到稀疏系统辨识问题,将CIM作为稀疏约束惩罚项引入到偏差补偿NLMAD算法提出了新的稀疏自适应滤波算法CIMBCNLMAD。将所提算法应用于输入和输出均含有噪声的稀疏系统辨识和回声干扰抵消场景中,实验表明CIMBCNLMAD算法的稳态性能优于其它自适应滤波算法,说明该方法具有强的鲁棒性且可应用于工程实践。     

过完备字典稀疏表示下的RAMP重构算法

压缩感知理论将采样理论与压缩理论合二为一,成为最近几年来的研究热点。主要依据图像的稀疏性或是可压缩性的特点,使用K-均值奇异值分解（K-Means Singular Value Decomposition,K-SVD）算法训练获得过完备字典,使用高斯随机矩阵作为测量矩阵,最后通过正则化自适应匹配追踪算法作为压缩感知重构算法,提出了K-SVD过完备字典的正则化自适应匹配追踪算法（KSVD Regularized Adaptive Matching Pursuit,KSVD-RAMP）。通过对重构图像的峰值信噪比、重构时间、相对误差等客观评价指标以及主观视觉上对所提算法以及传统的贪婪算法做对比。实验结果表明,该算法比基于离散小波稀疏表示的RAMP算法的峰值信噪比提升了2~6 dB。因此,该算法重构出的图像不管在视觉效果上,还是在客观评价指标上都有一定的改善。