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。     

非线性调频信号脉压分析与仿真

介绍了几种利用非线性调频信号进行脉冲压缩的算法。建立了三次方调频、正切调频、正弦调频的非线性调频信号模型,并在此基础上进行了这三种函数的非线性调频信号脉冲压缩仿真。     

压缩感知技术综述

压缩感知(Compressed Sensing或Compressed Sampling,Cs)理论突破了经典的奈奎斯特采样定理的极限,提出一种全新的采样理论,通过开发信号的稀疏特性,在远小于Nyquist采样率的条件下,用随机采样获取信号的离散样本,然后通过数值最优化问题精确重构出原始信号.本文综述了CS基本原理,介绍了信号稀疏表示、测量矩阵的设计和信号的重构算法等内容以及CS理论研究现状和在相关领域的应用.     

一种快速的压缩感知信号重构算法

重构算法是压缩感知技术的重要环节之一,文中针对现有重构算法收敛速度较慢的问题,提出了一种适用于压缩感知的快速重构算法。该方法的思想是在求解过程中,设计一种有效的步长迭代方案,以此来更新由梯度Lipschitz指数确定的迭代步长,再利用更新后的步长对原始信号的稀疏域表示向量进行迭代收缩,提高收敛速度。实验结果表明,相比传统的正交匹配追踪(OMP)算法、固定步长的l1范数重构算法,该方法在保证信号恢复精度的前提下,具有更快的收敛速度和更高的重构精度。     

压缩感知理论及重构算法性能分析

压缩感知是近年来信号处理领域新诞生的一种新的信号处理理论,文中详述了压缩感知的基本理论,主要围绕着信号的稀疏表示、观测矩阵和信号重构算法三个方面对压缩感知进行基本介绍,并对几种典型的信号重构算法(OMP、GPRS、SLO)进行仿真分析。     

基于自适应次梯度投影算法的压缩感知信号重构

本文提出一种利用自适应次梯度投影算法（Adaptive Subgridient Projection Method,ASPM）进行压缩感知（Compressed Sensing,CS）信号重构的方案。APSM算法首先根据CS重构模型建立包含稀疏重构信号并具有随机属性的凸集,然后运用并行次梯度投影的思想将对该凸集的投影转化为对多个闭合半平面的投影,最后将更新后的干扰抑制滤波器系数矢量投影到限定集合上。同时为了获得快速收敛性,本文设计了在迭代的不同阶段自适应地调节该膨胀系数的机制。理论分析和仿真结果表明,本算法具有快速收敛性和较低的重构误差,在不同的噪声强度下具有较高的鲁棒性。      

面向内容的语音信号压缩感知研究

压缩感知理论依据信号的稀疏性质进行压缩测量,将信号的获取方式从对信号的采样上升为对信息的感知,是信号处理领域的一场革命。本文提出一种基于非确定基字典（Uncertainty Basis Dictionary, UBD）对语音信号进行稀疏表示的方法,将压缩感知理论应用于对语音信号稀疏表示的压缩,并提出了基于求解线性规划问题的方法重构语音信号的算法。通过语音识别、话者识别和情感识别实验,从面向内容分析的角度,研究这种基于压缩感知理论的信息感知方法是否保留了语音信号的主要内容。实验结果表明,语音识别、话者识别和情感识别的准确率,与目前这些领域研究方法得到的结果基本一致,说明基于压缩感知理论的信息感知方法能够很好地获取语音信号的语义、话者和情感方面的信息。      

基于压缩感知的信号重构

压缩感知是针对稀疏或可压缩信号,在采样的同时即可对信号数据进行适当压缩的新理论,采用该理论,可以仅需少量信号的观测值来实现精确重构信号。文中概述了CS理论框架及关键技术问题,介绍了信号稀疏表示、观测矩阵和重构算法。最后仿真实现了基于压缩感知的信号重构,并对正交匹配追踪(OMP)重构算法性能作了分析。     

基于压缩感知的线性调频信号参数估计

提出一种基于压缩感知(Compressed Sensing,CS)理论的线性调频(Linear Frequency Modulation,LFM)信号参数估计算法.考虑到LFM信号在最佳分数阶Fourier变换(Fractional Fourier Transform,FrFT)域中是稀疏信号,对变换阶次进行粗搜索与精搜索,利用CS恢复信号在各个阶次FrFT矩阵中的系数向量,通过二维搜索.得到最佳变换阶次,进而得到信号的调频斜率和起始频率.在窄带干扰条件下,将形态学成分分析应用于算法中,提高了算法的抗干扰性能.实验结果表明,在随机采样点数远低于奈奎斯特采样点数的情况下,该算法能够准确估计信号参数,并且对高斯白噪声和强窄带干扰不敏感.     

基于压缩感知的线性调频信号频率估计

基于压缩感知理论,测量了在不重构情况下线性调频信号的频率。算法根据信号的稀疏表示建立原子库,利用AIC(Analog-to-Information Conversion)技术完成对信号的压缩采样,在压缩域利用正交匹配追踪的算法进而优化重构稀疏系数,寻找出系数最大值所在的位置,而原子库中该位置原子的频率参量即为线性调频信号的频率参量。该方法在保证频率估计高成功率的前提下,大大减少了采样过程中的冗余和浪费,节省了存储空间,实验仿真验证表明该方法的可行性。     

一种新的基于压缩感知理论的稀疏信号重构算法

针对基于l1范数优化的稀疏信号重构算法需要的观测样本数较多,本文以lp范数最小化为目标,结合传统的罚函数(PF)优化思想,给出了基于PF的lp范数迭代重构算法,需要的观测样本数大大低于基于l1范数的优化计算需求,并通过数值实验表明该算法对稀疏信号具有较优的重构效果.     

基于因子图的分布式变分稀疏贝叶斯压缩感知简

提出了一种基于因子图的分布式变分稀疏贝叶斯压缩感知算法。该算法利用因子图和变分方法将全局感知问题分解为简单的局部问题,通过认知用户邻居间的置信传播实现“软融合”,使每个认知用户能够获得全局最优估计。且充分利用邻居间传递的信息所具有的时间和空间二维相关性,提高认知用户在低信噪比下的感知性能。同时,算法在迭代过程中自适应地删除不收敛的超参数及对应的基函数,降低通信负载。实验结果表明：该方法在低采样率和低信噪比下有较好的感知性能。     

冗余字典在压缩感知中的应用研究

信号的稀疏表示是压缩感知理论中的关键问题,一般选择正交基作为压缩感知中的稀疏变换基。因为冗余字典能更有效的表示信号的特征,使得信号能用字典中的少量原子线性表示,因此本文对冗余字典在压缩感知理论中的应用进行了研究。设计了由不同正交基与单位矩阵组成的3种简洁冗余字典,作为压缩感知的稀疏变换基。以一维信号作为测试信号,研究了冗余字典的稀疏表示和算法重构的性能。实验结果证明了冗余字典在压缩感知理论中应用的有效性。     

Blind parameter estimation algorithm for frequency-hopping signals based on compressed sensing

A blind parameter estimation algorithm for frequency-hopping signals based on compressed sensing was proposed,in order to solve the problem that the existing parameter estimation algorithms did not take into account the sparse structural characteristics of the signals in frequency domain.Firstly,the maximum cosine method was used to process the segmented compressed sampling signals,and the hopping frequency was estimated.Then,the atom matching algorithm was used to process the signal with the hopping point,and the frequency hopping instance time was estimated accurately.Then the hopping speed and hopping time were estimated.The experimental results show that the algorithm can significantly reduce the sampling data and computational complexity,while improving estimation accuracy.     

基于压缩感知的稀疏孔径认知ISAR成像方法

针对运用压缩感知理论对ISAR目标成像时不同目标所需观测维数和积累时间不同的问题,提出了一种基于压缩感知的稀疏孔径认知ISAR高分辨成像方法。在对目标稀疏特性认知的基础上,构建了基于目标横向稀疏度和观测积累时间的随机观测矩阵,并给出了成像质量评估标准,实现了对有限雷达资源条件下ISAR目标的高分辨认知成像。仿真结果表明,利用该方法成像,不仅可以减少雷达成像发射脉冲数,而且可以有效减少目标成像的时间,同时还能获得高质量的目标ISAR像。     

稀疏L型阵中基于压缩感知的角度估计方法

利用二级Nested阵来构建稀疏L型阵列,针对此阵列,提出了基于压缩感知的角度估计方法。该方法通过计算接收数据的自相关协方差矩阵并向量化,然后进行重排序和去冗余,得到虚拟阵列的入射角信息。该虚拟阵列的长度远远大于实际物理阵列的长度,因而相比同物理阵元的均匀L型阵,阵列孔径和自由度明显增大。最后利用正交匹配追踪技术对虚拟阵列的l1范数约束问题进行求解,并完成二维角度的配对。计算机仿真表明,所提算法具有更高的信源分辨力,并且在高信噪比、高快拍数、大角度间隔条件下,具有更好的估计性能。     

基于压缩感知的OFDM稀疏信道估计中的导频设计

为了提高基于压缩感知的正交频分复用( Orthogonal Frequency Division Multiplexing,OFDM)稀疏信道估计性能,提出以互相关矩阵元素之间的距离立方和作为新的导频设计准则,更加准确地评价采样矩阵整体互相关性;针对传统导频搜索算法效率慢的问题,提出一种基于树的顺序替换导频间隔搜索( ...     

稀疏带状测量矩阵在压缩感知ISAR成像中的应用

将压缩感知（CS）理论用于逆合成孔径雷达（ISAR）成像,可以有效利用缺损的雷达回波数据,解决了因数据缺损造成成像质量下降的问题。目前压缩感知中常用的高斯或伯努利等随机测量矩阵独立随机元数目过多,存储空间过大,从而导致硬件实现成本过高。所构造的稀疏带状测量矩阵,通过将测量矩阵进行带状循环移位置零稀疏化,可大幅减少测量矩阵中非零元素数目,降低系统采样要求,节约硬件实现成本,使得压缩感知ISAR成像工程化更容易实现。最后通过仿真和微波暗室实验数据验证了点目标模型下稀疏带状测量矩阵进行ISAR成像的可行性和有效性。     

基于压缩感知的无线传感网稀疏数据传输协议设计

为了减少多跳无线传感器网络发生稀疏事件时数据传输的开销和延迟,提出一种新的基于压缩传感(CS)的数据传输与重构协议。提出的协议不是避免碰撞,而是利用干扰构建了一种泛洪过程的路由选择,通过测量数据的有效叠加,实现在任何节点都可以同时接收到数据,且每个节点都能向Sink恢复并且转发新数据。仿真结果表明,与传统方法相比,提出的协议延迟减少了25%,且以更低的开销实现了近乎于零的重建误差。