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.     

基于小波稀疏表示的压缩感知SAR成像算法研究

高分辨大场景合成孔径雷达(SAR)成像给数据存储和传输系统带来沉重负担。该文对条带式体制下的SAR成像,提出基于场景方位向小波稀疏表示的压缩感知成像方法。该方法首先沿方位向进行随机稀疏采样得到降采样的原始数据,然后在距离向采用传统匹配滤波方法实现脉冲压缩处理,方位向则利用小波基作为场景散射系数的稀疏基,并通过求解最小l1范数优化问题重构方位向散射系数。所提算法在方位向严重降采样下仍能够实现无模糊的SAR成像,实测数据成像结果表明所提算法具有较好的有效性和一定的实用性。     

基于贝叶斯压缩感知的复数稀疏信号恢复方法

该文利用复数稀疏信号的时域相互关系提出一种新的稀疏贝叶斯算法(CTSBL)。该算法利用复数信号的实部与虚部分量具有相同的稀疏结构的特点,提升估计信号的稀疏程度。同时将多个测量信号间的内部结构信息引入到了信号恢复中,使原始的多测量稀疏信号恢复问题转变为单测量块稀疏信号恢复问题,使恢复性能得到了提升。理论分析和仿真结果证明,提出的CTSBL算法相较于目前的针对复数信号的多测量矢量贝叶斯压缩感知(CMTBCS)算法和块正交匹配追踪算法(BOMP)在估计精度上具有更好的性能。     

基于联合稀疏谱重构的PPG信号降噪算法

针对光电容积脉搏波（Photoplethysmography,PPG）传感器数据采集降噪问题,本文提出一种基于联合稀疏重构的PPG信号运动噪声降噪算法.该算法通过构建同时间段内PPG信号和加速度信号的频谱矩阵,提取频谱矩阵稀疏特征和该矩阵行稀疏特征,利用压缩感知方法,将PPG信号运动噪声去除过程建模为联合稀疏信号重构过程,并将该过程进一步建模为最优化模型,通过迭代寻优来获得该模型的最优解,结合谱减法,从而有效去除PPG信号中的运动噪声,降低噪声对PPG信号的影响.仿真分析表明,本文提出的算法能有效去除PPG信号中的运动噪声,获得较好的降噪效果.     

基于压缩感知OMP改进算法的图像重构

正交匹配追踪(OMP)算法中迭代次数严格依赖信号的稀疏度K值,迭代次数选取适当会重构出高精确的图像,反之则会对图像重构质量造成严重影响.针对这一问题,提出了一种根据残差值的相对极差来确定最佳迭代次数的新方法.该方法要求在同一次迭代中对一幅图像的所有列同时进行迭代计算,根据极差的相对差值与门限值比较来确定最佳迭代次数,从而达到提高重构精度,消除对稀疏度K值依赖的目的.理论分析和仿真结果表明,改进的OMP算法比原有算法有更理想的重构效果,有更高的重构精度.     

基于压缩感知的定位新型UWB信号抽样方法

Ultra-wide-band (UWB) signals are suitable for localization, since their high time resolution can provide precise time of arrival (TOA) estimation. However, one major challenge in UWB signal processing is the requirement of high sampling rate which leads to complicated signal processing and expensive hardware. In this paper, we present a novel UWB signal sampling method called UWB signal sampling via temporal sparsity (USSTS). Its sampling rate is much lower than Nyquist rate. Moreover, it is implemented in one step and no extra processing unit is needed. Simulation results show that USSTS can not recover the signal precisely, but for the use in localization, the accuracy of TOA estimation is the same as that in traditional methods. Therefore, USSTS gives a novel and effective solution for the use of UWB signals in localization.     

基于多测量动态聚类的压缩感知增强成像方法

噪声环境下的稀疏信号重构可以转换为带约束的二次规划问题,通过正则化算法可以有效求解,而正则化参数却是影响重构质量的重要因素。广义交叉验证(Generalized Cross-Validation, GCV)算法是噪声未知条件下估计的有效算法,但当信噪比较低时却无法保证收敛于全局最优,导致重构图像信杂比降低,甚至造成目标丢失。为实现低信噪比环境下稀疏信号的稳健重构,该文提出基于多测量动态聚类(Multi-Measurement Dynamic Clustering, MMDC)的压缩感知(Compressive Sensing, CS)增强成像方法。新方法首先对初始观测数据进行多次随机抽取,然后通过CS处理获得重构图像序列,最后利用动态聚类算法实现对原信号的稳健重构,在改善重构图像质量的同时也有效地抑制了杂波。另外,鉴于GCV计算量大及MMDC对估计误差的不敏感,该文提出基于简化GCV算法的MMDC增强成像方法,仿真及实测数据的处理结果均验证了所提方法的有效性。     

一种改进的稀疏度自适应匹配追踪算法

压缩感知理论是一种充分利用信号稀疏性或可压缩性的全新信号获取和处理理论。针对未知稀疏度信号重构,提出了一种改进的稀疏度自适应匹配追踪算法。该算法首先利用一种基于原子匹配测试的方法得到信号稀疏度的初始估计,然后在稀疏度自适应匹配追踪(SAMP)框架下采用变步长分阶段思想实现稀疏度的逼近,在初始阶段利用大步长实现稀疏度的快速粗接近,以提高收敛速度,在随后的迭代中逐渐减小步长,实现稀疏度的精逼近,最终实现信号的精确重构。理论分析和仿真结果表明,该算法在一定程度上解决了SAMP算法在大稀疏度条件下运算量较大以及固定步长导致的欠估计和过估计问题,较好地实现了未知稀疏度信号的精确重建,并且重建性能和重建效率均优于现有的同类算法。      

基于压缩感知理论的雷达成像技术与应用研究进展

压缩感知理论基于信号稀疏性,将对信号采样转换为对信息自由度的采样,可大大降低采样率。而将压缩感知理论应用于雷达成像时有望在以下几个方面得到改善：增强成像性能,简化雷达硬件设计,缩短数据获取时间,减少数据量和传输量等。该文从压缩感知的稀疏性,压缩采样,无模糊重建3个关键步骤与成像雷达有机结合的角度,对近年来基于压缩感知理论的雷达成像技术研究现状进行系统综述,重点论述场景稀疏性与成像关系, 压缩采样方法(包括硬件)设计,场景图像快速高精度重建以及成像系统体制应用等方面,最后探讨了压缩感知理论应用尚需解决的问题和进一步发展方向。     

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。     

基于过完备字典稀疏表示的多通道脑电信号压缩感知联合重构

该文基于多通道脑电信号时空特性构建非正交变换过完备字典,准确稀疏表示蕴含时空相关性信息的多通道脑电信号,提高基于时空稀疏贝叶斯学习模型的多通道脑电信号压缩感知联合重构算法性能。实验选用eegmmidb脑电数据库的多通道脑电信号验证所提算法有效性。结果表明,基于过完备字典稀疏表示的多通道脑电信号,能够为多通道脑电信号压缩感知重构算法提供更多的时空相关性信息,比传统多通道脑电信号压缩感知重构算法所得的信噪比值提高近12 dB,重构时间减少0.75 s,显著提高多通道脑电信号联合重构性能。     

宽带协方差矩阵的多字典联合稀疏表示DOA估计

为了直接处理相干宽带信号和提高其波达方向估计的分辨率,提出一种基于宽带协方差矩阵的多字典联合稀疏分解估计方法。首先,利用多个频率点处的过完备基对其协方差矩阵进行稀疏表示,然后形成多个字典的多测量矢量稀疏表示模型,最后通过多字典稀疏表示系数的联合稀疏约束以求解稀疏反问题的形式实现宽带信号的波达方向估计。对于均匀线阵结构,多字典协方差矩阵稀疏表示系数的联合稀疏性使其不再受空域采样条件的限制,既可通过增大阵元间距提高分辨率,而又无空域混叠现象。通过对噪声功率的预估计抑制噪声,提高了波达方向估计的稳健性。另外,该方法与信号协方差矩阵的秩无关,对相干信号和不相干信号都适用。仿真实验验证了该方法的有效性。      

小斜视角下稀疏空域SIMO雷达运动目标成像方法

针对小斜视角下单发多收(SIMO)雷达对空运动目标单次快拍成像时天线数目较多的问题,提出了一种稀疏空域SIMO雷达运动目标成像方法。首先详细分析了小斜视角下SIMO雷达单次快拍成像原理,其次结合压缩感知理论具体阐述了小斜视角下稀疏空域SIMO雷达运动目标成像方法。该方法不仅能够对运动目标实现单次快拍成像,避免了非合作运动目标强加速、大转角等引起的运动补偿难题,同时又能够大幅减少接收天线单元数,便于工程实现。最后利用仿真实验验证了文中方法的有效性和可行性。     

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。     

基于压缩感知的稀疏阵列MIMO雷达成像方法

针对MIMO雷达对空目标单次快拍成像时天线数目较多问题,该文提出了一种稀疏阵列MIMO雷达的成像方法。首先分析了MIMO雷达天线的稀疏布阵方式,其次结合压缩感知理论具体阐述了稀疏阵列MIMO雷达的成像方法。该方法不仅能够对运动目标实现单次快拍成像,避免了目标机动带来的运动补偿难题,同时又能够大幅减少MIMO雷达的天线规模,便于工程实现。最后利用仿真实验验证了所提方法的有效性。     

一种基于混沌调频信号的稀疏雷达成像

稀疏雷达成像是指将稀疏信号处理理论引入雷达成像并有机结合而成的微波成像新方法。混沌调频信号是一种基于混沌映射产生的类噪声信号,与采用线性调频信号的雷达相比,它的波形之间互不相干且具有随机性,提升了雷达的隐蔽性能;其模糊函数形状为图钉形,增强了稀疏雷达成像中观测矩阵的列不相关性。利用支持分布式运算的交替方向法对稀疏场景进行重构,仿真实验表明,基于混沌调频信号的稀疏雷达成像可以在降低信号采样率的条件下对原始场景进行准确重建。     

基于非局部稀疏编码的超分辨率图像复原

基于压缩感知的超分辨率图像复原方法通常采用局部稀疏编码策略,对每一图像块独立编码,易产生人工的分块效应。针对上述问题,该文提出一种基于非局部稀疏编码的超分辨率图像复原方法。该算法在字典训练和图像编码过程中分别运用图像的非局部自相似先验知识,即利用低分辨率图像的插值图像训练字典,并通过计算相似块局部编码的加权平均,得到每一图像块的非局部稀疏编码。仿真实验表明,所提算法能够获得更优的复原效果,并且对于含噪图像具有较强的鲁棒性。     

基于压缩感知的外辐射源雷达分数阶杂波估计

参考信号信杂比(SCR)是评估外辐射源雷达积累增益损失的重要参数。利用数字电视地面广播(DTTB)辐射源中的PN序列进行信杂比估计时,将出现接收信号相对于本地帧头的分数阶时延问题,导致信杂比估计出现严重偏差。针对该问题,该文利用信号在时延维的稀疏性,提出基于压缩感知的信杂比估计算法。仿真结果表明,该算法对不同强弱的信号都能得到精确的时延和强度估计,从而保证了信杂比估计的准确性。实测数据处理结果表明,实测数据的参考信号信杂比较高,积累损失较小,约为0.5 dB;信杂比与基线距离有关,基线越长信杂比越低,积累损失越大。     

基于变分模态分解和压缩感知的弱观测条件下雷达信号重构方法

针对弱观测条件下雷达信号存在数据残损的问题,该文提出一种基于变分模态分解和压缩感知(VMD-CS)的雷达信号重构方法。首先通过变分模态分解对采样数据进行降解去噪处理,其次在压缩感知框架下构造观测矩阵、稀疏表示字典矩阵,然后基于正交追踪匹配(OMP)算法重构出稀疏表示向量。在此基础上利用离散余弦稀疏矩阵重构信号,实现对残损雷达信号的数据重构。在连续丢失数据和随机丢失数据两种情况下,对实际采集的线性调频(LFM)雷达信号进行仿真实验。实验结果表明：在数据连续丢失率不高于30%或随机丢失率不高于60%的情况下,该文方法能有效重构雷达信号,在时域、频域和瞬时频率上能够准确逼近原始信号。     

基于贝叶斯压缩感知的合成孔径雷达高分辨成像

基于压缩感知(CS)的合成孔径雷达成像方法可以显著减少数据采样时间、数据量以及节省信号带宽。然而,基于CS的方法对噪声和杂波相当敏感,在信噪比较低的时候,成像质量较差。该文结合CS理论提出了合成孔径雷达中的随机孔径贝叶斯压缩感知(BCS)高分辨2维成像方法。在距离向应用CS减少采样数据的同时,在方位向随机抽取部分孔径位置发射和接收信号,以少量的测量孔径和测量数据获得重建目标空间的足够信息。基于贝叶斯的分析方法由于考虑了成像场景中的杂波以及压缩采样过程中的加性噪声,因而能够更好地重建目标空间。仿真结果表明,基于贝叶斯方法得到的图像比基于FFT方法得到的图像更加尖锐,比基于CS方法得到的图像更加稀疏,因而具有更高的分辨率。