基于互交替投影的块稀疏正交匹配追踪算法

针对块稀疏信号,理论分析和实验验证均表明算法精确重构的充分条件与矩阵块相关性和子相关性有关。在此基础上,提出了一种基于互交替投影的块稀疏正交匹配追踪算法(mutual alternating projection-block or-thogonal matching pursuit,MAP-BOMP)。该算法利用互交替投影方法不断构造新的测量矩阵和感知矩阵,使得矩阵块相关性和子相关性都很小,从而提高重构概率,并给出明确的算法收敛条件,降低了计算复杂度。通过与大多数已有块稀疏信号重构算法进行实验仿真对比,该算法在重构效果和重构速度上均优于其他算法。     

采样列化的切比雪夫混沌测量矩阵构造算法研究

压缩感知利用信号的稀疏性,无损地从低维测量信号中恢复高维度稀疏信号,近年来得到极大发展。然而,目前存在的测量矩阵中大多存在元素相关性高等问题,无法保证恢复效果的精确性,大大制约了它们的应用前景。基于此,通过引入切比雪夫混沌系统,提出一种基于采样列化的切比雪夫混沌感知测量矩阵(SC3M)。不同于经典的相对独立取值的构造方法,SC3M矩阵通过对切比雪夫混沌序列做采样列化及归一化处理等操作来确保矩阵的低列相关性,以优化重构效果。进一步,结合Johnson-Lindenstrauss引理严格证明了其满足约束等距特性(RIP),给提出的测量矩阵的应用提供了扎实的理论依据。实验仿真表明,提出的混沌测量矩阵能确保良好的信号和图像重构精度,明显优于纯随机矩阵、伯努利矩阵和高斯矩阵等其它经典测量矩阵。     

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。     

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.     

基于数乘移位寄存器随机滤波的压缩感知

针对随机滤波产生的测量矩阵中行向量间相关性大,重构效果不理想的问题,提出了一种数乘移位寄存器随机滤波问方法.利用数乘移位寄存器反馈线上存有固定值的乘法器,改变了测量矩阵单调循环的结构,减小了行向量之间相关性.分析了数乘移位寄存器随机滤波在一维稀疏信号、二维图像中的重构效果.仿真结果表明,数乘移位寄存器随机滤波具有良好的重构效果,且优于传统随机滤波和部分Hadamard矩阵、Gaussian矩阵.     

基于Legendre序列的确定性测量矩阵

近年来,压缩感知理论飞速发展。很多压缩感知的应用中,信号的测量可以通过卷积滤波和之后的二次采样完成。在此基础上,实现了一种由勒让德（Legendre）序列构造的矩阵。该矩阵在经过二次采样之后,得到一种新的确定性测量矩阵。对于一个K-稀疏的信号,通过该测量矩阵可以对信号进行稳定的恢复重建。据仿真结果显示,在对K-稀疏信号进行恢复的过程中,该测量矩阵的恢复效果与高斯随机测量矩阵的应用效果相当。     

部分哈达玛矩阵分段弱正交匹配追踪算法

为解决分段弱正交匹配追踪算法在测量过程中难以获得高精度重构信号的问题,首先对以高斯矩阵为测量矩阵的传统SWOMP算法进行了分析,指出问题的关键在于高斯矩阵列相干性过大会影响残差信号的匹配过程,从而导致部分信号丢失,使重构精度下降;然后,根据分析提出了一种基于部分哈达玛矩阵的分段弱正交匹配追踪(PH-SWOMP)算法,其中部分哈达玛矩阵根据偶数行抽取原则进行构造,可以显著降低测量矩阵的互相关性;最后,通过与传统SWOMP算法的图像重构对比仿真实验对PH-SWOMP算法性能进行了验证,其中传统SWOMP算法分别选取高斯矩阵、托普利兹矩阵等4种矩阵作为测量矩阵.仿真结果表明,在相同条件下,相比于传统SWOMP算法, PH-SWOMP算法信噪比最大提高了53.95%,相应的重构时间缩短了15.41%,具有更小的恢复残差以及更高的信号重构成功率.     

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。     

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。     

基于波浪式矩阵置换的稀疏度均衡分块压缩感知算法

基于矩阵置换的分块压缩感知（BCS）引入矩阵置换的策略,使复杂子块和稀疏子块向介于两者中间的稀疏度水平变化,用单一采样率采样时可以减少块效应,但仍存在块间稀疏度均衡效果较差的问题。为了得到更好的重构效果,提出基于波浪式矩阵置换的稀疏度均衡BCS（BCS-RMP）算法。首先,在采样前对图像进行矩阵置换的预处理,通过波浪式置换矩阵对图像各子块的稀疏度进行均衡;然后,采用相同的测量矩阵对子块进行采样,在解码侧进行重构;最后,通过波浪式置换逆矩阵对重构结果进行逆变换得到最终的重构图像。仿真结果表明,与现有矩阵置换算法相比,当选择合适的子块大小和采样率时,所提波浪式矩阵置换算法可有效提高图像的重构质量,且能更准确地体现细节信息。