基于压缩感知的SAR宽带干扰抑制方法

压缩感知合成孔径雷达成像能够利用较少的观测数据清晰的恢复目标图像,但当回波中存在宽带压制干扰时,会严重破坏场景稀疏性,造成成像质量恶化。研究了一种基于选择性测量的自适应压缩感知宽带压制干扰抑制方法,通过构造一种压缩域投影滤波器并结合噪声联合检测算法,自适应感知干扰的位置信息,对合成孔径雷达（SAR）回波信号进行选择性测量,从“源头”上避免了干扰对SAR目标回波信号稀疏性的影响。仿真结果表明,该方法在减少SAR系统处理数据量的同时,使SAR成像质量明显提高,证明了该方法的有效性。     

基于压缩感知技术的电磁脉冲信号测量方法

电磁脉冲信号的详细衍变过程,特别是其陡峭前沿的变化信息,有助于深入理解电磁脉冲信号产生及传播过程,它对于我国国防和自然科学的发展都有着极其重要的科学和实践意义。本文提出一种基于三路并行低速模数转换器(TPL)的模拟信号压缩感知技术,通过对传感器输出的电磁脉冲信号进行欠采样(信号的采样频率低于奈奎斯特采样定理的要求),得到并恢复被测电磁脉冲信号的高速采集波形。基于TPL压缩感知技术的应用,可以降低被测电磁脉冲信号陡峭前沿对后端电子ADC采样速率的要求。本文针对TPL实现过程中稀疏字典、观测矩阵的建立方法,以及信号的重构方法进行了深入地研究,创新性地提出基于KSVD的原子数自适应字典构建方法。在此基础上,通过仿真和实验测试了TPL系统对电磁脉冲信号的压缩感知采集效果,以此验证了该方法的可行性。     

宽带跳频信号的压缩采样与重构

传统的宽带跳频信号受Nyquist采样定理的限制,所需的采样率高,数据量大,对硬件的要求高。为了突破Nyquist采样定理的限制、降低采样率,研究了2种基于压缩采样原理的模拟到信息转换方法———随机解调系统与宽带调制转换器,并应用2种方法把压缩感知理论应用到宽带跳频信号采集中去,对宽带跳频信号进行压缩采样与重构。仿真结果验证了2种方法的正确性和利用压缩感知理论对模拟宽带跳频信号采集的可行性。     

一种利用相关性优化压缩感知测量矩阵的方法

传统的采样方法要求采样频率不小于奈奎斯特频率的2倍,然而采集到的数据存在很大程度的冗余。压缩感知方法则利用少量的非适应线性测量就能够实现对原始信号压缩采样,进而也能精确的恢复出原始信号,因此压缩感知中测量矩阵的研究具有重要的理论意义。提出了一种基于梯度迭代实现对测量矩阵的优化方法。实验表明利用梯度迭代方法优化的测量矩阵恢复得到图像的PSNR,高于Valid提出方法恢复图像的PSNR,以及未优化的测量矩阵恢复图像的PSNR。另外梯度迭代方法改善了G矩阵中非对角元素的分布情况,更集中分布在0附近,达到了测量矩阵与稀疏矩阵的互相关系数减小的目的。     

基于压缩感知的智能电能表信号压缩

需求响应与功率分解等复杂任务对于高采样率功率信号的精确获取提出了更高的要求。针对这一问题,设计一种基于压缩感知(Compressed Sensing,CS)的智能电能表功率信号压缩方法,以支持智能电能表的窄带宽、低能耗条件下的信号传输。分析了各类负载的特性,提出了对于智能电能表功率信号的经验模型,作为信号压缩的基础。通过实验验证了经验模型的有效性,并得到了适用于压缩感知方法的最优表示矩阵与投影矩阵生成方案,说明了压缩感知方法相比基于小波变换的压缩方法在信号重建效果上的优势。     

一种基于LDPC矩阵的压缩感知测量矩阵的构造方法

在一些对采样数据速率有严格要求的实际应用中,对低采样率的压缩感知具有广泛需求。基于LDPC矩阵的特点,提出了一种类似托普利兹矩阵的压缩感知测量矩阵,所提出的测量矩阵构成方法易于实现。仿真结果表明,在低采样率的情况下,采用本文所提方法构造的测量矩阵不仅有着与常用稀疏测量矩阵相比更好的稀疏性,且将其用于图像压缩感知时可获得较好的图像重构质量。     

三相电能质量扰动信号压缩方法研究

提出了一种基于压缩传感的三相电能质量数据压缩新方法。首先,将时间t内的三相电能质量扰动信号转换为3t时间内的一维信号;然后,将传统的多频带融合问题理论应用于压缩感知稀疏基设计中,构造稀疏基;最后,选取高斯随机矩阵作为观测矩阵,OMP算法作为重构算法,重构三相电能质量扰动信号并利用MATLAB进行仿真。实验结果表明,该方法可以有效压缩三相电能质量数据,实现三相电能质量扰动信号同时处理,并同时检测出多项性能指标参数。     

面向用电侧电能质量监测的时空压缩感知方法

针对当前电能质量监测采样数据量庞大、前端数据计算处理负荷激增的问题,提出了一种自检测电能质量数据时空压缩感知方法。该方法采用压缩感知理论突破了基于奈奎斯特采样定律的传统采样方式需要大量传输数据的瓶颈;并充分考虑多个同类型测量对象的数据相关性,将不同小区的用电数据投射为二维矩阵,通过二维离散余弦变换稀疏基变形推导实现时空压缩感知;且针对冲击脉冲信号重构识别不稳定提出脉冲自检测机制与压缩感知模型结合;最后经实验证明该方法能实现电能质量数据的准确重构、提高传输数据压缩率、缩短采样重构周期从而增大控制中心可处理数据容量,提高工作效率。     

基于确定性测量矩阵与变阈值SAMP的超高次谐波检测算法

随着电网中采用高频电力电子器件制造的设备逐渐增多,配电网中的超高次谐波现象已经成为了一种亟需解决的新型电能质量问题。相较于传统谐波检测方法采样超高次谐波信号时产生的巨大数据量,压缩感知作为一种新型信号处理方法,在使用测量矩阵对稀疏信号进行亚采样后通过重构算法用较少的数据就能精确地恢复原始信号,有效降低了对采样端硬件的要求。提出了一种基于确定性测量矩阵与变阈值SAMP算法的压缩感知超高次谐波检测算法。首先该方法采用了一种由确定性随机序列构造的测量矩阵,这种确定性测量矩阵的结构与随机测量矩阵相比更易于传输与存储,同时具有和高斯随机矩阵相同的重构性能。其次,针对SAMP重构算法在频谱泄露时易发生稀疏度过估计的问题,提出了一种改进的变阈值SAMP算法,设置一个动态的阈值来控制算法中内积的选取,减少迭代中的误选。改进算法提高了超高次谐波检测的精度,降低了因频谱泄露和噪声造成的误差且更容易硬件实现。最后,通过仿真和实测结果证明了改进算法的准确性和有效性。     

基于静态阈值的无线体域网压缩感知心电降噪重构

心电监测作为无线体域网的一种重要应用,对心电信号重构精度要求较高,并且无线体域网中存在低功耗问题。现有的心电信号压缩感知重构算法虽然降低了功耗,但并未充分利用心电信号频域特性,造成重构精度不高。提出了一种基于静态阈值的无线体域网压缩感知心电降噪重构方法。该方法利用压缩感知理论,在传感器节点利用固定矩阵对心电信号进行观测,观测值被发送至汇聚节点后,再利用基于静态阈值的重构算法对心电信号进行降噪重构。仿真结果表明,该方法具有信号重构精度高、速度快和降噪性能好的优点。     

基于CS阵列的DOA估计

基于目标在空域分布稀疏的性质,通过引入压缩感知(Compressive Sensing或Compressive Sampling,CS)理论的思想,提出一种基于奇异值分解的压缩采样阵列(SVD-CSA)DOA估计算法。首先建立DOA压缩感知模型,根据阵列结构建立过完备原子库,然后对压缩采样阵列结构输出的数据矩阵进行奇异值分解,最后基于范数约束的最优化问题的目标函数将信号子空间分解到最佳基向量上,实现了空域信号DOA的高分辨估计。相对于已有算法,该算法减少了硬件复杂度,具有较低的运算量,且能够对相干信号进行有效DOA估计。实验仿真验证了其有效性。     

动态压缩感知理论研究综述

动态压缩感知是静态传统压缩感知向动态信号的拓展,广泛应用于医学上的磁感应成像和目标追踪等领域。 由于工程 中的动态信号在某一转换基下具有随时间缓慢变化的稀疏特性,因而可以运用欠定的测量矩阵对其进行压缩。 动态压缩感知 理论主要包括动态信号的稀疏表示、动态压缩测量过程和动态信号的重构 3 个方面的研究内容。 全面综述动态压缩感知的基 本概念,归纳总结现有动态压缩感知理论中对动态信号的建模方法;对已有的动态信号重构算法进行了归类,并详述了各类算 法的计算思路;最后介绍了动态压缩感知的典型应用,并对动态压缩感知信号重构算法的研究前景进行了探讨。     

功率因数的实时精确测量方案探讨

在对传统的功率因数测量方法分析的基础上 ,提出了电力系统中的功率因数的基本算法 :即基于工频量的功率因数的求取方法。传统的测量方法 ,没有很好地考虑系统的不对称性所造成的谐波以及非周期分量对功率因数测量的准确性的影响 ,测量精度不够。本文提出的基于DSP技术的功率因数测量方法 ,充分利用DSP的计算功能 ,对电压、电流的采样序列信号 ,先进行带通滤波 ,再进行傅氏滤波 ,基本上消除了非周期分量及各次谐波对功率因数测量的影响 ,得到完全的基于工频的功率因数。前置的数字式软件带通滤波能够弥补常用的硬件低通滤波的缺点 ,能得到工频附近的频带信息 ,该信息再进行傅氏滤波 ,能够得到工频分量的电压、电流 ,从而可以得到基于工频分量的功率因数。     

m序列伪随机动态测试信号建模与压缩检测方法

针对智能电网中动态负荷对电能计量的影响问题,建立了m序列伪随机动态测试信号的参数模型,并分析了该测试信号的统计特性;证明了该动态测试信号的频域稀疏性,采用压缩感知理论建立了伪随机动态测试信号的压缩感知检测系统模型,采用稳态优化方法构建了压缩感知测量矩阵;在此基础上,针对m序列伪随机动态测试信号,提出了电能量值的压缩感知测量方法;仿真分析了长度为255位、511位、1023位单周期和多周期m序列动态测试信号的相对误差,误差均小于10~(-12),可忽略不计,表明所提压缩感知测量方法能够准确测量伪随机动态测试信号的电能量值。     

基于FPGA的雷达实时测速系统硬件设计

伴随着社会科技与经济的高速发展,对测量速度的需求越来越多.雷达测速数据实时处理系统作为测速系统中的核心设备之一更是决定着速度测量的实时性和精度,研制高精度的实时数据处理系统对于国家安全和发展有着非常重要的战略意义.针对目前测速设备中实时信号处理系统实时性能差的问题,提出了一种利用嵌入式技术与数字信号处理技术相结合的硬件设计方案.这种方案以FPGA为核心,完成信号处理和对外设的控制.实验数据表明,系统对低频信号和高频信号都能够得到较好的采集性能,能够满足应用需求.     

一种高鲁棒性数字水印算法的FPGA实现

传统上数字水印算法使用软件方法实现.基于一种高鲁棒性的数字水印算法,研究了使用FPGA实现水印嵌入的方法.先通过提升小波变换将宿主图像进行3次分解,并用混沌置乱算法将水印图像进行置乱加密,然后将第3阶小波分解的LL部分进行SVD分解并得到对应的奇异值矩阵,然后将混沌置乱加密后的水印信息嵌入到该奇异值矩阵中.在该算法的FPGA实现中,主要研究了提升小波变换、混沌置乱加密、矩阵SVD分解的硬件实现方法.实验结果表明,该算法鲁棒性很高,嵌入水印的图像抗攻击性强,算法经过合理推导得以在FPGA上高效地实现.     

基于分布式压缩感知的双通道SAR GMTI

地面动目标检测(GMTI)是合成孔径雷达(SAR)的基本功能之一。多通道SAR系统相比于单通道SAR系统在动目标检测方面具有很多的优势,但是它的原始数据量也相应成倍的增长。本文提出一种基于分布式压缩感知(DCS)的双通道SAR GMTI数据压缩方案。该方案主要是利用动目标信号的稀疏性来进行数据压缩,因此在观测场景不稀疏的情况下也能使用。仿真和实测数据的处理结果均表明,该方案不仅能有效地降低双通道SAR GMTI的数据量,所得动目标图像的信杂噪比相对于传统的DPCA方法也有所提高。     

Design and performance analysis of LMS algorithm based adaptive filter embedded with CFAR detector under non‐homogeneous clutter scenarios

The paper presents performance analysis of least‐mean‐square algorithm based adaptive filter embedded with constant false alarm rate (CFAR) detector for the purpose of better detection of target under non‐homogeneous clutter environment in radar application. The objective of this paper is to develop a method by redesigning the radar detector in such a way to emphasize the target response and de‐emphasize the clutter response. The hardware implementation using pipeline technique for the adaptive filter reveals its capability to support high sampling frequency, which is an ardent necessity for high performance radar. The moderate area‐delay‐product and low power consumption have made it suitable for hardware realization for such application. The extensive MATLAB simulation of proposed design shows remarkable improvement of detection performance in terms of signal‐to‐noise ratio of 17 dB considering probability of detection at 0.8 over the generic cell averaging CFAR (CA‐CFAR). Copyright © 2015 John Wiley & Sons, Ltd.     

基于多通道采样和注意力重构的图像压缩感知

近年来用于图像压缩感知的深度学习网络得到广泛关注,深度学习网络可以实现图像的压缩采样,并从采样数据重构出原始图像。但现有的压缩感知算法在信息分布不均匀的图像场景中,无法有效提取原始图像信息,导致重构精度较低。针对上述问题,本文提出了基于多通道采样和注意力重构的图像压缩感知算法。该算法包含了多个不同采样率的采样通道,能够根据视觉显著性对图像不同区域应用不同的采样率,使得采样数据中能够包含更多原始图像信息。重构采用了残差通道注意力结构,自适应调整通道特征来提高网络的表示能力。通过对比实验表明,本文提出的基于多通道采样和注意力重构的图像压缩感知算法能够取得更好的重构质量与视觉观感。