基于稀疏预处理和循环观测的语音压缩感知

基于压缩感知原理提出将语音信号DCT域上的小系数在一定阈值下置零预处理来改善变换域稀疏性;用三种方法构造循环观测矩阵作为观测矩阵来代替高斯随机矩阵,并证明了构造的观测矩阵与DCT基之间的非相关性;利用OMP正交匹配追踪方法对观测信号进行恢复。仿真实验结果表明,预处理后使用循环观测在不同压缩率下有更低的重构误差,同时分析各帧信噪比情况保证在比较低的压缩率下仍能得到良好的主观评估。     

基于线性预测分析的语音信号压缩感知*

根据语音信号的特点,提出了一种基于线性预测分析的合成矩阵作为语音信号的稀疏变换域,并验证了语音信号在该域上的稀疏特性。由语音信号和随机高斯矩阵构造相应的观测,采用正交匹配追踪算法重构原始语音信号。实验表明,语音信号在新的变换域上的重构性能要优于DCT域,且具有较高的分段信噪比和平均意见得分。     

基于压缩感知的CoSaMP算法自适应性改进

压缩感知重构算法在实际应用中需要预知信号稀疏度,而信号的稀疏度通常是未知的.为此,改进压缩采样匹配追踪(CoSaMP)算法的自适应性,提出一种稀疏度自适应贪婪算法.对信号稀疏度进行初始估计,结合SAMP算法思想,以残差值比对为终止条件,在CoSaMP算法框架下进行稀疏度逐步增大的递归运算,实现精确重构.仿真实验结果证明,该算法重构精度高、抗噪能力强,同时具备稀疏度自适应的特点.     

基于小波变换和压缩感知的语音信号压缩研究

对语音信号直接进行压缩感知处理,通常压缩的效率不高。针对此问题提出了一种基于压缩感知和小波变换的方法,首先用小波变换的方法对语音信号进行级数分解,然后采用压缩感知的方法对小波低频系数进行压缩,并丢弃高频系数,重构语音信号时高频系数用随机信号来取代。采用此种小波变换的方法,与直接采用压缩感知的方法相比,前者的语音信号MOS值稍有降低,但压缩率比直接压缩感知的方法降低了一倍,说明此方法可大大提高压缩的效率。     

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。     

基于压缩感知的实时心电信号压缩算法

远程无线心电实时监护系统的心电采集终端基于嵌入式设备开发,系统资源和网络带宽都收到限制,这要求系统设计具有低功耗和数据实时压缩的功能,因此引入压缩感知算法对心电信号进行处理。压缩感知算法具有编码计算简单快速,解码计算相对复杂的特点。对于心电信号,需要对压缩感知算法在实时心电压缩系统中的可行性进行研究。     

基于空时压缩感知算法的蜂窝流量预测

针对蜂窝网络中,基站发射功率不能有效根据小区内峰值流量实时调整而造成蜂窝网络能量浪费这一问题,提出一种基于阈值控制的正则化正交匹配追踪（BT-ROMP）蜂窝流量预测算法。该算法利用小区内用户行为在时间与空间上的周期平稳变化特性,构建蜂窝流量块稀疏模型;利用阈值有效筛选出正则化漏掉的次优原子,扩大原子候选集,达到减少算法迭代次数与提高重构精度的目的。仿真结果表明,本文算法较正则化正交匹配追踪算法（ROMP）,算法预测精度平均提高0.01。     

压缩感知框架下基于ROMP算法的图像精确重构

在压缩感知框架下运用正则化正交匹配追踪(ROMP)算法进行图像重构时,迭代次数取值不合适会严重降低重构图像的质量。针对这一问题,提出了确定合理迭代次数的方法。将以往迭代得出的结果作为先验知识,获取具有不同稀疏程度图像块的最佳迭代次数,从而保证了整幅图像的重构质量。实验表明,该方法重构效果优于采用固定迭代次数的ROMP算法。     

基于压缩感知改进算法的MIMO-OFDM稀疏信道估计

结合压缩感知理论（CS）,针对压缩采样匹配追踪算法在多输入多输出正交频分复用（MIMO_OFDM）系统信道估计应用中需要利用信号稀疏度的先验条件,而实际中稀疏度又难获得的情况,提出一种信号稀疏度自适应的压缩采样改进匹配追踪算法（CoMSaMP）。该算法采用具有理论支撑的原子弱选择标准作为预选方案,并设置首次裁剪阈值来减少算法多余的迭代,降低算法在信道估计中的复杂度,裁剪方式的改进保证了重构精度的提高,最终实现MIMO-OFDM稀疏信道估计中信号的稀疏度自适应。仿真结果表明：与原算法相比,该算法在同等信噪比条件下具有更优的信道估计性能,从而提高了频谱利用率,同时降低了复杂度,在稀疏度较高时,提出的算法具有更好的对噪声的抗干扰能力。     

基于压缩感知的图像重建算法性能分析

压缩感知理论的提出和分析大都侧重于一维稀疏信号或在变换域稀疏的信号,不利于应用于图像信号。文章以正交匹配追踪（Orthogonal Matching Pursuit,OMP）算法为例,分析了该算法的原信号的稀疏度对重建质量的影响,给出了该值的参考范围。同时,对于图像信号的重建,对比了分块和分行方案在重建效果和耗时上的差异。结果表明,当子块大小合适时,可以在重建质量和耗时方面实现较好的平衡。     

改进OMP算法在人脸识别中的应用

分析稀疏表示的人脸识别方法的基本原理,针对采用基于正交匹配追踪(OMP)的稀疏表示算法时,所获得稀疏系数存在负值的问题,提出一种改进的正交匹配追踪算法。通过对稀疏系数的大小进行直接约束,减少负值稀疏系数的产生及算法迭代次数,并提高人脸识别速度。在ORL人脸数据库中的实验结果证明,改进后算法的识别率比原有算法提高了3%,迭代次数设置为7次最为合理。     

基于压缩感知的图像快速重建方法

基于多种稀疏变换基和观测矩阵的组合,采用正交匹配追踪算法对图像进行重建。在分析各种组合重建效果的基础上,提出一种图像快速重建方法,对图像进行一级小波分解,提取出近似分量子图像,运用压缩感知技术对其进行恢复,综合细节分量和恢复出的近似分量进行小波逆变换,得到重建图像。实验结果表明,该方法在相同的观测值条件下,能减少算法运行时间,提高重建图像质量。     

基于OpenMP的压缩感知并行处理算法

针对压缩感知重建算法复杂度高、运行时间长等缺点,提出一种应用于多核处理器的压缩感知并行算法。在认真分析压缩感知算法的基础上,利用OpenMP对压缩感知的编码测量和正交匹配追踪(OMP)算法进行并行处理,提升程序的性能。实验结果表明,随着线程数的增加,程序的执行效率显著提高,加速比呈线性增长; 并且重构过程越复杂,其性能优化越明显。     

基于压缩感知的人脸识别方法

基于稀疏重构的分类方法具有较好的识别效果,但计算复杂度高。为此,提出基于压缩感知的人脸识别方法COMP,将L1范数最小化重构算法替换成正交匹配追踪(OMP)算法,以降低复杂度,并在OMP中引入模式类别信息,使该方法具有更强的分类能力。基于YaleB人脸库的实验结果表明,COMP在低维度时识别率高于OMP。     

基于改进层式DCT的压缩感知图像处理

为改善图像压缩质量,提出一种基于改进层式离散余弦变换(DCT)的压缩感知图像处理方法。该方法保留层式DCT变换的最高层系数,只对其余层高频子带系数进行压缩感知随机测量。利用正交匹配追踪算法对高频系数进行恢复,通过DCT反变换重构图像。实验结果表明,与基于层式DCT的方法相比,在相同压缩比的情况下,该方法重构图像的峰值信噪比较高。     

基于压缩感知的协同OFDM稀疏信道估计方法

针对频率选择性衰落信道下的放大转发协同正交频率复用(OFDM)通信系统,提出一种基于压缩感知理论的稀疏信道估计方法。首先,构造协同OFDM系统模型,利用循环矩阵理论,将该系统模型变换成类似于传统的点对点系统模型,该模型由一个协同卷积信道矢量和等效的观测矩阵组成;然后,通过压缩感知理论证明,该等效矩阵以很高的概率满足严格等距特性(RIP);最后,利用压缩感知算法重构卷积信道脉冲响应。与传统的线性信道估计方法相比较,所提方法能够利用较少的训练序列达到稳健的信道估计,有效地提高频谱资源利用率,且具备计算复杂度低的特点。仿真结果验证了该方法的有效性。     

基于Curvelet变换的图像压缩感知重构

压缩感知主要采用离散余弦变换(DCT)和正交小波进行图像的稀疏表示,但是DCT时频分析性能不佳,小波方向选择性差,不能很好地表示图像边缘的信息。为此,利用Curvelet变换具有的多尺度、各向奇异性、更高稀疏表示性能等特性,提出基于Curvelet变换的图像压缩感知重构算法,采用Curvelet对图像进行稀疏表示和小波域阈值处理,以此解决信号重构噪声问题。实验结果证明,与传统小波变换和Contourlet变换相比,该算法在Lena图像上峰值信噪比平均提高了1.86 dB和1.15 dB。将Curvelet变换应用于压缩感知,能使图像边缘和平滑部分得到最优的表示,图像细节部分重构效果得到大幅提升,有效提高图像整体重构质量。     

基于压缩感知理论的图像信号含噪的重构算法

针对含噪情形下机器人视觉图像信号重构问题,提出了一种基于小波变换的变步长自适应分块压缩感知重构算法.首先,对含噪图像信号进行离散小波变换,从而达到很好的去相关性;其次,对变换后的图像信号进行分块,对每个图像子块信号进行测量;接着,对每个子块测量信号进行变步长自适应匹配追踪重构计算,得到每一图像子块的重构值,并将其整合得到整幅图像的重构值;最后,对该算法进行了仿真研究.结果表明,相比传统重构算法,本文方法针对含噪图像具有更高的重构质量.