编码超声稀疏采样仿真研究

编码超声可以在不增加发射能量的前提下提高平均发射声功率,进而有效提高微小目标体的检出率,增加检测深度,提高目标体成像分辨率。而稀疏采样技术可以有效减少采集数据量,提高检测算法实时性。将二者的优点结合,在高频、超宽带以及多传感器超声阵列实时检测与成像领域有重要研究价值。为此,提出了一种编码超声有限新息率稀疏采样方法,该方法在建立编码超声信号稀疏采样构架的基础上,通过脉冲压缩技术实现编码超声信号的时域压缩,并通过仿真实验对3位二进制编码超声信号进行了稀疏采样与参数重构。仿真结果表明,该方法可实现编码超声信号的稀疏采样,在减少数据量的同时准确重构出原信号。     

光子学压缩感知技术研究进展

压缩感知是近来发展的一种新型的信号获取方法。根据压缩感知理论,频域稀疏信号可以以远低于奈奎斯特定律所规定的采样率进行采样和高精度的恢复。压缩感知在宽带信号获取中的应用将有利于降低对模数转换器的要求。最近,利用光子学技术实现基于压缩感知的稀疏信号获取引起了相关领域的广泛兴趣。光子学技术及其相关器件的应用可以大大提高系统的带宽,使得光子学压缩感知成为超宽带稀疏信号获取的一种很有前景的方法。本文综述了光子学压缩感知技术在稀疏信号获取中应用的研究进展,并给出一些研究成果。     

压缩感知及应用

传统的信号采样必须遵循香农采样定理,产生的大量数据造成了存储空间的浪费.压缩感知(CS)提出一种新的采样理论,它能够以远低于奈垒斯特采样速率采样信号.压缩感知的基本论点是如果信号具有稀疏性,可投影到一个与变换基不相关的随机矩阵并获得远少于信号长度的测量值,再通过求解优化问题,精确重构信号.本文详述了压缩感知的基本理论,压缩感知适用的基本条件:稀疏性和非相干性,测量矩阵设计要求,及重构算法的RIP准则,并介绍了压缩感知的应用及仿真.仿真结果表明当采样个数大于K×log(N/K),就能将N维信号稳定地重建出来.     

基于块稀疏贝叶斯学习的体域网心电压缩采样

为有效提高体域网的实时性和降低体域网的功耗,提出一种基于块稀疏贝叶斯学习的体域网心电压缩采样方法。该方法在体域网框架下,利用压缩采样理论,在体域网的传感节点利用二进制随机观测矩阵对心电信号进行压缩采样,远程监护中心获得采样值之后,利用块稀疏贝叶斯学习重构算法和离散余弦稀疏变换矩阵对心电信号进行重构。实验结果表明,当心电信号压缩率在70%~90%时,基于块稀疏贝叶斯学习的重构算法要比其他重构算法的重构信噪比高出3 dB~21 dB。该方法能有效减少数据采样,减轻后续的数据存储、数据传输压力,提高体域网的实时性。同时该方法具有功耗低,易于硬件实现的优点。     

基于压缩传感的小电流接地故障选线方法

为了解决小电流接地故障选线中信号的采样、传输和存储问题,提出了一种基于压缩传感的小电流接地故障选线方法。该方法不用考虑奈奎斯特采样频率的限制,实现了对故障信号的低频采样。采样信号是有选择性的部分信号,通过设计重构算法来准确恢复原始信号。考虑到一般条件下信号稀疏度不确定性,采用一种交替乘子方向法(ADMM)来重构稀疏度不确定的信号。通过采用快速傅里叶变换矩阵与高斯随机矩阵,并和交替乘子方向法相结合,能够很好地实现信号压缩重构。仿真结果表明,在信号稀疏度不确定的情况下,该算法重构信号效果较好,可以在实际工程中大量推广。     

基于压缩感知的局部场电位信号重构算法研究

研究局部场电位信号(Local Field Potential,LFP)的重构问题.依据传统的采样定理对LFP信号进行采样,将会产生庞大的数据量,为LFP信号的传输、存储及处理带来巨大压力.为降低LFP信号的采样速率,减少有效的采样样本,提出压缩感知的局部场电位信号重构的新方法.利用LFP信号在变换域上的稀疏性,通过随机高斯测量矩阵将LFP信号重构模型转化为压缩感知理论中的稀疏向量重构模型.仿真结果表明,采样速率为奈奎斯特采样速率的一半即可准确重构LFP信号,且正交匹配追踪(OMP)重建算法要优于基追踪(BP)重建算法;当选用离散余弦矩阵(DCT)作为稀疏表示矩阵时,信号在正交匹配追踪和基追踪两种重构算法下都有很高的重构精度.     

CSMP:基于约束等距的压缩感知匹配追踪

压缩感知包括压缩采样与稀疏重构,是一种计算欠定线性方程组稀疏解的方法.大规模快速重构方法是压缩感知的研究热点.提出一种匹配追踪算法CSMP,采用迭代式框架和最佳s项逼近以逐步更新信号的支集与幅度.基于约束等距性质进行收敛分析,算法收敛的充分条件为3s阶约束等距常数小于0.23,松弛了匹配追踪重构s稀疏信号的约束等距条件,加快了收敛速度.为适用于大规模稀疏信号重构,提供了可进行随机投影测量子集与稀疏基子集选择的矩阵向量乘算子,可利用离散余弦变换与小波变换,避免了大规模矩阵的显式存储.在220随机支集的稀疏高斯信号,512×512Lenna图像上进行压缩采样与稀疏重构实验并与其他算法进行比较,结果表明所提算法快速稳健,适用于大规模稀疏信号重构.     

如何解决基不匹配问题:从原子范数到无网格压缩感知

压缩感知理论能够以远低于经典Nyquist速率进行采样, 采用非自适应线性投影获得了保留信号有用信息的少量观测点, 并通过求解最优化问题精确重构原始信号.压缩感知理论大大缓解了信号采样、存储和传输的巨大压力, 在计算机科学、电子工程和信号处理等领域具有广阔的应用前景.信号的稀疏表示是对信号进行压缩采样和重构的前提, 即假设信号在某个变换基(傅里叶基、小波基等)下是稀疏的, 这些基可以看作是用于描述信号参数空间的有限离散字典.然而在如雷达、阵列信号处理、通信等领域的应用中, 信号的参数空间是连续的, 在假定的离散变换基下并不稀疏, 这种基不匹配问题会严重影响信号重构精度.本文首先介绍了基不匹配产生的原因及其对重构精度的影响, 接着从原子范数出发, 综述了无网格压缩感知的理论框架和关键技术问题, 着重介绍了一维和多维无网格压缩感知的最新研究进展, 最后对其在信号处理等领域的应用进行了探讨.     

基于压缩感知的电力系统故障选线研究

为了解决电力系统故障选线中信号的采样、传输和存储问题,提出了一种全新的基于压缩感知理论的信号压缩的方法.该方法的采样频率不用考虑奈奎斯特采样频率.采样的信号是有选择性的部分信号.并通过设计重构算法来准确恢复该全部信号.考虑到一般条件下信号稀疏度不确定性,采用一种分割增广拉格朗日收缩算法(SALSA)来重构这些稀疏度不确定的信号.通过采用快速傅里叶变换基与高斯随机矩阵并且和SALSA相结合能够很好地实现信号压缩重构.对重构信号采用小波分解,获取重构信号的主要特征,分析零序电流模极大值的极性,找出其中一条与另外两条零序电流模极大值极性不同的线路,从而确定此线路为故障线路.     

改进SA-SP算法的路面不平度信号压缩感知采集研究

为大幅度减少采集路面不平度信号的存储空间,提高采集速度,基于压缩感知理论针对标准路面的不平度信号进行压缩采样和重构。首先验证了B级路面不定度信号在频域下的近似稀疏性,并进行了信号的压缩采样。针对现阶段凸优化方法和常用的三种贪婪算法的不足,提出一种改进的模拟退火算法与子空间追踪算法相结合的稀疏度自适应匹配追踪算法,利用改进的模拟退火算法快速搜索匹配最优的稀疏度,并采用子空间追踪算法快速重构信号。仿真实验对比五种重构方法,结果表明,凸优化方法精度较高,耗时过长;OMP算法和SP算法耗时极短,但需要预先进行实验来估测信号的稀疏度,实用性低;SAMP算法能实现稀疏度的自适应匹配,但匹配的误差较大,且耗时较长;提的新方法具有良好的精度和较快的执行速度,R-squares和耗时的均值分别为0.9837和2.77 s,稀疏度估测效果较好,且采样点数的增加不影响算法重构信号的速度。