基于压缩感知的新型声信号采集方法

介绍了一种基于压缩感知的声音信号采集方法,特别适合于无线传感器网络的声学监控应用,能够大大降低采样过程中对硬件采样速率和能量的需求,同时减轻了无线通信的负担,从而实现无线传感器的低成本化和实用化.利用声学信号在频域中的稀疏性质,在压缩感知相关理论的指导下设计了一种新型的随机压缩采样方法,实现了信号有用信息的高效获取;同时,利用加权L1 -magic算法对信号进行重构,完成完整的信号采集过程.仿真及实验表明,该方法能够实现在1/10以下标准采样频率下的声信号采集.     

压缩感知技术研究及应用

随着信息需求的提高,在超宽带信号处理领域中,奈奎斯特(Nyquist)采样所需硬件成本昂贵、采样获取效率低,且对数据存储先提取后压缩再传输,造成大量资源浪费。压缩感知(Compressive Sensing,CS)把采样和压缩放在一起进行,若信号在某个域上是稀疏的、压缩的,就可以低于奈奎斯特采样频率进行采样。对n维的离散信号取其中少数一些值处理,在接收端采用一些算法进行恢复。本文引入了压缩感知技术以降低系统对采样速率的要求,基于CS理论,介绍了CS三个关键技术:信号稀疏表示、测量矩阵设计、压缩感知重构算法,以及CS技术在具体领域中的应用。     

基于压缩感知的NSCT图像融合

现有的非下采样轮廓波变换图像融合方法随着分解级数的增加,其所包含的高频信息数据量会急剧增加,带来较大的运算量.针对这一问题,提出一种基于压缩感知的NSCT图像融合算法.利用压缩感知的测量矩阵对待融合图像经NSCT分解后得到的高频信息进行测量,以减少高频信息的数据量,并在压缩域融合后重构,最后与融合后的低频信息进行NSCT逆变换.实验结果表明:该算法可以提高鲁棒性,保留源图像的重要信息,有效降低图像匹配精度的影响.     

基于改进高斯随机测量矩阵的切削力信号压缩感知方法

高速加工过程中，依据传统Nyquist-Shannon采样定理进行信号采集通常会面临海量数据的存储、传输和处理难题。基于压缩感知理论提出了一种切削力信号采集新方法，实现信号压缩式采集。选择高斯随机矩阵作为基础测量矩阵，并结合近似正交三角分解和最小相关系数法对高斯随机矩阵进行重新设计，提高其压缩测量性能，再借助高效的压缩采样匹配追踪算法从测量值中恢复得到原始切削力信号。实验结果表明，改进的高斯随机测量矩阵具有更高的重构精度和稳定性，所提出的压缩感知方法在保证切削力数据重构效率和精度的同时，显著减少了数据量。     

基于压缩感知归一化关联成像实现目标重构

在归一化关联成像的基础上,结合压缩感知理论,提出了基于压缩感知的归一化关联成像方法。该方法首先对物臂的桶探测值进行归一化处理,并由散斑场构造测量矩阵;然后采用正交匹配追踪算法,在低测量次数下优质量地还原出了物体的像。实验中采用灰度图像及二值图像作为成像目标,以峰值信噪比作为衡量标准,分别对传统关联成像,归一化关联成像及压缩感知归一化关联成像的重构效果进行了量化对比。仿真实验结果表明,对于细节较为丰富的灰度图像,压缩感知归一化关联成像的峰值信噪比较传统方法高6dB左右,比归一化关联成像方法提高了2dB左右;对于细节较少的二值图像,其峰值信噪比较归一化关联成像法高3.4~4.3dB,比传统法高5.2~6.5dB。最后,采用实际电荷耦合元件测得的散斑场构造了测量矩阵,实验结果进一步验证了基于压缩感知的归一化关联成像算法能提高重构质量。     

采用K-SVD字典训练稀疏基的压缩感知叶尖间隙数据重构方法

航空发动机叶尖间隙是监控其运行状态的有效参数，现有间隙测量方法很难满足超高转速下间隙距离的奈奎斯特采样率，因此无法有效提取精确的叶尖间隙值。本文基于压缩感知原理，针对间隙距离数据特征提出一种采用K-SVD(K-singular value decomposition)字典训练稀疏基的数据重构方法，该方法首先构建出K-SVD字典稀疏基对数据进行稀疏化表示，然后使用m序列高斯随机矩阵对数据进行压缩观测，最后基于压缩欠采样观测值使用正交匹配追踪算法对数据进行重构，进而精确提取叶尖间隙值。实验结果表明，在欠采样条件下间隙距离数据可精确恢复重构，与高采样率下的间隙数据相比，重构误差不超过0.02 mm。     

基于多通道联合稀疏重建的全极化SAR成像

全极化合成孔径雷达(SAR)可对不同极化通道分别独立进行压缩感知(CS)稀疏重建来增强成像性能,但分别独立处理没有利用极化信息的冗余性与互补性,有可能破坏极化信息的完整性。依据雷达目标在全极化下的散射特性构建联合稀疏度量函数,将全极化SAR高分辨成像转化为多通道联合稀疏约束的最优化重建问题,并用改进的正交匹配追踪算法进行求解。由于有效利用全极化信息,多通道联合CS成像相比于单通道CS成像能够获得更好的成像质量,还能全面准确反映目标全极化散射特性。通过对Backhoe挖掘机电磁仿真数据的处理,验证了算法的有效性,并且在微波暗室搭建了全极化SAR半实物仿真系统,利用其获取的全极化实测数据进一步验证了该方法的工程可行性。     

相空间稀疏化的信号压缩感知与重构方法

针对旋转机械振动信号受强噪声干扰导致传统FFT频域稀疏性差,难以进行正交匹配重构的问题,提出了相空间稀疏化结合正交匹配追踪(orthogonal matching pursuit,简称OMP)的信号压缩感知(compressed sensing,简称CS)方法。首先,对信号进行相空间重构(phase space reconstruction,简称PSR),并采用主分量分析(principal component analysis,简称PCA)提取主要分量和重构信号,以提高信号的频域稀疏性;然后,采用随机高斯矩阵测量及压缩频域稀疏性得到优化的信号;最后,采用正交匹配追踪算法重构信号。仿真信号和转子典型不对中信号的分析结果表明,该方法可以提高受强噪声干扰的振动信号在频域内的稀疏性,实现转子振动信号的有效压缩和准确重构。     

DCT域的语音信号自适应压缩感知

利用语音信号在DCT域的稀疏特性,提出了一种基于语音信号能量特性的帧间与帧内自适应压缩感知方法。首先根据语音信号各帧能量和各帧所属能量区间自适应分配每帧观测个数,称之为帧间自适应。然后当帧观测个数确定后,根据每帧完全观测各分量的能量自适应选取相应个数的观测,称之为帧内自适应。实验表明,用该算法重构的语音具有较高的平均分段信噪比和平均意见得分。     

基于分布式压缩感知重构算法的应用

针对无线传感器网络通信功耗大、导致节点寿命短的问题,引入压缩感知算法进行数据压缩,减小传输数据量、降低通信能耗。通过对无线传感器网络的分布式信号进行分析,提出了针对分布式压缩感知联合稀疏模型1的正交匹配追踪法的改进算法,减少重构算法计算量,使其适用于无线传感器网络。文中把改进算法用于处理温室大棚中所检测的温度信息,并进行性能分析。实验结果验证了理论分析结论,在保证复原信号精确度的前提下减少了计算量。     

正则化自适应匹配追踪电能质量数据重构方法

为了有效改善传统方法应用在电能质量信号的采集和压缩方面所面临的资源浪费以及重构性能较差等问题,提出了一种基于正则化自适应匹配追踪的电能质量数据重构方法,此方法利用压缩感知理论,对电能质量信号进行采样和压缩并行处理。首先,对感知矩阵中的原子进行一次挑选并且计算相关系数,将挑选出的原子索引值存入至候选集中。然后,在电能质量信号稀疏度K不作为先验条件的前提下,对候选集中原子的数目进行自适应地调节,并运用正则化的处理过程完成支撑集的二次挑选,用步长逐步逼近信号的稀疏度进而准确重构出电能质量原始信号。仿真实验结果表明,信号的重构精度高于98.2%,并且能够保存原始电能质量信号大部分能量,重构信噪比高,均方误差小。