一种基于随机解调结构的心电信号压缩采样方法

针对可穿戴装备实时监测心电信号中的大数据量、高功耗问题,提出了一种随机解调结构压缩采样心电信号方法.从压缩率和重构精度角度,分析了随机解调结构的采样相位、滤波器模块参数、单次采样时间及稀疏度阈值对心电信号重构的影响,完成了基于正交匹配追踪(OMP)、广义正交匹配追踪(GOMP)、稀疏度自适应匹配追踪(SAMP)、分段正交匹配追踪(StOMP)、正则化正交匹配追踪(ROMP)、压缩采样匹配追踪(CoSaMP)、子空间追踪(SP)等不同重构算法的最优结果分析,实现了心电信号的亚奈奎斯特频率采样.基于MIT-BIH数据库的仿真实验结果表明:提出的随机解调结构压缩采样方法,可以以亚奈奎斯特频率采样心电信号,通过重构算法达到奈奎斯特频率采样的效果,在可穿戴健康监护装备领域具有显著的低功耗低数据量应用优势.     

基于小波变换的电生理信号压缩采样与重构

压缩感知是一个新兴领域,该理论可对信号以低于奈奎斯特采样率的速率进行成比例压缩采样,用来降低数据存储。本文基于压缩感知和小波变换,设计并实现了神经动作电位信号的压缩与重构。首先在小波域构造了64位神经动作电位信号的稀疏矩阵,然后设计了64位神经动作电位信号的2：1压缩矩阵与OMP（OrthogonalMatchingPursuit）重构算法,并通过编程仿真实现,可以完成信噪比较高的压缩信号的高精度恢复。仿真结果表明,重构信号与原信号的关键值相对误差小于15％。     

基于压缩感知的DOA估计方法研究

压缩感知是近年来应用数学界提出的一套关于稀疏信号采集和重构的新理论,它突破了传统奈奎斯特采样定理的限制,以远少于传统奈奎斯特采样定理所需的测量数据就能够精确恢复原信号或估计信号的相关参数。将压缩感知理论应用到DOA估计,可以解决传统DOA估计中高采样率、以及较多辐射源信号条件下难以定位的限制。研究了基于压缩感知理论的DOA估计方法,并利用MATLAB进行仿真,通过与传统MUSIC算法比较可知,基于压缩感知的DOA估计方法具有显著的优势。     

压缩感知理论及其OMP算法FPGA实现研究

奈奎斯特定理要求采样频率不得低于信号最高频率的2倍,这使得高频信号的硬件采样实现变得较为困难。压缩感知(Compressive Sensing,CS)理论从研究信号的稀疏性出发,指出在一定条件下可以用低于奈奎斯特定理的频率对信号进行采样。介绍了压缩感知理论及其OMP重构算法,设计了OMP重构算法的FPGA实现的总体框图和各模块框图,编写了Verilog HDL程序代码,并给出了在Quartus II中的仿真结果,和Matlab仿真结果对比,压缩重构效果比较理想。     

基于稀疏快速傅里叶变换的信号压缩处理

随着数据采集能力和采样频率的不断提高,采用传统的奈奎斯特采样定理会获得海量的数据,这给信号的存储和传递带来了极大挑战。提出基于稀疏快速傅里叶变换的信号压缩方法,利用信号在频域的稀疏性,压缩信号所需的存储空间,在保证拥有足够小的误码率的前提下,以高概率重构原始信号。     

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。     

利用有限字符集特征的数字信号压缩感知模型

本文利用有限字符集对数字信号的压缩感知方法进行了研究,主要探讨了针对多进制相移键控（M-PSK）字符集,基于有限字符集的特征,可以用亚奈奎斯特率进行采样。本文提出的模型也视为联合解调模型。此外,所需采样率与符号率成正比,且远低于奈奎斯特率。文中利用数值仿真验证了其有效性。     

压缩感知在传感器节点信息采集中的应用

随着无线传感器网络的快速发展,海量数据的处理、存储与传输给传统的以高速ADC和存储通信设备带来了巨大的压力.由于传感器节点采集的感知数据具有时间相关性,本文提出基于压缩感知理论的采样压缩方法,其打破了传统奈奎斯特采样定理的限制,在前端只需远低于奈奎斯特采样频率采样信号就可以完成对原始信号的精确重构,并构造了基于压缩感知的模拟信息转换器(AIC)模型.最后通过以Matlab为平台进行实验仿真,结果表明:该模型可以用较少的观测值即可精确重构稀疏信号,并且其重构精度与观测数M、稀疏度K有关.     

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。     

压缩传感综述

在传统采样过程中, 为了避免信号失真, 采样频率不得低于信号最高频率的2倍. 然而对于数字图像、视频的获取, 依照香农(Shannon)定理会导致海量采样数据, 大大增加了存储和传输的代价. 近年来, 一种新兴的压缩传感理论为数据采集技术带来了革命性的突破, 得到了研究人员的广泛关注. 压缩传感采用非自适应线性投影来保持信号的原始结构, 能通过数值最优化问题准确重构原始信号. 压缩传感以远低于奈奎斯特频率进行采样, 在压缩成像系统、模拟/信息转换、生物传感等领域有着广阔的应用前景. 本文主要介绍了压缩传感的基本理论及相关应用, 并对其研究前景进行了展望.     

超宽带系统的HDP-HMM-MTCS稀疏信道估计算法

给定超宽带（Ultra Wide-Band,UWB）信道的稀疏结构,利用压缩感知（Compressive Sensing,CS）进行UWB信道估计.作为CS实现的多任务CS（Muti-Task Compressive Sensing,MTCS）算法进行信号重建.信号参数和数据共享可以使用伽马-高斯先验来求解.在本文中,层次结构Dirichle进程（Hierarchy Dirichle Processing,HDP）提供了HDP的树结构,用于解决跨多个任务的数据共享问题.我们研究UWB通信的隐马尔可夫模型（Hidden Markov Model,HMM）HDP多任务CS（Hierarchy Dirichlet Processing Hidden Markov Model based Muti-Task Compressive Sensing,HDP-HMM-MTCS）的信道估计性能.首先,在视距（Line-Of-Sight,LOS）和非视距（Non-Line-Of-Sight,NLOS）环境下的标准化IEEE 802.15.4a信道的稀疏信道结构估计.其次,CS比率（CS Rate,CSR）对HDP-HMM-MTCS信道估计性能的影响.最后,利用SNR（Signal-to-Noise Ratio）,并将其与MTCS,STCS（Simple-Task Compressive sensing）,OMP（Orthogonal Matching Pursuit）,L1magic算法以及新的算法如改进的贝叶斯压缩感知（Bayesian Compressive Sensing,BCS）算法,多经字典自适应算法BCS和特征字典自适应算法BCS的信道估计比较时间复杂性.仿真结果表明,无论LOS和NLOS环境如何,HDP-HMM-MTCS具有最小可执行时间,其信道估计性能优于MTCS和其他算法.因此,HDP-HMM-MTCS是用于稀疏信道模式的有效且高效的UWB信道估计方法.     

Compressive sensing based sub-mm accuracy UWB positioning systems: A space–time approach

A key challenge to achieve very high positioning accuracy (such as sub-mm accuracy) in Ultra-Wideband (UWB) positioning systems is how to obtain ultra-high resolution UWB echo pulses, which requires ADCs with a prohibitively high sampling rate. The theory of Compressed Sensing (CS) has been applied to UWB systems to acquire UWB pulses below the Nyquist sampling rate. This paper proposes a front-end optimized scheme for the CS-based UWB positioning system. A Space–Time Bayesian Compressed Sensing (STBCS) algorithm is developed for joint signal reconstruction by transferring mutual a priori information, which can dramatically decrease ADC sampling rate and improve noise tolerance. Moreover, the STBCS and time difference of arrival (TDOA) algorithms are integrated in a pipelined mode for fast tracking of the target through an incremental optimization method. Simulation results show the proposed STBCS algorithm can significantly reduce the number of measurements and has better noise tolerance than the traditional BCS, OMP, and multi-task BCS (MBCS) algorithms. The sub-mm accurate CS-based UWB positioning system using the proposed STBCS–TDOA algorithm requires only 15% of the original sampling rate compared with the UWB positioning system using a sequential sampling method.     

基于Contourlet变换的图像压缩感知重构

根据图像信号在Contourlet变换域的稀疏特性,分析Contourlet变换的基本原理,提出一种基于Contourlet变换的压缩感知重构方法。针对Contourlet变换的基函数并不严格规范正交、无法构造正交变换矩阵的问题,采用改进梯度投影算法恢复稀疏处理后的系数,在保证图像质量的情况下,实现图像的低速率重构。实验结果表明,该算法的鲁棒性较好。     

超宽带室内定位关键技术

超宽带信号的高时间分辨率特性非常适合用于室内场景下的精确定位。本文回顾了超宽带系统位置估计问题,首先介绍了UWB定位系统的特点,然后给出了定位基本原理,指出了超宽带定位系统设计中面临的两个重要挑战,分别是超宽带信号采样问题和到达时间参数估计问题,应用压缩感知理论解决这些问题并给出了最新研究成果,最后描述了一种精密实时的UWB商用定位系统。     

基于自适应阈值SAMP算法的OFDM稀疏信道估计

为了降低重构算法的复杂度,提高重构的精确度,提出一种自适应阈值的稀疏度自适应匹配追踪算法（SAMP）,并将其运用在OFDM稀疏信道估计中。蒙特卡洛仿真证明,改进后的算法相比于原算法在CPU运行时间上减少了44.7%,并且在较低的信噪比下也能达到较好的估计效果。此外,针对OFDM稀疏信道估计问题,结合压缩感知理论中观测矩阵的构造方法,提出一种新的导频图案分布设计方法,仿真证明该导频图案设计方法比现有方法在估计精确度方面提高2~4dB。     

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。     

OFDM系统稀疏信道估计研究

由于许多通信系统的信道具有稀疏多径的特性,因此可以将信道估计问题归结为稀疏信号的恢复问题。提出一种新的基于压缩感知理论的正交频分复用系统信道估计方法,采用稀疏度自适应匹配追踪压缩感知算法对OFDM信道时域脉冲响应进行估计。克服了现有基于压缩感知理论的信道估计方法需要预先知道信道冲激响应稀疏度才能重构信道参数的不足,在信道稀疏度等信道先验知识未知情况下可得到较好的信道估计性能,降低系统复杂度。     

基于高阶统计量的压缩宽带频谱盲检测方法

针对认知无线网络中宽带频谱感知受到高速模数转换器(ADC)器件的技术限制,利用压缩感知理论(CS),采用压缩信号处理技术,直接对压缩观测数据进行分析,推导出宽带频谱检测的高阶判决统计量的概率分布特性,并在此基础上提出了一种基于高阶统计量的压缩宽带频谱盲检测算法(HOS-CWSBD).该算法无需任何有关主用户(PU)信号的先验知识、也无需事先重构出原信号就能实现宽带频谱检测.理论分析和仿真结果均表明,与传统的基于压缩感知理论且需要信号重构的压缩频谱感知算法以及基于Nyquist采样数据的非压缩宽带频谱感知算法相比,该算法具有计算复杂度低、感知性能稳定等优点.     

基于压缩感知的无线传感器网络动态采样方法

基于固定采样率的无线传感网（WSN）压缩感知（CS）在收集随时间变化的数据时难以获得满意的数据恢复精度。针对该问题,提出了一种基于数据预测和采样率反馈控制的动态采样方法。首先,汇聚节点通过分析当前采样时段与上一采样时段获取数据的线性度量指标,预测数据的变化趋势;然后,根据预测结果计算感知节点未来的采样率,并通过反馈控制机制对感知节点的采样过程进行动态调节。实验结果表明,相比基于目前广泛采用的基于固定采样率的无线传感网压缩感知数据收集方法,该方法能够有效提高压缩数据的恢复精度。     

High-resolution ranging method based on low-rate parallel random sampling

In this paper, we propose a low-rate high-resolution ranging method for UWB (up to several GHz of sampling rate) ranging system. It exploits compressed sensing (CS) theory and a parallel sampling ADCs structure based on random projection (PSRP). To guarantee the effective application of CS on the received signal, we construct a dictionary in which the atoms are time-shifted versions of the transmitted signal. Hence the received signal can be low-rate sampled by PSRP. For an UWB ranging system using PSRP instead of the newly proposed analog-to-information converter, it possesses the universality of dictionary atoms, lower sampling rate and better performance for noisy signal. Additionally, since the dictionary size in this work can be adjusted flexibly, a desired high resolution can be achieved. The simulation results confirm these advantages via a noisy received signal (SNR = 16 dB) which contains five target echoes. Though the received signal is sampled at less 10% of Nyquist rate, the probability of echo detection is over 95% and the distance resolution reaches the optimal of the conventional ranging method.