基于P-Ifourier观测矩阵的宽带压缩感知方法

针对压缩感知理论在宽带频谱感知领域应用时重构精度差的问题,根据平稳信号在频域所表现出的稀疏特性,提出了一种基于P-Ifourier(Partial-Inverse fourier)观测矩阵的宽带压缩频谱感知方法。新方法首先将频谱感知问题建模为一个典型的压缩感知问题,利用相关性能优良的标准正交傅里叶基构造观测矩阵,使观测矩阵具有良好的重构性能和重构精度。仿真结果表明,相比于高斯随机观测矩阵和嵌入式混沌序列-循环Toeplitz结构观测矩阵,该方法在较低信噪比环境下能够明显降低信号重构的均方误差,并且在相同条件下的重构概率得到了明显改善。     

一种基于压缩感知的运动目标检测技术

运动目标检测是计算机视觉、图像处理等相关领域的研究热点，其核心就是对视频图像中的每一帧图像进行相应的研究和处理。本文主要研究思路是从压缩感知技术采样信号的角度出发，将每一帧的二维图像压缩采样成具有少量信息的一维信号，再通过信号重构用少量数据量将图像重构出来，最后通过目标检测技术对每一帧的图像进行运动目标提取。仿真实验表明该方法是可行和有效的，同时可以大大减少目标检测中所记录的数据量，解决海量数据的存储与传输问题。     

基于Kent混沌测量矩阵的压缩感知图像重构算法

图像重构是图像数字化和恢复高质量图像信号的关键技术,使用压缩感知理论进行图像重构的意义在于显著减少采样次数,降低系统资源的消耗。测量矩阵的构造是压缩感知的重要研究内容之一。提出一种基于Kent混沌测量矩阵的压缩感知图像重构算法,将Kent混沌序列作为测量矩阵,采用离散小波变换的稀疏化方法,在小波域对原始图像信号进行测量。最后采用正交匹配追踪方法恢复原始图像。仿真实验中,对比高斯随机测量矩阵和Logistic混沌测量矩阵,对不同的图像进行重构。实验结果证明,基于Kent混沌测量矩阵的重构算法能够恢复原始图像,重构性能优于高斯随机观测矩阵和Logistic混沌测量矩阵,同时克服了随机测量矩阵硬件难以实现的缺陷。     

压缩感知图像重构中矩阵互相关性的研究

从测量矩阵和稀疏矩阵的互相关性角度出发,通过对测量矩阵和稀疏矩阵所构成的Gram矩阵进行门限选择,进而经过相应的缩放处理降低互相关性,这样不仅可以获取更多有信息量的测量值,而且可以完成对测量矩阵的优化改进.通过在DWT、DCT下的压缩感知图像重构实验验证了该方法的可行性,恢复效果得到一定程度的提高,相比于传统的小波恢复重构,达到了预期的效果.     

基于联合压缩感知重构的网络通信服务目标数据检测技术

采用当前无监督组件支持向量机模型检测技术、高维随机矩阵检测技术,对网络通信服务目标数据检测时,缺少特殊属性目标采集过程,导致数据检测效果较差。针对该问题,提出了基于联合压缩感知重构的网络通信服务目标数据检测技术研究。根据联合压缩感知重构原理,采集网络通信服务节点温度稀疏目标数据,利用联合压缩感知重构技术处理网络节点通信数据,构造稀疏二进制矩阵,完成对未知数量检测数据精确重构。利用构造函数计算网络通信服务数据之间的相似度,完成不同样本特征的区分,剔除不必要数据特征,并采用联合压缩感知重构技术实现对网络通信服务目标数据检测。实验结果表明,该技术数据检出率最高可达到87%,为海量数据下社交网络特殊对象数据挖掘奠定基础。     

一种改进的压缩感知重构算法

压缩感知重构信号时,在感知过程中如何选定支撑集对算法的重构性能至关重要.基于压缩采样匹配(CoSaMP)重构算法,引入Dice系数匹配性度量准则,优化了支撑集的选择.上述算法改进了从给定的观测矩阵中挑选与残差信号最匹配原子的匹配准则,体现了残差信号中各个元素对原子选取的重要作用.仿真结果表明:在同等稀疏的条件下,重构算法与传统的CoSaMP算法相比,误差低于传统CoSaMP算法,且随着观测维数的增加,重构信号的平均成功概率比传统的CoSaMP算法的大,实现了较小的重构误差和更好的压缩性能.     

一种基于压缩感知的离格阵列测向方法

基于稀疏表示的阵列测向技术中的一系列高精度鲁棒性方法都基于网格假设,即假设入射信号来向无误差地落在网格上,这一假设与现实中信号来向落在连续角度域内相违背,所造成的网格偏差效应会带来模型失配,从而导致估计性能的恶化。针对这一问题,本文提出了一种基于泰勒展开的离格类信号模型,该模型允许信号来向偏离网格,从而消除了网格误差效应,减小了估计误差。同时采用一种交替迭代优化的方法对模型进行求解,并利用奇异值分解等方法降低计算量。该方法能够有效减小网格误差,提高估计精度。仿真结果验证了所提方法的有效性。     

压缩感知理论投影矩阵优化方法综述

通过优化投影矩阵的结构可提高压缩感知（Compressed sensing,CS）的重构性能及信号适应的稀疏度范围。该类方法利用迭代更新Gram矩阵使CS投影矩阵逼近最优结构,不同于以往的投影矩阵设计问题,它是一类新的改进CS性能方法。本文阐述了该问题的产生起源、理论基础、目标函数、理想模型以及与编码理论的交叉。在此基础上,分析、总结和比较现有投影矩阵优化方法的构造原理、应用特点以及存在的问题,最后讨论了其未来可能的发展方向。实验结果验证了分析结论的正确性。     

一种构造压缩感知测量矩阵的新方法

压缩感知理论是近年来针对稀疏信号提出的一种新的信号处理理论。该理论的主要创新之处在于对信号采样和压缩是同时进行的。测量矩阵是实现该创新点的关键步骤之一,其性能直接关系着信号能不能精确重构。利用行列式非零的对角矩阵的正交性,结合正交基线性表示理论,提出了一种新的更简单的测量矩阵的构造方法。通过实验仿真,验证了新矩阵具有较好的性能。     

基于压缩感知的测量矩阵研究

压缩感知打破了传统采样定理的限制,提供了一种从少量的非自适应线性测量值中就能恢复原始信号的方法.测量矩阵正是获取这些测量值的关键所在,寻求结构简单、性能稳定的测量矩阵一直是研究人员的目标.在介绍压缩感知测量矩阵的基础上,提出了广义轮换矩阵的改进方法,结合正交基线性表示的思想,利用广义轮换构造的正交矩阵来生成新的测量矩阵.通过仿真实验,证明了新的测量矩阵具有较好的性能.     

超声相控阵缺陷检测聚焦技术仿真分析

采用有限元方法对超声相控阵缺陷检测技术进行分析.首先介绍了超声波波束聚焦、偏转的基本原理,然后使用COMSOL有限元分析软件以及Matlab仿真程序对超声相控阵缺陷检测技术进行建模,在该模型的基础上分析了超声相控阵延时聚焦技术的实现过程与方法.在仿真过程中,通过改变阵元参数,研究其对于超声相控阵缺陷检测信号的影响,并结合物理实验进行了验证.分析结果表明,超声相控阵的延时聚焦技术减小了发射波的波幅宽度,提高了缺陷点回波信号的幅值;基于延时聚焦技术的发射信号,其波束指向性图的主波瓣波束较窄,幅值较高,旁瓣幅值降低,提高了图像分辨率以及成像质量.     

基于Jacobi ADMM的传感网分布式压缩感知数据重构算法

针对无线传感网中分布式数据收集及应用,采用分布式压缩感知理论中的JSM-1 (joint sparse model-1)模型,提出了一种基于Jacobi ADMM (alternating direction method of multipliers)的分布式压缩感知数据重构算法.该算法通过在簇头节点间交换公共信息以挖掘关联数据集的公共部分,并在各个簇头节点内部更新各自的独立部分,从而实现无线传感网中相关感知数据的分布式压缩重构.首先,将无线传感网中的数据收集问题抽象为一个分布式优化问题.然后,为了能够有效地解决分布式计算过程中产生的不收敛问题,在优化目标函数中引入了近似项,从而使得子优化问题具有严格凸性,并利用交替方向乘子法求解压缩感知数据的重构问题.最后,分别利用合成数据集和真实数据集进行验证.实验结果表明：与现有其他数据重构算法相比,基于Jacobi ADMM的分布式压缩感知数据重构算法具有更高的数据重构精度.     

一种基于压缩感知的水下目标被动测距方法

基于目标空间域的稀疏性和聚焦波束形成的机理,提出了一种基于压缩感知的水下目标被动测距方法.首先,按照先方向后距离的方法对整个搜索空间进行网格划分;其次,根据球面波传播的均匀线列阵声纳接收数据模型,针对空间每个搜索方向按均匀距离间隔构造了每个方向上完备的阵列流形,并将其作为对应方向上压缩感知的感知矩阵,结合压缩感知理论数学模型,构建了对应方向上水下目标信号估计的凸优化模型;再次,采用基追踪算法对凸优化模型进行求解,计算出每个搜索方向、距离上目标信号的能量;最后,通过搜索整个空间的信号能量峰值,实现了水下目标被动测向与测距.仿真分析表明,该方法在距离估计上具有较高的聚焦性,可有效解决传统聚焦波束形成技术距离分辨率低的问题,能够实现对水下多个互不相干窄带目标信号的被动测向和测距.     

压缩感知在无线传感器网络数据采集中的应用

提出了一种无线传感器网络中基于压缩感知的数据采集方法。通过分析信号压缩观测过程,提出了适合在硬件资源有限的传感器节点中实现的循环稀疏伯努利观测矩阵CSBM(Cyclic-Sparse-Bernoulli Measurement),该矩阵使用循环稀疏矩阵与伪随机伯努利序列,采用结构化的方法构造,具有非零元素少、良好的伪随机性、硬件易于实现等优点。仿真实验表明,与其他类型的观测矩阵相比,CSBM矩阵在一定信号重构精度前提下具有更低的压缩采样比CSR(Compress Sampling Rate)。在无线传感器网络数据采集应用中,感知节点可以通过压缩观测得到更少的观测数据,能够大大减少网络通信数据量。     

基于压缩感知的电能质量压缩采样重构算法

针对电能质量扰动信号的重构问题,在压缩采样匹配追踪(Compressive sampling matching pursuit,CoSaMP)算法的基础上,为解决原算法的不足,提出一种改进的压缩采样匹配追踪(Modified compressive sampling matching pursuit,MCSMP)算法,并将其应用在电能质量信号的重构上。该算法在候选集的选择阶段采用模糊阈值的方式代替原算法固定个数的选择方式,并以相邻迭代感知矩阵与残差之间的相关度变化量作为算法的停止条件,为回溯过程的剪裁减轻了负担,避免了不必要的迭代,提高了算法的运行效率。仿真实验结果表明:无论是重构性能指标或是重构速度,MCSMP算法的重构结果都优于CoSaMP算法。     

基于可编程器件的超声波无损检测数据处理系统的典型设计

介绍了一种基于可编程器件的超声波无损检测数据处理系统的典型设计方案,包括系统的总体结构设计、宽带放大电路、A/D转换电路、高速数据缓存电路、时序逻辑控制电路、PCI接口电路、设备驱动程序和应用程序等,本设计具有较高的先进性、创新性、科学性和实用性.     

基于超声相控阵的环焊缝缺陷检测方法研究

针对传统超声探头焦距固定,检测位置的改变就要更换相应焦距的探头而影响检测效率的问题,提出一种基于超声相控阵换能器的环焊缝缺陷检测方法;而超声相控阵具有电子偏转和电子聚焦特性,能在不移动的情况下发射偏转聚焦超声束,有效地解决了上述问题;首先基于超声相控线阵换能器的声场特点,采用数值分析方法,研究了影响声束偏转聚焦性能的几个主要参数;然后给出了与超声相控阵换能器相连接的多通道数据采集系统结构;介绍了单通道声信号的硬件结构及相应的信号处理方法,实现了对换能器中单个阵元的精确延时的控制;实验结果表明,优化设计的超声相控线阵换能器具有较高的检测精度和检测效率。     

多稀疏基分簇压缩感知的WSN数据融合方法

针对传感器节点采集数据精度与能量消耗的矛盾,提出多稀疏基分簇压缩感知的无线传感器网络WSN（Wireless Sensor Network）数据融合方法。该方法利用改进的阈值对随机部署的传感器节点进行簇首选择继而形成最优簇,簇首采用伯努利随机观测矩阵对簇内节点信号进行线性压缩投影,然后将压缩的信息传送给汇聚节点,减少数据传输即降低通信能耗,从而提高网络的生命周期。根据传感器节点监测信号在有限差分和小波中都具有可压缩特性,汇聚节点在有限差分和小波两个稀疏基的约束下,利用OOMP算法分别对线形压缩投影信息进行重构;并采用最小二乘法融合重构信号,提高数据精度。仿真实验结果表明,多稀疏基分簇压缩感知的WSN数据融合方法在减少数据发送的情况下,能提高整个网络的生命周期,解决采集数据精度与网络生命周期的矛盾。     

基于多重解析字典学习和观测矩阵优化的压缩感知

文中提出了一种基于子空间解析字典学习和观测矩阵优化的图像压缩感知算法.该算法根据图像的局部方向特征,将整个图像空间分成多个子空间,并且采用几何共轭梯度算法分别在各个子空间学习解析字典,以实现对不同子空间图像块的最优稀疏表示.在图像重构过程中,首先在所有的子空间对每个图像块分别进行估计,然后根据稀疏表示最小误差准则获得每个图像块的最优估计.为了进一步提高图像重构质量,文中通过对不同子空间的图像块进行线性判别分析获得优化观测矩阵.实验表明文中算法可以实现高质量的压缩感知图像重构.