基于压缩传感的邻域嵌入

基于谱流形学习算法的一个核心问题是局部邻域的构建,可通过KNN或ε准则构建局部邻域。受压缩传感理论的启发,提出一种基于l₂和l₁范数重构准则的邻域构建模式,称之为基于压缩传感的邻域嵌入(CSNE)。在此基础上,利用无标签数据,提出半监督的CSNE。在多个数据集上的可视化和半监督分类实验,证明该算法的有效性。     

基于分布式压缩感知的可穿戴多传感数据联合重构新方法

为提高可穿戴多传感数据远程联合重构性能,提出了一种基于分布式压缩感知的可穿戴多传感加速度数据联合重构新方法。该方法首先对可穿戴多传感原始数据压缩编码,将数据融合传送至远端服务器;然后,基于可穿戴传感数据的时空相关性,构建块稀疏贝叶斯学习联合重构算法,实现压缩数据解码,准确重构各传感原始数据;最后,新方法对美国加州伯克利大学可穿戴多传感运动数据进行分析。实验结果表明,对不同编码采样率,文章所提方法重构性能明显优于传统的算法,并且能够准确解码压缩数据,有望在远程医疗环境下推广应用。     

基于e1范数最小化的非流形曲线族重构

从散乱点集重构曲线族在计算机视觉、逆向工程和医学图像处理等方面有着广泛的应用,非流形曲线族重构是其中的难点问题.文中在压缩传感理论基础上,提出一种基于e1范数最小化的非流形曲线族重构方法.该方法首先将散乱点集的法矢和位置信号表示为稀疏形式,通过e1范数优化方法,重建法矢信号和位置信号;之后,根据重建的法矢和位置计算点集的双边权,在此基础上构建最小生成树(Minimum Spanning Tree,MST)来重构曲线族;最后通过后处理过程,完成对重构曲线族的开闭处理.实验表明,该算法能处理包含开、闭曲线,流形、非流形曲线,以及具有尖锐特征的曲线等复杂情况的曲线族,并且对噪声较鲁棒.     

一种新的基于压缩传感理论解决Pan-Sharpening问题的算法

Pan-Sharpening问题是将高分辨率全色图像和低分辨率多光谱图像融合,重构出高分辨率多光谱图像的过程。压缩传感理论解决了相应目标函数的稀疏解问题(求解含有l0范数的极小化问题)。利用压缩传感理论,提出一种新的解决Pan-Sharpening问题的算法:以离散余弦变换矩阵作为字典进行重构。然后针对重构过程中产生的块效应、色彩偏差和洗涤效应等问题进行相应的处理。QuickBird卫星图像的实验结果表明:与经典算法进行对比,该算法在效果上有一定的优势。     

基于重构权的离群点检测方法

近几年来,流形学习在模式识别、机器学习和数据挖掘等许多领域都受到了广泛的关注.但是,通常的流形学习方法对离群点缺乏鲁棒性.对此,提出了一种基于重构权的流形离群点检测方法.该方法在每个样本点构造局部"强"邻域,再利用局部重构权来计算每个样本点的可靠值,最后利用可靠值检测出离群点.该算法具有计算快、参数少、参数敏感性小等优点.基于此离群点检测方法,提出了鲁棒的Isomap算法.实验结果表明,该方法能够有效检测离群点,从而提高流形学习方法对离群点的鲁棒性.     

基于分离字典构造的快速压缩感知重构算法

针对当前压缩感知重构算法存在重构质量偏低、重构时间过长等问题,提出了基于矩阵流形分离字典构造的分块压缩感知重构算法。首先,该算法基于矩阵流形模型训练出可分离稀疏表示矩阵,并对其正交化;其次,构造随机测量矩阵,并利用矩阵运算将其与得到的稀疏表示矩阵进行结合,进而构造出一组分离字典;最后,将该字典用于信号压缩感知中,并通过线性运算实现信号的快速重构。实验结果表明,与当前主流的压缩感知重构算法相比,所提算法在重构精度以及重构时间上都具有一定提升,并在对实时性要求高的领域中具有很好的应用价值。     

基于压缩传感的多尺度传感器融合

针对传统采样理论需要采集大量观测数据所带来的存储、传输以及经济方面的压力,提出了一种基于压缩传感理论的多尺度传感器融合方法.分析了基于压缩传感理论的重构算法的设计问题,采用曲线拟合方法对多尺度的传感器的时间配准.仿真结果表明,基于正交匹配追踪算法几乎可以完全重构原始信号.与传统采样算法相比,虽然精度没有传统的方法高,但是在误差允许范围内,采集的数据少,所需时间少,减少了数据的传输和存储成本.     

基于压缩感知的自适应正则化磁共振图像重构

当前基于压缩传感理论的正则化磁共振(CS-MR)图像重构算法普遍采用全局正则化参数,不能很好地在保持边缘和平滑噪声方面做出平衡。为此,提出一种自适应的正则化CS-MRI重构算法。结合图像稀疏性和其局部光滑性的先验知识,采用非线性共轭梯度下降算法求取最优化问题,并在迭代过程中自适应地改变局部正则化参数。新的正则化参数可以更好地恢复图像边缘,并且有利于平滑噪声,使代价函数在定义域内具有凸性;同时先验信息包含于正则化参数中,以提高图像的高频成分。实验结果表明该算法能有效权衡恢复图像边缘和平滑噪声两者的关系。     

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。     

基于运动估计与回溯自适应正交匹配追踪的视频压缩传感

为了解决传统视频压缩传感方法中对视频逐帧单独重构所产生的图像模糊,将压缩传感理论与MPEG标准视频编码的相关技术相结合,提出了一种基于运动估计与运动补偿的视频压缩传感方法,以消除视频信号在空域和时域上的冗余。该方法在充分考虑视频序列时域相关性的同时,首先对视频图像进行前、后向和双向预测和补偿,然后采用回溯自适应正交匹配追踪(BAOMP)算法,对运动预测残差进行重构,最后实现当前帧的重构。实验结果表明,该方法较逐帧重构的视频图像质量有较大改善,且可获得更高的峰值信噪比。     

用于压缩感知的无线传感网测量矩阵设计方法

为了解决无线传感器网络中数据采集过程中的冗余和传输能耗问题,深入分析信号的线性测量过程,提出一种用于压缩感知的测量矩阵设计方法.该方法结合对角矩阵和正交基线性表示原理,采用线性结构化的方法构造,过程简单、速度快、稀疏度高、没有冗余,适合硬件资源有限的传感器节点的实现.仿真结果表明,基于对角矩阵线性表示的测量方法与常见的高斯随机矩阵和部分哈达玛矩阵两种测量方法相比,该方法在相同信号重构精度前提下信号恢复成功率更高,传感节点可以通过压缩观测得到更少的测量数据,从而大大减少网络通信量,节约网络能耗,延长网络生存周期.     

流形距离与压缩感知核稀疏投影的局部线性嵌入算法

流形学习算法的目的是发现嵌入在高维数据空间中的低维表示,现有的流形学习算法对邻域参数k和噪声比较敏感。针对此问题,文中提出一种流形距离与压缩感知核稀疏投影的局部线性嵌入算法,其核心思想是集成局部线性嵌入算法对高维流形结构数据的降维有效性与压缩感知核稀疏投影的强鉴别性,以实现高效有降噪流形学习。首先,在选择各样本点的近邻域时,采用流形距离代替欧氏距离度量数据间相似度的方法,创建能够正确反映流形内部结构的邻域图,解决以欧氏距离作为相似性度量时对邻域参数的敏感。其次,利用压缩感知核稀疏投影作为从高维观测空间到低维嵌入空间的映射,增强算法的鉴别性。最后,利用Matlab工具对实验数据集进行仿真,进一步验证所提算法的有效性。     

面向可靠性和能耗优化的可压缩数据收集方案

现有的无线传感器网络（ WSNs）数据收集方法无法在耗费较低开销的同时保证数据收集的可靠性。基于压缩感知（ CS）理论,设计了基于指数核函数的稀疏矩阵和基于准循环低密度奇偶校验（ LDPC）码的测量矩阵来用于节点的数据采集,以最大化网络生命周期为目标,将测量值传输问题建模为汉密尔顿回路问题,并提出了一种基于树分解的数据收集路径优化算法。仿真实验结果表明：所提方案在数据重构误差和能耗方面的性能要优于目前典型的数据收集方法。     

基于贝叶斯压缩感知的信号重构

本文提出了基于贝叶斯压缩感知的信号重构算法,将压缩感知理论应用于信号的压缩传输以及重构,该算法将压缩感知问题转化为线性回归问题,逐步推演出结果向量之间的迭代关系,最后通过迭代以得到原始信号的精确重构. 仿真说明了贝叶斯压缩感知在信号处理中的应用,结果表明该算法对一维和二维信号的压缩重构有很好的效果.     

残差分布式视频压缩感知*

压缩感知(CS)是一种能同时进行数据采集和压缩的新理论,为简化编码算法提供了依据,同时,分布式视频编码(DVC)为低复杂度的视频编码提供了思路。因此,通过整合DVC和CS各自的特性以构建编码简单的视频编码框架,并采用残差技术来提高系统性能,最终提出了一种残差分布式视频压缩感知(RDCVS)算法:对关键帧进行传统的帧内编、解码;而对非关键帧,编码端采用一种基于残差联合稀疏模型的随机观测,解码端利用边信息和改进的梯度投影重建(GPSR)算法进行优化重构。由于将运动估计和变换编码等复杂度较高的运算转移到解码端进行,因而RDCVS保持了低复杂度的编码特性。实验结果表明,RDCVS算法比参考方案的恢复质量提高了2～3 dB。     

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.     

基于自适应字典学习的动态磁共振并行重建

动态磁共振成像技术在时空扫描精度上不能兼顾,是目前医学界的一个难点。动态磁共振成像数据在时空域具有很强的稀疏特性,使得压缩感知技术被广泛应用于MR图像重建。提出一种基于压缩感知自适应字典学习的动态磁共振并行重建方法,以高精采样的第一帧作为参考,实现对任意n个相邻帧的dMRI图像子序列的实时并行重建。与目前国际上比较先进的两种方法DTV和kt-SLR进行比较,实验结果表明该算法在重建精度方面具有一定优势。     

基于拉普拉斯特征映射高光谱遥感影像降维及其分类

在进行高光谱遥感影像监督分类过程中,结合高光谱数据非线性的特点和流形学习强大的非线性处理能力,提出一种基于拉普拉斯特征映射(LE)降维和最佳指数法(OIF)波段组合选择训练样本进行SVM分类的策略,首先对高光谱遥感影像波段进行优化,利用拉普拉斯特征映射法(LE)对波段优选后的影像进行降维,利用OIF选择波段组合叠加进行训练样本选择。在此基础上采用支持向量机(SVM)进行分类处理,取得了优于PCA的效果。实验证明了流形学习是一种行之有效的高光谱遥感数据特征提取方法。