三维观测模型下蒸发波导时空态势压缩感知

为减小蒸发波导时空态势感知过程中采集存储的数据量和计算量,将现有一维压缩感知观测模型推广,得到三维观测模型,并改进得到三维观测下的盲稀疏回溯重构算法.通过一个等效三维感知矩阵对时间维和空间二维进行同时观测,并考察其整体重构.新方法维护了蒸发波导参数内在的相关性,缓解了单独按时间维或空间维感知引入的重构人为效应.理论分析和实验表明,在相同压缩比下,时空三维感知结果最接近真值.     

压缩感知观测矩阵的优化算法

为克服基于压缩感知的图像重构算法存在的不足,文中对观测矩阵设计方法进行了改进,并根据稀疏信号的特点对观测矩阵加权,令奇异值分解得到的对角阵对角线上的元素全部为1。通过仿真实验表明,将改进后的矩阵作为压缩感知算法的观测矩阵,在大压缩比时PSNR值约提高(1~2 dB),在小压缩比较时PSNR值提高了(8~9 dB)。     

基于观测矩阵优化的自适应压缩频谱感知

推导了自适应压缩感知中的重构估算误差,研究了如何降低观测矩阵列向量之间的自相关性,分析了观测矩阵优化对压缩感知重构算法的影响。将观测矩阵优化与压缩感知自适应过程相结合,提出了基于观测矩阵优化的自适应压缩频谱感知算法。仿真结果证实,所提算法比传统算法重构时产生的均方误差(MSE)更低,在同一观测次数下检测概率更高,在达到同等接收操作性能(ROC)时所需观测次数更少。     

基于麻雀算法的压缩感知观测矩阵优化方法

为了解决在利用压缩感知理论重构信号时,随机矩阵优化算法不能很好地解决最优相关性的问题,提出用改进的麻雀搜索算法来加强观测矩阵的全局寻优性,使得观测矩阵与稀疏矩阵的互相关系数降低,以此提高信号的重构精度.该算法用黄金正弦算法优化了麻雀算法的种群生成模式,减少了算法的迭代次数,增强了全局寻优能力,然后用改进麻雀算法在随机高...     

含噪语音压缩感知自适应快速重构算法

本文针对含噪语音压缩感知在低信噪比时重构性能差的问题,提出了一种自适应快速重构算法。该算法将行阶梯观测矩阵与一种新型的快速重构算法结合,并根据含噪语音信号的信噪比自适应选择最佳重构参数,使得在重构语音的同时提高了重构信噪比。算法实现简单快速,且不需要预先计算信号的稀疏度。实验结果表明,自适应快速重构算法重构性能优于基追踪算法和自适应共轭梯度投影算法以及快速重构算法,重构速度略慢于快速重构算法,但快于基追踪算法和自适应共轭梯度投影算法。      

基于自适应滤波的压缩感知重构方法

自适应滤波框架中,滤波器的抽头系数可以利用特定的自适应算法达到近似维纳解,从而使滤波器的输出误差达到最小.将这个框架应用到压缩感知重构信号中,信号的稀疏系数等效为滤波器系数权值向量,从而可获得最佳的稀疏系数,以高概率重构信号.本文介绍了已有学者研究出的一种L0最小均方算法(L0-LMS),该算法中引入零引力项加快了权矢量向稀疏解收敛的速度,保证解的稀疏性.通过仿真可知,基于自适应滤波算法重构稀疏信号的性能较好,甚至优于压缩感知中常用的OMP算法.     

基于自适应压缩感知的信道估计算法

传统方法压缩感知算法截取训练序列最后未被数据干扰固定部分作为观测矩阵,该方法为了抵抗最差的信道而浪费了大量的可用观测数据。在此基础上提出了一种自适应压缩感知的信道估计算法,首先对训练序列进行自适应检测,得到整个未受干扰的观测矩阵,再用压缩感知算法计算信道估计。仿真结果表明,这种基于自适应压缩感知的信道估计算法大幅提高了信道估计的准确性。     

基于自适应多尺度压缩感知的语音压缩与重构

本文针对语音信号的压缩感知问题,在系数总长度不超过原信号长度的前提下,推导了Sym小波分解合成的矩阵形式,提出了语音信号多尺度压缩感知(MCS)框架.进一步分析语音信号在小波基下不同级的稀疏性,提出了自适应多尺度压缩感知(AMCS)方法,把该方法运用到语音压缩与重构中,对重构语音进行了主客观评价,并进行了说话人识别验证...     

面向压缩感知的块稀疏度自适应迭代算法

块稀疏信号是一种典型的稀疏信号,目前在块稀疏信号的压缩感知问题中,大多数信号重构算法要求信号的块稀疏度已知且算法复杂度高.针对实际应用中信号块稀疏度未知的情况,提出了一种块稀疏度自适应迭代算法,用于信号重构.首先,该算法初始化一个块稀疏度,其值按设定步长进行增加.对每一个块稀疏度的迭代,算法都会找到信号支撑块的一个子集,并修正更新上一次找到的信号支撵块,最后找到信号的整个支撑块,从而重构出源信号.该算法不需要信号的块稀疏度作为先验知识,而且算法复杂度低.仿真实验表明,该算法的重构概率较已有大多数块稀疏信号重构算法的重构概率高,在块稀疏信号的压缩感知问题中具有实际意义.     

压缩感知理论及重构算法性能分析

压缩感知是近年来信号处理领域新诞生的一种新的信号处理理论,文中详述了压缩感知的基本理论,主要围绕着信号的稀疏表示、观测矩阵和信号重构算法三个方面对压缩感知进行基本介绍,并对几种典型的信号重构算法(OMP、GPRS、SLO)进行仿真分析。     

用信道编码构造压缩感知测量矩阵

压缩感知是近年来,针对稀疏信号和可压缩信号的处理而出现的一种信号处理理论。测量矩阵是压缩感知理论中的一个至关重要的环节,它对信号采样和重构算法有着重要的影响。虽然一般传统的随机测量矩阵重建信号效果比较好,但有硬件实现比较困难的问题,并需要大量的存储空间和其他缺陷。确定性测量矩阵的出现,正好弥补了这些缺点。在本文中,基于信道编码中校验矩阵特性的优势,获得了满足有限紧致特性要求的确定性测量矩阵构造方法。把校验矩阵的列向量标准化、线性组合扩展到方阵、置换列向量后构成的矩阵作为确定性测量矩阵。这种方法可以在构造完成一个信道编码校验矩阵后,很容易构造对应的测量矩阵。数值结果表明,在相同重建算法和压缩比下,这种方法的性能和随机测量矩阵大致相若,甚至有所改善。同时,本文提出方法的构造时间较少,重建时只需要运行一次,可以满足实时性需求。为压缩感知算法的实际应用提供了一种有效的测量矩阵构造方法。      

改进的压缩感知测量矩阵优化方法

压缩感知理论中,测量矩阵优化是一类通过减小测量矩阵与稀疏字典的互相关性来改善测量矩阵性能的方法。本文提出一种能够同时降低整体相关系数和最大值相关系数的测量矩阵优化算法,该算法分为两步:一是通过平均化Gram矩阵特征值来降低测量矩阵的整体相关系数;二是利用阈值函数收缩Gram矩阵非对角线上较大值。两个步骤交替执行,直到解出符合优化要求的测量矩阵。该算法在保证整体相关系数降到最低的同时,又使最大值相关系数显著降低。实验结果表明,与现有算法进行对比,本文方法在降低相关系数和重构成功率上都有一定优势。      

基于行列式随机循环的压缩感知测量矩阵研究

压缩感知理论,从信号的自身特性出发,通过变换作用域和线性投影实现对信号的采样和压缩。测量矩阵是该理论中获得最优测量,实现精确重构的关键。本文在介绍常用测量矩阵的基础上,重点研究了结构化测量矩阵。鉴于测量矩阵设计的最重要的原则是降低矩阵元素间的相干性,本文借鉴循环矩阵和广义轮换矩阵的优点,提出了采用均匀随机数对结构化测量矩阵进行随机循环的构造方法。仿真实验表明新矩阵在信号重建上具有更好的性能。     

基于自适应投影矩阵的压缩感知超宽带信道估计

超宽带信号由于功率谱密度较低和传输多径复杂,准确的信道估计十分重要。考虑其过高带宽带来的采样难度较高的问题,压缩感知理论提供了一种可行的低速采样方法。而目前常用的随机投影矩阵与超宽带信道稀疏变换矩阵相关度较高,算法必须在降维比较高时才能达到重构要求,采样速率依然较高。针对上述问题,提出使用贝叶斯压缩感知理论中的自适应投影矩阵设计方法进行超宽带信道估计。贝叶斯压缩感知理论给信道向量中的每个值设置受超参数控制的后验概率密度,计算信道向量的统计特性,并根据协方差矩阵计算新的投影向量,该投影向量可以使重构解的微分熵下降最快。通过这种自适应的投影矩阵设计方法,可以利用较少的采样值进一步地提高重构解的可信度,达到进一步降低采样速率的目的。实验结果表明该方法相对于现有的压缩感知重构算法可以在较低的降维比条件下达到较好的重构效果,显著降低了采样速率。     

空间谱估计中的压缩感知测量矩阵分析

在压缩感知理论中,测量矩阵的选取对信号的采集和重建起着重要的作用。然而目前测量矩阵在不同应用中性能表现不同,没有统一的评价结论,且前人的研究大多集中在时域和频域条件下进行。文中主要研究六种常用的测量矩阵在信号的空间谱估计中的应用效果。采用多个仿真实验,分别在不同测量数,不同稀疏度,以及不同信噪比的条件下,比较各测量矩阵对空域信号波达方向角估计的准确率、均方差以及所需时间。实验结果显示:在空域条件下高斯随机矩阵、伯努利矩阵对信号的普适性较好,对已知稀疏度的空域确定信号能很好的完成空间谱估计。该结论对于压缩感知在信号空间谱估计中的应用有一定意义。     

一种结构化压缩感知中的稀疏度自适应算法

大规模多输入多输出(Large-scale MIMO)系统具有极高的频谱利用率和能量效率,是5G关键技术之一。结构化子空间追踪算法(SSP)采用一种非正交导频并结合无线信道的空时相关性,可以较精确地估计来自基站端大量发送天线的多个信道,针对该算法需要信道稀疏度作为先验条件的局限性,文章提出了一种分块稀疏度自适应匹配追踪算法(BASMP)。仿真结果表明,所提出的算法不仅在性能上与SSP算法相当,而且同时还能准确地估计信道的稀疏度。     

An adaptive measurement scheme based on compressed sensing for wideband spectrum detection in cognitive WSN

An Adaptive Measurement Scheme (AMS) is investigated with Compressed Sensing (CS) theory in Cognitive Wireless Sensor Network (C-WSN). Local sensing information is collected via energy detection with Analog-to-Information Converter (AIC) at massive cognitive sensors, and sparse representation is considered with the exploration of spatial temporal correlation structure of detected signals. Adaptive measurement matrix is designed in AMS, which is based on maximum energy subset selection. Energy subset is calculated with sparse transformation of sensing information, and maximum energy subset is selected as the row vector of adaptive measurement matrix. In addition, the measurement matrix is constructed by orthogonalization of those selected row vectors, which also satisfies the Restricted Isometry Property (RIP) in CS theory. Orthogonal Matching Pursuit (OMP) reconstruction algorithm is implemented at sink node to recover original information. Simulation results are performed with the comparison of Random Measurement Scheme (RMS). It is revealed that, signal reconstruction effect based on AMS is superior to conventional RMS Gaussian measurement. Moreover, AMS has better detection performance than RMS at lower compression rate region, and it is suitable for large-scale C-WSN wideband spectrum sensing.     

自适应小波包的光纤传感器信号压缩感知

在由分布式光纤传感器构成光纤周界报警系统中 ,针对大规模、高分辨率的光纤振动信号在采样、传输、存储和重 构过程中会受到网络带宽、存储容量等限制问题,提出基于自适应小波包的光纤传感器信号 压缩感知方法。首先,采用小波 包对光纤振动信号进行多层稀疏变换,通过求取小波包系数的数学期望来选取初始置零阈值 ;然后,对光纤振动信号进行重 构并求取重构信号精度,再根据信号的重构精度采用迭代计算方法求取小波包系数的最佳置 零阈值,使光纤振动信号在满足 重构精度的前提下具有最高稀疏度,实现信号的自适应压缩感知;最后,根据光纤振动信号 的特征,采用K-SVD算法训练 得到过完备字典,结合正交匹配跟踪方法完成光纤振动信号的高精度重构。大量实验证明, 与传统压缩算法相比较,新方法的各方面性能均得到较大程度 提高。     

图像分块压缩感知中的自适应测量率设定方法

传统的图像分块压缩感知(BCS, block compressed sensing)以相同的测量率对各块进行测量,但由于图像的空间特性不同,在重构图像时出现了块效应。通过自适应为各块设定不同的测量率,该问题可得到有效的解决。然而,已有的自适应测量率设定法需要在采集端获得原始数字图像,这在实际的压缩成像(CI, compressive imaging)设备中无法实现。为了克服这一缺陷,提出了一种更易于通过硬件实现的自适应测量率设定法。该方法利用在采集端可获得的CS测量值直接在测量域中估计各图像块的样本方差,再根据各块样本方差自适应地为每块设定测量率并实现码率控制。仿真实验结果表明,该方案重构图像的质量优于非自适应方案,但由于测量域估计块样本方差存在偏差,使其与直接利用块样本方差真实值的自适应方案相比,仍具有一定差距。