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。     

基于压缩感知理论的图像压缩技术研究

压缩感知理论是近年来信号处理领域诞生的一种新的信号处理理论。相较于传统的奈奎斯特采样定率,压缩感知理论采样数据量少,节省了后续处理时间和存储空间,这使其在信号处理领域有着广阔的应用前景。首先讨论了应用压缩感知理论的三个关键问题:信号稀疏表示、随机测量矩阵设计、信号重构算法,初步研究了压缩感知理论在图像压缩技术中的应用,给出了在不同压缩率下的重构图像和PSNR。计算机模拟结果表明了理论的可行性。     

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％。     

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.     

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。     

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。     

压缩感知在雷达目标探测与识别中的研究进展

压缩感知理论是针对采样率和计算复杂度的一种新的信号处理模式,它以远低于奈奎斯特频率对信号进行采样,并能准确重构出原始信号.随着宽带高分辨雷达技术发展,目标相对于背景的高度稀疏,与复杂的雷达系统、海量数据呈现极度的不平衡,压缩感知是有效地减弱这种不平衡的可能技术之一.以雷达稀疏信号的压缩测量及重构为主线,本文综述了压缩感知理论在雷达目标探测与识别中的研究进展,分析了压缩感知理论在PD雷达、穿墙雷达、MIMO雷达、雷达目标参数估计、雷达成像以及目标识别等领域的潜在应用,描述了国内外的相关研究进展.文中对研究中现存的难点问题进行了探讨,并展望了未来的研究方向.     

基于模式化压缩感知的帧定时同步研究

作为数据检测的必要前提,帧定时同步一直是通信领域的研究热点与难点。然而,现有非压缩感知帧同步方法必须满足奈奎斯特速率,导致过度功耗以及模拟-数字转换器（Analog-to-Digital Converter,ADC）设计难度;而采用压缩感知（Compressed Sensing,CS）帧同步方法的正确同步性能有待进一步提高。为此,将模式化压缩感知（Model-based Compressed Sensing）技术引入到帧定时同步中,提出了一种基于模式化压缩的采样匹配追踪（Compressive Sampling Matching Pursuit,CoSaMP）方法,用以重构压缩采样下的同步度量并完成帧同步。分析与仿真结果表明,相对于现已有的基于CS的帧定时同步方法,提出方法改善了帧定时同步的正确同步概率。     

基于多带正交频分复用的超宽带信号压缩传感

针对超宽带(UWB)信号在采样率过高时难以采样的问题,提出了改进的并行分段式压缩传感（MPSCS）方法,并且在多带正交频分复用超宽带通信系统中,利用MPSCS中基于正交匹配追踪（OMP）的重构算法进行了压缩采样与信号重构。在CM1信道下,通过仿真分析比较了MPSCS方法和并行分段式压缩传感（PSCS）方法、奈奎斯特方法的误码率、采样率性能。仿真结果显示,MPSCS在误码率、采样率方面有很大优势,而且在采样率仅为奈奎斯特速率6.06%的情况下,MPSCS能精确重构超宽带信号。     

基于压缩感知和改进自适应正交匹配的稀疏信号重构

针对传统香农-奈奎斯特采样定理指出在保证原始信号重构精度的前提下,采样频率必须为原始信号频率的2倍,提出了一种基于压缩感知理论和改进的自适应正交匹配追踪算法的稀疏信号重构方法;首先引入了压缩感知模型和信号重构目标函数,然后在对经典正交匹配追踪类算法进行分析和总结的基础上,为克服其不足,设计了一种二次筛选支配原子集的方法,即通过计算信号的QR分解并计算具有最大势能的原子从而得到能量候选原子集,通过计算余量与原子的相关性选出相关性最大的原子从而得到相关候选原子集,并将能量候选原子集和相关候选原子集的交集作为最终支配原子集;最后定义了具体的采用自适应正交匹配算法实现信号重构的算法;在Matlab仿真环境下试验,结果表明:文章方法能有效地进行稀疏信号重构,具有较小的重构误差,且与其它方法相比,具有收敛速度快和重构效果好的优点。     

基于压缩感知的遥感成像稀疏重构性能分析

压缩感知是一种新型的信息论，打破了传统的Shannon-Nyquist采样定理，能够以少量数据完成信号采样。稀疏重构是压缩感知由理论到实际的关键环节，为了将压缩感知有效地应用于遥感成像领域，研究了稀疏重构对遥感成像过程的影响。针对稀疏重构理论模型，分析了重构误差的成因；同时，针对典型的凸优化类算法和贪婪类算法，利用峰值信噪比指标对遥感图像重构误差进行评价。在仿真实验中，定量考察遥感图像在不同压缩采样率、不同重构算法下的稀疏重构性能。结果表明，稀疏重构算法能够成功重构遥感图像，各算法在不同压缩采样率下均表现出了较好的重构质量，整体上能够满足遥感成像应用，验证了压缩感知稀疏重构方法在遥感成像中应用的可行性。     

一种合成聚焦的便携式B型超声成像方法

传统合成聚焦超声成像方法在图像重建过程中处理数据量较大,致使其在便携式B型超声设备中应用受限。针对该问题,提出一种基于压缩感知理论和合成聚焦波束形成算法的便携式B型超声成像方法(SFCS)。该方法通过对接收到的射频回波信号进行随机采样得到欠采样的测量信号,将测量信号经过合成聚焦波束形成处理获得欠采样的射频信号线,基于压缩感知的信号重构算法,由欠采样的射频信号线高质量地恢复信号后供后续成像处理使用。仿真实验结果表明,SFCS可有效地解决合成聚焦超声成像过程中数据量大的问题,从而在保证较高成像质量的前提下满足便携式B型超声设备小型化、低成本的技术要求,具有工程应用价值。     

针对未知稀疏信号的压缩自相关检测算法

针对未知的宽频带稀疏信号检测问题,提出了一种直接基于非重构采样值 的压缩自相关检测算法。首先利用压缩感知技术以远低于奈奎斯特采样速率获取信号,在自 相关矩阵检测信号理论的基础上,利用压缩感知中传感矩阵的严格等距特性,推导出基于统 计分布的信号稀疏系数自相关检测算法,从理论上给出了判决门限的选取和虚警概率之间的 关系,并进行了算法复杂度分析。由于无需重构原始信号,该算法直接利用少量的压缩测量 值进行检测,可以有效地提高检测过程的时效性。仿真表明在较低的信噪比时,该算法对未 知信号仍有良好的检测性能。     

结构化压缩感知研究进展

压缩感知（Compressive sensing,CS）是一种全新的信息采集与处理的理论框架. 借助信号内在的稀疏性或可压缩性,可从小规模的线性、非自适应的测量中通过非线性优化的方法重构信号. 结构化压缩感知是在传统压缩感知基础上形成的新的理论框架,旨在将与数据采集硬件及复杂信号模型相匹配的先验信息引入传统压缩感知,从而实现对更广泛类型的信号准确有效的重建. 本文围绕压缩感知的三个基本问题,从结构化测量方法、结构化稀疏表示和结构化信号重构三个方面对结构化压缩感知的基本模型和关键技术进行详细的阐述,综述了结构化压缩感知的最新的研究成果,指出结构化压缩感知进一步研究的方向.     

基于参数化流形学习的压缩传感重构方法

压缩传感是一种新的信息获取理论,它突破了传统的采样理论,将数据采集和压缩合二为一,再利用重构算法将原始数据恢复。为了能够得到更好的压缩传感重构效果,把流形学习的思想和方法与压缩传感相结合,提出了一种基于参数化流形学习的压缩传感重构方法。实验结果表明,提出的方法对自然图像进行重构取得了很好的效果,充分验证了基于参数化流形学习的压缩传感重构方法的有效性。     

基于压缩感知理论的WSNs时序信号分段压缩算法

针对压缩感知理论(CS)应用在无线传感器网络中时序信号在传输过程存在压缩比率低、通信能耗高等问题,提出了一种时序信号分段压缩算法来解决在信号稀疏度未知及高稀疏度条件下,压缩感知数据重构算法中存在的重构效率低,重构精度差,影响网络生命周期的问题.该算法将采集数据中非零元素个数作为分段依据,通过减少段内非零元素组合数量来提高信号重构精度,同时利用了压缩感知理论特性实现了对信号的高压缩率.实验结果表明,在以混沌量子免疫克隆重构(Q-CSDR)算法为重构算法、在信号盲稀疏度及稀疏度高于40的条件下,能够以大于0.4的压缩比率对信号进行压缩,其重构信号的均方误差小于0.01,能够延长网络寿命2倍左右.     

Compressive sensing reconstruction for compressible signal based on projection replacement

Compressive sensing can reconstruct compressible or sparse signal at the under-sampling rate. However small coefficients of the compressible signal with large number but low energy are hard to be reconstructed, while also infect the accuracy of the big coefficients. In this reason, for the compressive sensing algorithms such as orthogonal match pursuit (OMP) and tree-structed wavelet compressive sensing (TSW-CS), an assumed error is in the measurement model, which makes the reconstructed results not satisfy the original measurement model. Aiming at this problem, we propose the projection replacement (PR) algorithm by building the measurement space and its orthogonal complement space with singular value decomposition, and replacing the projection in measurement space of the reconstructed result with the pseudo-inverse one. The proposed PR algorithm eliminates the hypothetic measurement error in OMP and TSW-CS reconstructed model, and it guarantees theoretically that the PR results have a smaller error. Its effectiveness is verified experimentally with OMP and TSW-CS. The proposed algorithm serves as a good reconstruction algorithm for the CS-based applications such as image coding, super-resolution, video retrieval etc.     

Robust 1-bit compressive sensing via variational Bayesian algorithm

In a compressive sensing (CS) framework, a sparse signal can be stably reconstructed at a reduced sampling rate. Quantization and noise corruption are inevitable in practical applications. Recent studies have shown that using only the sign information of measurements can achieve accurate signal reconstruction in a CS framework. We consider the problem of reconstructing a sparse signal from 1-bit quantized, Gaussian noise corrupted measurements. In this paper, we present a variational Bayesian inference based 1-bit compressive sensing algorithm, which essentially models the effect of quantization as well as the Gaussian noise. A variational message passing method is adopted to achieve the inference. Through numerical experiments, we demonstrate that our algorithm outperforms state-of-the-art 1-bit compressive sensing algorithms in the presence of Gaussian noise corruption.     

Compressive sensing SAR range compression with chirp scaling principle

Compressive sensing(CS) techniques offer a framework for the detection and allocation of sparse signal with a reduced number of measurements.This paper proposes a novel SAR range compression,namely compressive sensing with chirp scaling(CS-CS),achieving the same range resolution as conventional SAR approach,while using fewer range samplings.In order to realize accurate range cell migration correction(RCMC),chirp scaling principle is used to construct reference matrix for compressive sensing recovery.Additionally,error diagrams are designed for measurement of the performance of CS-CS,and some experiments of using real data are performed to deal with the errors caused by three conditions:SNR,sparsity and sampling.     

Adaptive gradient-based block compressive sensing with sparsity for noisy images

This paper develops a novel adaptive gradient-based block compressive sensing (AGbBCS_SP) methodology for noisy image compression and reconstruction. The AGbBCS_SP approach splits an image into blocks by maximizing their sparsity, and reconstructs images by solving a convex optimization problem. In block compressive sensing, the commonly used square block shapes cannot always produce the best results. The main contribution of our paper is to provide an adaptive method for block shape selection, improving noisy image reconstruction performance. The proposed algorithm can adaptively achieve better results by using the sparsity of pixels to adaptively select block shape. Experimental results with different image sets demonstrate that our AGbBCS_SP method is able to achieve better performance, in terms of peak signal to noise ratio (PSNR) and computational cost, than several classical algorithms.