基于小波树模型的CoSaMP压缩感知算法

无线传感网络存在网络带宽限制和传感器节点的能耗问题,实际应用中通常希望可以通过重构算法从采集的少量数据中还原出原始信息,压缩感知理论为上述问题提供了一个解决思路。利用压缩感知理论,对无线传感器网络中温度传感器的监测信号进行了压缩感知的应用研究。针对传统压缩采样匹配追踪(CoSaMP)算法中测量次数多、重构精度低等问题,利用信号的小波系数所形成的连通树的结构特性,提出了基于小波树模型的压缩采样匹配追踪算法。将该算法应用到无线传感器网络监测信号的压缩感知仿真实验中,与传统压缩采样匹配追踪算法的重构性能进行比较,结果表明该算法较传统压缩采样匹配追踪算法在一定范围内对无线传感器网络中的温度信号具有更好的压缩感知性能。     

基于压缩感知和WSNs的井下应急语音通信系统设计

考虑到井下应急救灾的需要,设计了一种基于压缩感知和无线传感器网络(WSNs)的矿井应急语音通信系统.根据语音信号的稀疏性,采用压缩感知的方法,对语音信号进行随机采样并传输,在Sink接收端,分别利用OMP算法和CoSaMP算法进行信号重构,对比仿真实验表明:CoSaMP重构效果较好.考虑到井下无线信号传输受限,进行了井下无线通信实验,表明在通信距离为20m情况下,可实时可靠地实现井下应急语音通信.     

基于压缩感知和双簇头交替的WSNs路由算法

提出了一种基于压缩感知和双簇头交替的无线传感器网络分层路由算法CS-DC HA(Compressed Sensing-Double Cluster Head Alternation)。该算法对DCHS(Deterministic Cluster-head Selection)算法进行改进,利用压缩感知理论优化稀疏采样过程;采用双簇头交替方法进行路由选择,进而实现减低能耗;同时以贝叶斯算法进行稀疏信号重构。通过实验可以看出,相比于传统的无线传感器监测网络,CS-DCHA算法保证了在一定的信号重构精度条件下,能降低无线传感器网络的能耗并延长其生存时间。     

基于压缩感知的电压传感器信号处理方法

针对电压传感器信号实时处理计算量大,提出了一种基于压缩感知的数字信号处理方法.该方法通过自适应随机测量矩阵对原始电压传感器数据进行压缩采样,然后用二次最优对压缩信号进行重构,恢复原始信号.该方法具有计算量小,重构精度高等优点.在电压传感器上的实验表明,该算法的重构平均精度能达到92.34％.     

基于分类的分布式压缩感知算法

在无线传感器网络中,压缩感知是一种新兴的数据融合方法,能利用少量数据采样进行数据恢复。由于具有较好的节省能耗的性质,压缩感知受到研究人员越来越多的关注。然而,传统的应用于无线传感器网络中压缩感知方法是在汇聚节点得到所有节点的加权和,然后利用重构算法对整个网络中各节点的数据进行恢复,并没有考虑到网络节点的分布式的特性。因此,当网络拓扑较复杂时,应用压缩感知时数据需要传输的次数并不会低于利用最短路径树时数据需要传输的次数。在该文中,我们考虑如何将压缩感知技术更好的和网络节点的分布式结构相结合,使得该技术的更加符合无线传感器网络的需求。     

面向无线传感结构健康监测的压缩感知方法研究

无线传感器网络在结构健康监测方面有着广泛的应用,但由于该领域的传感器数量和种类众多,数据压缩对系统的高效运行起着关键作用。因此,提出了一种基于压缩感知的无线传感结构健康监测方法,对航空铝板的结构振动信号采用高斯随机矩阵将高维信号序列投影到低维空间,获得稀疏采样的线性测量值,实现信号的压缩采样。研究改进的正交匹配追踪算法来实现稀疏信号的重构。实验结果表明,与已有的无线传感结构健康监测相比,采用压缩采样的监测方法具有良好的抗噪性,并能获得较好的数据压缩效果,节省了网络的带宽和能量;通过信号的近似重构（重构误差在±0.13）,能实现航空铝板损伤准确识别（误差0.84mm）。     

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。     

基于差值信号稀疏模型的分布式压缩感知

利用无线传感器网络的空间相关性,构建了一种差值信号稀疏模型,该模型适用于对同一物理现象或事件进行监测的传感器网络应用。在差值信号稀疏模型的基础上,提出了一种适用于该模型的分布式压缩感知算法,该算法能够在节点间不通信的情况下实现对差值信号的编码。仿真结果表明,与单独重构相比,提出的算法可以用更少的观测值联合重构出信号群,以能量有效的方式满足了无线传感器网络的应用。     

基于分布式压缩感知的无线传感器网络异常数据处理

无线传感器网络的海量数据采集、传输和处理,对传感器节点的处理能力和功耗提出了严峻挑战,而且现实环境中传感器故障或者环境因素的突变会导致部分采集数据异常,而传统的数据处理方法无法对包含异常的数据进行有效的处理。针对上述问题,文中提出了两类无线传感器网络的异常数据模型,以及相应的基于分布式压缩感知的异常数据处理方法。通过协同的多个传感器进行数据压缩采样,当多个传感器采集的数据包含异常成分时,分布式压缩感知技术对数据中相同的正常分量进行一次统一重构,仅对不同的异常分量进行单独重构,从而避免了对相同数据分量的重复处理,提高了对包含异常成分数据处理的效率。另外,分布式压缩感知技术充分利用数据间的相关性,可有效减少传感器网络的数据采集量,加强其对抗异常数据的鲁棒性。对两类异常数据模型的数值仿真结果表明:相比于传统的基于单组测量值的压缩感知技术,基于分布式压缩感知技术的数据处理方法在提高异常数据重构准确率的同时,将采样数据量减少了约33%,证明了该方法的有效性。     

面向结构损伤信号的多传感器感知融合方法

针对结构监测中的结构损伤信号的处理,提出一种基于压缩感知的数据融合方法,实现压 缩采样后的稀疏信号的融合和重构。对航空铝板的损伤信号采用高斯随机矩阵将高维 信号序列投影到低维空间,获得稀疏采样的线性测量值,实现信号的压缩采样;再对多 传感器的线性测量值进行数据融合;最后通过重构算法来实现信号的重构。实验表明,与现 有的方法相比,感知融合的方法具有更好的融合性能和抗噪性,能获得更高的数据压缩效果 ,节省了网络的带宽和能量,更适合于结构损伤信号的处理。     

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。     

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。     

基于压缩感知改进算法的MIMO-OFDM稀疏信道估计

结合压缩感知理论（CS）,针对压缩采样匹配追踪算法在多输入多输出正交频分复用（MIMO_OFDM）系统信道估计应用中需要利用信号稀疏度的先验条件,而实际中稀疏度又难获得的情况,提出一种信号稀疏度自适应的压缩采样改进匹配追踪算法（CoMSaMP）。该算法采用具有理论支撑的原子弱选择标准作为预选方案,并设置首次裁剪阈值来减少算法多余的迭代,降低算法在信道估计中的复杂度,裁剪方式的改进保证了重构精度的提高,最终实现MIMO-OFDM稀疏信道估计中信号的稀疏度自适应。仿真结果表明：与原算法相比,该算法在同等信噪比条件下具有更优的信道估计性能,从而提高了频谱利用率,同时降低了复杂度,在稀疏度较高时,提出的算法具有更好的对噪声的抗干扰能力。     

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。     

基于贝叶斯压缩感知的自适应测量算法

针对传统压缩感知理论无法实现自适应压缩测量的不足,介绍了基于贝叶斯估计的压缩感知重构算法;建立了基于重构信号微分熵的自适应评价指标;构建了基于分块测量方式的自适应压缩测量算法。仿真分析了该算法用于随机阶跃信号的测量效果,实验结果表明：建立的自适应评价指标与被测信号重构误差具有相似的变化趋势,能有效反映随机测量进程,可以实现自适应压缩测量。正是在BCS理论的基础上,提出了一种根据以获取信息的不确定度,进而自适应实现压缩测量的算法,该算法运算简单,适用于实时信号的在线压缩测量。     

Sparsity based off-grid blind sensor calibration

Compressive Sensing (CS) based techniques generally discretize the signal space and assume that the signal has a sparse support restricted on the discretized grid points. This restriction of representing the signal on a discretized grid results in the off-grid problem which causes performance degradation in the reconstruction of signals. Sensor calibration is another issue which can cause performance degradation if not properly addressed. Calibration aims to reduce the disruptive effects of the phase and the gain biases. In this paper, a CS based blind calibration technique is proposed for the reconstruction of multiple off-grid signals. The proposed technique is capable of estimating the off-grid signals and correcting the gain and the phase biases due to insufficient calibration simultaneously. It is applied to off-grid frequency estimation and direction finding applications using blind calibration. Extensive simulation analyses are performed for both applications. Results show that the proposed technique has superior reconstruction performance.     

基于CS-CoSaAMP的超宽带多径信道估计

针对匹配追踪类算法要求稀疏度作先验条件的不足,提出压缩采样自适应匹配追踪（CoSaAMP）新算法。结合完备的冗余字典,算法在稀疏度未知时,可以通过自适应调整可变步长逐步逼近信道的稀疏度,用于解决超宽带信道的重建问题。仿真结果表明,提出的CoSaAMP算法性能收敛速度快,估计效果好,可有效用于实际超宽带信道估计。