基于DCFT的Chirp矩阵采样重构算法

在Chirp矩阵的压缩采样中,针对离散傅里叶变换(DFT)相关检测算法重构精度较差、可用信号稀疏度有限的问题,提出一种基于离散Chirp-Fourier变换(DCFT)的重构算法。根据信号稀疏度k增加采样数,使采样矩阵具有对k值大的信号有准确重构的能力;选择采样信号k个最大的DCFT幅值所对应的原子索引来击中信号非零元的位置,以减少DFT相关算法中交调干扰造成的最佳原子误检测;利用最小二乘法估计各非零元的幅值,进一步减小重构误差。对长度为1 681的一维信号进行采样和重构实验,结果表明,该算法重构的信号稀疏度增大至DFT相关检测算法的4倍,并且时间复杂度仍为O(kN)。     

基于压缩传感的宽带频谱协方差感知算法

宽带感知需要超宽的射频前端,非常快的数字处理设备,传统的频谱检测机制承受着巨大的压力.利用宽带频谱中信号频谱的稀疏特性以及实际稀疏数据观察值成组出现,即组稀疏的特性,将压缩传感算法应用于宽带频谱感知,通过阈值判断,对欠采样下的信号进行重构,进而进行频谱感知,提出了基于压缩传感的频谱协方差感知算法,当压缩比为0.1时系统...     

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.     

一种基于小波稀疏基的压缩感知图像融合算法

随着压缩感知技术的发展,基于压缩感知的图像融合技术研究逐渐受到越来越多的重视。针对图像小波分解系数特点,提出了一种基于双放射状采样模式的压缩传感域图像融合算法。该算法首先通过双放射状采样模式获得待融合图像的小波稀疏域线性测量值;然后利用一种简单的绝对值最大融合规则直接在压缩感知域进行融合,最后通过最小全变分的方法重构融合图像。主客观实验结果表明,该算法具有良好的融合效果。     

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。     

WSN中的分布式压缩感知

为了解决传统的压缩感知算法在无线传感器网络中实现的难题,首先研究了用定时器控制ADC进行随机压缩采样的压缩感知技术,实验表明,该方法有效可行。在此基础上提出了基于无线传感器网络的分布式压缩感知算法。该算法通过对随机压缩采样序列的拆分实现分布式压缩采样,最后利用合并后的采样值和CoSaMP算法完成对信号的重构。仿真和实验表明,该方法能够在星型网络拓扑中实现以1/10的标准采样频率下实现信号的重构。     

基于DFT基的矿井视频监控图像分块压缩感知方法

针对矿井视频监控图像受噪声干扰影响大,采用常规的图像采样和压缩方法存在图像模糊和传输时间过长等问题,提出了一种矿井视频监控图像分块压缩感知方法。该方法通过建立矿井视频监控图像分块压缩感知模型,在井下图像采集节点利用稀疏随机矩阵进行压缩采样,然后在地面监控中心利用正交匹配追踪( OMP )算法重构图像。研究结果表明,采用本文算法的重构图像误差小、重构时间短,所需信号采样点数少;与扰频Hadamard矩阵相比,采用稀疏随机矩阵和高斯随机矩阵作为观测矩阵对图像信号重构的峰值信噪比( PSNR)提高4 dB~5 dB;本文算法与基于小波基的算法相比,信号重构的PSNR提高1 dB~4 dB,重构时间缩短至少80％以上。     

基于Bayesian压缩感知的融合算法

根据压缩感知理论中的采样模式,提出了一种基于改进采样模式的压缩域图像融合算法.该算法首先通过双星型采样模式获得待融合图像的稀疏域压缩测量值,然后利用一种简单的绝对值最大融合规则直接在压缩感知域进行融合,最后通过贝叶斯的方法重构融合图像.在图像重建的过程中采用了贝叶斯方法.由于考虑了误差以及噪声的影响,使得融合图像的质量进一步提高.仿真结果表明,该算法具有良好的融合效果.     

量化压缩感知在语音压缩编码中的应用

利用语音信号在离散余弦变换（ DCT）域的近似稀疏性和量化压缩感知理论,文中提出一种基于量化压缩感知的语音压缩编码方案。编码端利用压缩感知技术,将语音信号投影成数据量大大减少的观测序列,然后对观测序列采用Lloyd-Max量化得到量化后的观测样值;解码端直接利用量化后的观测样值,结合重构算法重构出原始语音信号的DCT系数,经过DCT反变换得到重构后的语音信号,并采用后置低通滤波器改善重构语音的听觉效果。该编码方案解码端不需要进行反量化,而是直接利用量化后的观测样值进行重构,有效降低了解码端的运算量及复杂度。仿真结果表明：采用量化迭代硬阈值（QIHT）算法重构效果优于迭代硬阈值算法（IHT）,重构语音的信噪比能达到20 dB以上,MOS分达到3.26。     

基于二次筛选的回溯广义正交匹配追踪算法的稀疏信号重构

压缩感知是一种新型的信号采样及重构理论,高效的信号重构算法是压缩感知由理论转向实际应用的枢纽。为了更精确地重构出原始稀疏信号,本文提出一种基于二次筛选的回溯广义正交匹配追踪算法。首先采用内积匹配准则选出较大数目的相关原子,提高原子的利用率。其次利用广义Jaccard系数准则对已选出的原子进行二次筛选,得到最匹配的原子,优化原子选取方式。实验结果表明,在不同稀疏度和观测值下进行信号重构,相比于回溯广义正交匹配追踪算法、正交匹配追踪算法及子空间追踪算法,本文算法在重构误差及重构成功率方面有较大的优越性。     

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。     

遥感图像变化区域的无监督压缩感知

传统的基于结构特征的遥感图像变化检测方法,易受成像稳定性的影响而误差很大。针对图像内在的稀疏性结构信息,提出基于压缩感知(CS)的遥感图像变化检测方法。通过自适应构造超完备字典将图像局部信息投影到高维空间中,实现图像的稀疏表示,并运用随机矩阵得到了数据在高维空间中的低维特征子空间。最后利用模糊C均值(FCM)聚类算法进行无监督聚类,实现遥感图像变化区域信息的重构。实验结果表明,本文方法不仅能够很好的检测出图像的轮廓变化和图像的区域变化,而且对噪声具有很好的鲁棒性。     

压缩感知重构匹配类算法分析

压缩感知理论是一种利用信号的稀疏性或可压缩性而把采样与压缩融为一体的新理论体系,它成功地克服了传统理论中采样数据量大、资源浪费严重等问题。该理论的研究方向主要包括信号的稀疏表示、测量矩阵的设计和信号的重构算法。其中信号的重构算法是该理论中的关键部分,也是近年来研究的热点。本文主要对匹配追踪类重构算法作了详细介绍,并通过仿真实验结果对这些算法进行了对比和分析。     

一种变步长稀疏度自适应子空间追踪算法

针对压缩感知（Compressive sensing,CS）中未知稀疏度信号的重建问题,本文提出一种变步长稀疏度自适应子空间追踪算法.首先,采用一种匹配测试的方法确定固定步长,然后以该固定步长与变步长方式相结合,通过不同支撑集原子个数下的重建残差变化确定信号稀疏度,算法采用子空间追踪方法确定相应支撑集原子,并完成原始信号准确重建.实验结果表明,与同类算法相比,该算法可以更准确重建原始信号,且信号稀疏度值较高时,运算量低于同类算法.     

一种改进的基于压缩感知的稀疏信道估计算法

分析了突发信号的结构特征,提出了一种改进的基于压缩感知的稀疏信道估计方法。在信道初始估计中,利用前导伪随机序列的自相关特性,估计信道的路径时延,以此初始化稀疏重构算法,增加了信道估计的先验信息。在后续处理中,利用前一时刻已估计出的信道信息,跟踪估计当前时刻的信道信息。仿真证明,与最小二乘估计算法、正交匹配追踪算法和分离近似稀疏重构算法相比,本文提出的算法提高了信道估计的精度,降低了接收系统的误码率。     

Hierarchical distributed compressive sensing for simultaneous sparse approximation and common component extraction

Simultaneous sparse approximation is a generalization of the standard sparse approximation, for simultaneously representing a set of signals using a common sparsity model. Distributed compressive sensing (DCS) framework has utilized simultaneous sparse approximation for generalizing compressive sensing to multiple signals. DCS finds the sparse representation of multiple correlated signals from compressive measurements using the common + innovation signal model. However, DCS is limited for joint recovery of a large number of signals since it requires large memory and computational time. In this paper, we propose a new hierarchical algorithm to implement the joint sparse recovery part of DCS more efficiently. The proposed approach is based on partitioning the input set and hierarchically solving for the sparse common component across these partitions. The numerical evaluation of the proposed method shows the decrease in computational time over DCS with an increase in reconstruction error. The proposed algorithm is evaluated for two different applications. In the first application, the proposed method is applied to video background extraction problem, where the background corresponds to the common sparse activity across frames. In the second application, a common network structure is extracted from dynamic functional brain connectivity networks.     

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.     

基于非重构压缩采样的动态稀疏信号快速检测技术研究

战场电磁环境的快速、准确感知对于提高战术无线通信系统的时变电磁环境适应能力和抗干扰能力具有重要意义。本文分析了跳频通信信号、扫频干扰信号等战场常见的多种通信信号与干扰信号的动态稀疏特性,构建了动态稀疏信号检测的统一框架。在此基础上,提出了基于非重构压缩采样的动态稀疏信号快速检测技术的基本思路,并分析了该方法的检测性能界。分析结果表明:该方法不仅能够充分利用动态稀疏信号的稀疏特性,大大降低采样速率和后续分析与处理中的数据量,而且避免了复杂的信号重构,能够有效降低动态稀疏信号检测的处理时延,提高了战场电磁环境感知的实时性。     

压缩感知的量化率失真分析

压缩感知理论表明稀疏信号能由少量的随机测量值恢复,从信息理论的角度来看,随机测量值能否有效表示稀疏信号仍是一个值得探讨的问题。针对压缩感知测量值的量化,将率失真理论作为工具研究压缩测量值的量化带来的平均失真度,包括均匀量化和非均匀量化两种情况,并进一步得到由量化测量值重构信号的率失真性能极限。理论分析和实验结果表明,相对于信号的自适应编码随机观测过程会引起较大的失真,但是压缩感知能利用信号的稀疏度来减小量化后的重构失真,这说明量化压缩感知适用于低稀疏度的信号。     

Node localization algorithm for wireless sensor networks using compressive sensing theory

In recent years, localization has been recognized as an important supporting technology for wireless sensor networks (WSNs). Along with the increase in WSN indoor applications, indoor localization has become a hot research topic and many localization algorithms have been studied. Among these algorithms, the localization method based on compressive sensing theory emerges as a popular approach to indoor localization. In this approach, the nodes are sparse when compared to the number of grids utilized to represent the locations of the nodes, so the locations are considered as sparse signal and can be reconstructed using the compressive sensing techniques. The localization problem is formulated as the sparse reconstruction of sparsifying matrix which is comprised of measurement of received signal at grids. In order to improve the localization accuracy and meet the real-time requirement of localization applications in large indoor area, an indoor localization algorithm based on dynamic measurement compressive sensing for wireless sensor networks is proposed. Using the bounding-box method, we firstly identify a potential area that possesses the independent features. Instead of using the entire node deployment region as the measurement area, our method can decrease the number of meshing and also the dimension of measurement matrix. Meanwhile, we assume that only the anchor nodes which have communication relationship with the unknown nodes can be used as the measuring nodes; the measurement matrix of unknown nodes which need to be localized can be dynamically constructed according to the potential area and the received anchor node information, and the maximum number of measurement is decided by the number of grids of potential area. The proposed algorithm can mitigate the measurement redundancy and improve the real-time feature. Simulation results indicate that the proposed algorithm can reduce the time complexity and also maintain good localization accuracy and localization efficiency.