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)。     

基于压缩感知的空域信号DOA估计

研究了基于压缩感知的空域信号DOA估计问题。针对空域信号DOA算法采样数据量大,在低信噪比情况下估计结果较差的问题,文中提出一种基于奇异值分解的多矢量欠定系统聚焦求解算法(SVD-MFOCUSS)。该算法在一定程度上克服了稀疏重构算法在低信噪比情况下的缺陷,具有较低的运算复杂度。实验仿真验证了该算法性能优于传统的DOA估计算法,且能够对相干信号进行有效的DOA估计。     

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...     

基于压缩感知的交互支持双水印算法

 针对一般水印算法功能单一,而双水印算法中两种水印互相干扰的问题,提出了一种交互支持双水印算法.首先将鲁棒水印嵌入图像中,然后从鲁棒水印的密钥中抽取出一部分形成观测矩阵,使用该观测矩阵对图像进行分块压缩感知(Compressive Sensing,CS),观测值即为半脆弱水印,将半脆弱水印作为零水印注册保存.零水印的使用减少了双水印对原始图像视觉效果的影响,可以有效避免两种水印之间的干扰.压缩感知理论的引入实现了两种水印之间的交互支持,一方面,鲁棒水印为半脆弱水印的生成提供观测矩阵及保密支持,另一方面半脆弱水印可以增强鲁棒水印的性能并验证其密钥的真实性.     

压缩感知理论及其应用前景

压缩感知理论是近年来提出的一种基于信号稀疏性的新兴采样理论。与通常的数据采样定理不同,该理论提出可以用远远少于传统采样定理所需的采样点数或观测点数恢复出原信号或图像。本文主要阐述了压缩感知中信号的稀疏表示、测量矩阵的设计及信号的重构算法等基本理论,论述了该理论的广阔应用前景。     

压缩感知伪随机动态功率信号的电能测量方法

针对压缩感知检测方法不能准确测量伪随机动态测试信号电能量值的问题,该文首先分析了动态测试信号的频域稀疏性,证明动态测试信号满足压缩感知检测的条件;然后采用系统稳态优化的方法,构造了一种确定型压缩感知测量矩阵,证明其符合限制等距特性(RIP)条件,最后提出了一种新型压缩感知动态测试信号电能量的测量方法。实验结果表明：该文压缩感知测量方法的理论相对误差优于传统的采样功率电能测量方法,能够实现m序列动态测试信号的电能量值准确测量。     

基于压缩感知的BOTDA性能增强方法

为了提高布里渊光时域分析系统(BOTDA)在长距离监测应用中的实时性,提出了一种基于压缩感知的布里渊光时域系统实时性增强方法。该方法包含稀疏表示、随机采样和信号重构三个部分。首先采用K-均值奇异值分解算法获得布里渊增益谱的稀疏表示,然后通过高斯随机采样和正交匹配追踪算法进行布里渊增益谱重构。为了验证所提方法的性能,仿真生成了不同信噪比水平的布里渊增益谱,搭建了45 km的布里渊光时域系统进行温度传感实验。仿真和实验结果表明:在累加平均次数为100时,所提算法将信噪比提升了6.37 dB,优于累加平均次数3000时的10.13 dB,对应测量时间减少了1/30;采用8 MHz步长数据重构布里渊增益谱,该方法的重构结果与4 MHz步长数据的相关系数为0.9992,对应扫频时间减少了一半。所提算法在保证测量精度的同时提升了测量实时性。     

压缩感知理论及其研究进展

 信号采样是联系模拟信源和数字信息的桥梁.人们对信息的巨量需求造成了信号采样、传输和存储的巨大压力.如何缓解这种压力又能有效提取承载在信号中的有用信息是信号与信息处理中急需解决的问题之一.近年国际上出现的压缩感知理论(Compressed Sensing,CS)为缓解这些压力提供了解决方法.本文综述了CS理论框架及关键技术问题,并着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展,评述了其中的公开问题,对研究中现存的难点问题进行了探讨,最后介绍了CS理论的应用领域.     

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。      

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。     

图像压缩感知中常用测量矩阵的性能比较

测量矩阵是压缩感知编码端不可或缺的一部分,测量矩阵的好坏直接影响到重构出信号的质量好坏。目前常用的测量矩阵有很多,但很少有文献将该矩阵进行系统地比较。对目前常用的测量矩阵做综合分析,比较它们在压缩感知编解码过程中重构出的信号在视觉效果、峰值信噪比、重构时间等方面的区别。另外,由于使用分块的方式对图像进行编解码,因此也分析比较了不同的分块大小对重构的影响。     

Fast reconstruction method for compressed sensing model with semi-tensor product

To reduce the storage space of random measurement matrix and improve the reconstruction efficiency for compressed sensing (CS),a new sampling approach for CS with semi-tensor product (STP-CS) was proposed.The proposed approach generated a low dimensional random measurement matrix to sample the sparse signals.Then the solutions of the sparse vector were estimated group by group with a l_q-minimization (0$\frac{M}{t}\text{×}\frac{N}{t}$ and decrease tow orders of magnitude of time that for conventional CS,while maintaining the reconstruction quality.Numerical results also show that the reconstruction time can be effectively improved 260 for the image size of 1 024×1 024.     

用于压缩感知的二值化测量矩阵

压缩感知是近年新兴的一种信号处理理论,在一定条件满足的情况下,压缩感知方法可通过远低于 Nyquist 频率的降采样数据以高概率近乎完美地重建原始信号。测量矩阵在压缩感知的整个处理过程中起着非常重 要的作用。本文从恢复算法入手提出二值化测量矩阵,并通过仿真对其性能加以验证。二值化后测量矩阵不仅在 性能上有一定提升,更重要的是可大大降低测量矩阵所需的存储空间以及压缩感知采样、恢复过程的运算量。     

托普利兹矩阵在压缩多径信道估计中的应用

可靠的无线通信需要准确地知道下层信道的信息,因此需要进行信道估计。而许多真实信道表现为仅有一些相对较少的非零信道系数的稀疏多径信道。对于稀疏多径信道的估计,传统方法例如最小二乘法,没有利用稀疏信道本身的低维度特性,所需训练序列的长度较长,因此估计代价较大。基于压缩感知的信道估计方法,利用稀疏先验信息,能较大地缩短所需训练序列的长度,获得较好的估计效果。该文结合压缩感知观测矩阵的特点,证明了当训练序列的长度不长于信道冲激响应的长度,且托普利兹观测矩阵的行数小于列数时,观测矩阵仍然满足有限等距性质;明确提出了稀疏多径信道估计中所使用的观测矩阵的构造条件。实验结果验证了这种优化了的托普利兹观测矩阵的可行性和实用性。      

压缩感知测量方法的机密性

分析了压缩感知（CS）的安全性问题,讨论了在攻击者不知道测量矩阵情况下是否 可以有效对信号进行重构的问题,论证了压缩感知可以达到保密性但达不到完善的保密性 。最后联合信道容量和速率失真函数,讨论了压缩感知恢复信号所需测量数据量的下限,并 分析了测量噪声对信号重构性能的影响。     

低幂平均列相关性测量矩阵构造算法

压缩感知是一种新的信号描述、采样和重构理论,其核心问题包括测量矩阵的选择和构造以及重构算法设计.本文首先提出感知矩阵幂平均列相关性定义,进而得出测量矩阵的择优原则;然后依据等角紧框架理论和特征向量近似法,提出新的测量矩阵构造算法,减小感知矩阵的幂平均列相关性.实验结果表明,本文算法达到了降低感知矩阵列相关性的目的.另外,当重构算法相同时,采用本文算法得到的测量矩阵比采用Gaussian、Elad、Xu和Vahid算法得到测量矩阵的重构错误率要低.     

行阶梯观测矩阵、对偶仿射尺度内点重构算法下的语音压缩感知

基于语音信号在离散余弦域上的近似稀疏性,针对采用随机高斯观测矩阵及线性规划方法进行语音压缩感知与重构时,重构零(近似零)系数定位能力差而导致重构效果不好的缺点,本文提出一种新的行阶梯矩阵做观测矩阵,用对偶仿射尺度内点重构算法对语音进行压缩感知与重构,并对该算法下的重构性能进行理论分析.语音压缩感知仿真结果表明,在离散余弦基下,压缩比(观测序列与原始序列样值数之比)为1∶4时,行阶梯观测矩阵下的平均重构信噪比比随机高斯观测矩阵下提高9.73dB,平均MOS分比随机高斯观测矩阵下提高1.22分.