面向内容的语音信号压缩感知研究

压缩感知理论依据信号的稀疏性质进行压缩测量,将信号的获取方式从对信号的采样上升为对信息的感知,是信号处理领域的一场革命。本文提出一种基于非确定基字典（Uncertainty Basis Dictionary, UBD）对语音信号进行稀疏表示的方法,将压缩感知理论应用于对语音信号稀疏表示的压缩,并提出了基于求解线性规划问题的方法重构语音信号的算法。通过语音识别、话者识别和情感识别实验,从面向内容分析的角度,研究这种基于压缩感知理论的信息感知方法是否保留了语音信号的主要内容。实验结果表明,语音识别、话者识别和情感识别的准确率,与目前这些领域研究方法得到的结果基本一致,说明基于压缩感知理论的信息感知方法能够很好地获取语音信号的语义、话者和情感方面的信息。      

基于自相关观测的语音信号压缩感知

本文基于压缩感知技术,根据语音信号的特点,提出了一种基于自相关特性的截断循环自相关矩阵作为观测矩阵,并在此基础上,从实用的角度出发,提出了基于模板匹配的近似截断循环自相关矩阵作为观测矩阵,并证明其满足RIP特性。由语音信号与截断循环自相关矩阵、近似截断循环自相关矩阵和高斯随机矩阵分别构造相应的观测,采用BP算法来重构原始语音信号。实验表明,由2个模板元素线性组合而成的近似截断循环自相关矩阵重构原始语音信号的性能与截断循环自相关矩阵的重构性能相当,且优于经典高斯随机矩阵,而且在相同的重构性能下,其压缩比远大于高斯随机观测矩阵,对语音信号的压缩性能有了明显地提高。      

基于压缩感知的跳频信号接收处理方法综述

为了有效解决军事卫星通信和航天测控通信系统在跳频信号的超宽带、超高频、高码率、高采样率等方面处理压力的问题,通过对压缩感知原理关键技术问题和传统跳频信号处理方法国内外现状的研究,提出了基于压缩感知的跳频信号接收处理方案。结合跳频信号的内部结构特性,考虑跳频图案和动态多普勒引起的频偏,从跳频信号的稀疏性分析和模型的建立出发,对跳频信号稀疏分解表示、数字域模拟域压缩采样、压缩域跳频信号相关解调处理三个方面进行简要论述,并进行了总结展望。     

压缩感知处理语音信号的性能分析及比较

针对CS理论中测量矩阵开展研究工作,采用不同测量方法对语音信号进行了大量的CS压缩实验,并对CS恢复后数据作了分析比较,探索了CS处理语音信号的可行性。     

压缩感知理论在语音信号去噪中的应用

针对小波阈值滤波的局限性,将压缩感知理论应用到语音信号去噪中,并与小波阈值滤波方法进行了比较,仿真实验结果表明：基于压缩感知的小波滤波方法可以有效地去除语音信号中的噪声,并且去噪效果优于传统小波阈值滤波方法,对工程中音频信号的降噪具有指导意义。     

基于差分变换的语音信号压缩感知

信号在某种变换下可以稀疏表示是压缩感知研究的先验条件,正交傅里叶变换则是应用非常广泛的一种稀疏变换。但是,由于语音信号是准周期信号,对其进行傅里叶变换会造成频谱泄漏,因而引起信号重构性能的降低。本文基于语音信号准周期性的特点,提出了一种基于差分变换的语音稀疏化变换矩阵,在此基础上采用OMP优化算法来重构语音信号。实验表明,与采用正交傅里叶变换方法对语音信号进行稀疏化变换、OMP算法对语音信号进行重构的方法相比,差分变换方法的性能明显优于正交傅里叶变换的方法,即在相同重构性能时,差分变换的压缩比小于正交傅里叶变换,因而差分变换的方法大大提高了信号的压缩性能。PESQ对重构语音质量评测的结果表明差分变换方法重构的语音信号MOS得分较高,这也说明对于语音信号这一特殊信号,差分变换法具有很大的优越性。      

基于压缩感知的稀疏线性预测语音编码

目前的VoIP技术已无法满足宽带语音服务的高清语音质量和安全性,文中对这一问题,做了初步的探索和研究。在现有的压缩感知理论基础上,针对语音信号提出了一种新的稀疏域,构造了将压缩感知技术应用于语音信号压缩的基本框架。     

基于自适应冗余字典的语音信号稀疏表示算法

基于冗余字典的信号稀疏表示是一种新的信号表示理论,当前的理论研究主要集中在字典构造算法和稀疏分解算法两方面。该文提出一种新的基于自适应冗余字典的语音信号稀疏表示算法,该算法针对自相关函数为指数衰减的平稳信号,从K-L展开出发,建立了匹配信号结构的冗余字典,进而提出一种高效的基于非线性逼近的信号稀疏表示算法。实验结果表明冗余字典中原子的自适应性和代数结构使短时平稳语音信号稀疏表示具有较高的稀疏度和较好的重构精度,并使稀疏表示算法较好地应用于语音压缩感知理论。     

冗余字典在压缩感知中的应用研究

信号的稀疏表示是压缩感知理论中的关键问题,一般选择正交基作为压缩感知中的稀疏变换基。因为冗余字典能更有效的表示信号的特征,使得信号能用字典中的少量原子线性表示,因此本文对冗余字典在压缩感知理论中的应用进行了研究。设计了由不同正交基与单位矩阵组成的3种简洁冗余字典,作为压缩感知的稀疏变换基。以一维信号作为测试信号,研究了冗余字典的稀疏表示和算法重构的性能。实验结果证明了冗余字典在压缩感知理论中应用的有效性。     

基于压缩感知的LFM雷达信号回波盲稀疏度估计

由于压缩感知理论用于LFM雷达中要预先给出信号稀疏度,提出了自适应正交匹配追踪算法(AOMP),该方法可用于处理LFM雷达回波信号。在稀疏度即目标数目未知时,由不同发射信号通过延时进而相加来构造冗余字典。AOMP算法是依据残差之差的相对能量小于设定的停止门限来自适应终止稀疏分解过程。理论分析和仿真结果表明,存在噪声时,AOMP算法优于OMP算法,明显提高重构算法的重建概率。当回波信号的距离分辨率匹配字典的距离分辨率,冗余字典结合AOMP算法可有效处理LFM雷达回波信号,具有广泛的应用价值。     

基于近似KLT域的语音信号压缩感知

压缩感知是近年来兴起的研究热点,该文基于语音信号在KLT域的稀疏特性,提出了基于模板匹配的近似KLT,并在基于模板匹配近似KLT域上研究了语音信号的压缩感知性能。首先验证语音信号在基于模板匹配近似KLT域上的稀疏性,然后由语音信号与观测矩阵构造相应的观测,采取固定分配每帧观测个数和按帧能量自适应分配每帧观测个数两种方案,再以观测为已知条件利用L1优化算法重构语音信号在基于模板匹配近似KLT域的稀疏系数向量,进而重构原始语音信号。实验表明,语音信号在基于模板匹配的近似KLT域的压缩感知性能较好。     

一种基于压缩感知的天波超视距雷达短时海杂波抑制方法

针对传统时域对消方法在短时条件下杂波重构精度低、抑制性能差的缺陷,该文提出一种基于压缩感知的天波雷达短时海杂波重构及抑制方法。首先对天波雷达短时回波模型进行了建模,在此基础上分析了利用压缩感知进行短时海杂波重构的合理性;其次分别从基于复冗余正弦字典的回波稀疏表示、基于降维字典的传感矩阵表示和基于改进的正交匹配追踪算法的杂波重构及抑制3个步骤对所提算法进行了详细阐述;最后进行了计算机仿真分析和实测数据验证。相关结果表明,在短时条件下,所提方法较传统时域对消方法和子空间类抑制方法具有较优的杂波抑制性能和工程应用价值。     

基于变分模态分解和压缩感知的弱观测条件下雷达信号重构方法

针对弱观测条件下雷达信号存在数据残损的问题,该文提出一种基于变分模态分解和压缩感知(VMD-CS)的雷达信号重构方法。首先通过变分模态分解对采样数据进行降解去噪处理,其次在压缩感知框架下构造观测矩阵、稀疏表示字典矩阵,然后基于正交追踪匹配(OMP)算法重构出稀疏表示向量。在此基础上利用离散余弦稀疏矩阵重构信号,实现对残损雷达信号的数据重构。在连续丢失数据和随机丢失数据两种情况下,对实际采集的线性调频(LFM)雷达信号进行仿真实验。实验结果表明：在数据连续丢失率不高于30%或随机丢失率不高于60%的情况下,该文方法能有效重构雷达信号,在时域、频域和瞬时频率上能够准确逼近原始信号。     

基于压缩感知的加速前向后向匹配追踪算法

前向后向匹配追踪(FBP)算法作为一个新颖的两阶段贪婪逼近算法,因为较高的重构精度和不需要稀疏度作为先验信息的特点,受到了人们的广泛关注。然而,FBP算法必须运行更多的时间才能得到更高的精度。鉴于此,该文提出加速前向后向匹配追踪(AFBP)算法。该算法利用每次迭代中候选支撑集的信息,实现对已删除原子的再次加入,以此减少算法迭代次数。通过不同非零项分布的稀疏信号和稀疏图像的仿真结果表明,相对于FBP算法,该文提出的方案在不降低重构精度的同时,大幅降低了算法运行时间。     

基于压缩感知的双向阈值匹配追踪算法

最近提出的前向后向算法(Forward-backward Pursuit,FBP)因为重构精度较高受到人们更多关注.但是FBP算法没有考虑到当前迭代残差信号的变化,每次迭代选取的原子和删减原子的数目是固定的.鉴于此,提出了双向阈值匹配追踪算法(Ovonic Threshold Matching Pursuit,OTMP).OTMP前向原子选择过程通过限制等距性质(RIP)和残差的条件选出部分新增加原子,在回溯过程中通过当前迭代的重构水平剔除可能错误的原子.实验表明,在一定条件下OTMP时间复杂度和正交匹配追踪算法(Orthogonal Matching Pursuit,OMP),子空间追踪算法(Subspace Pursuit,SP)相当,重构精度明显高于SP,FBP算法和其他几种贪婪算法.     

适用于无线传感器网络的层次化分布式压缩感知

分布式压缩感知(Distributed Compressed Sensing, DCS)是在无线传感器网络(Wireless Sensor Network, WSN)中减少数据传输量、降低能量消耗的有效手段。该文面向分簇WSN,提出层次化分布式压缩感知(Hierarchical Distributed Compressed Sensing, HDCS)。在利用簇内DCS消除簇内时间、空间冗余的基础上,利用簇间DCS消除簇间空间冗余,减少簇头的数据发送量。针对分簇WSN采集信号的结构化稀疏特性,建立块稀疏簇内联合稀疏模型与块稀疏簇间联合稀疏模型,提出HDCS观测方案与层次化联合重构算法。仿真结果表明,与普通DCS相比,HDCS在保证重建信号质量的同时,能够有效减轻簇头的通信负担,并显著降低Sink上的信号重构时间。     

一种压缩感知重构算法

为提高压缩感知重构精度,该文提出一种分段弱阈值修正共轭梯度追踪算法。该算法修正了方向追踪算法的方向,明确给出了搜寻原子下标的停止迭代准则,利用搜寻所得下标集通过最小二乘法得到稀疏信号的估计值。仿真结果表明在同等稀疏的条件下实现精确重构,该算法与匹配追踪(MP)算法和分段正交匹配追踪FDR阈值算法(StOMP-FDR)相比,所需的观测值个数少20%;在处理2维图像信号时,其重构精度比分段正交匹配追踪FAR阈值算法(StOMP-FAR)和贝叶斯算法(BCS)高1%。     

语音信号处理技术

语音信号处理用以实现人一人、人一机器和机器一人的通信，是现代通信领域的重要环节。本文详细介绍了其三个分支，即语音编码、语音合成、语音识别和理解的研究和应用现状及其发展。