用于CS的广义稀疏度自适应匹配追踪算法

压缩感知理论的基本思想是原始信号在某一变换域是稀疏的或者是可压缩的,并将奈奎斯特采样定理中的采样过程和压缩过程合二为一。稀疏度自适应匹配追踪（SAMP）算法能够实现稀疏度未知情况下的重构,而广义正交匹配追踪算法每次迭代时选择多个原子,提高了算法的收敛速度。基于上述两种重构算法的优势,提出了广义稀疏度自适应匹配追踪（Generalized Sparse Adaptive Matching Pursuit,gSAMP）算法。针对重构图像的峰值信噪比、重构时间、相对误差等客观评价指标,以及主观视觉上对所提算法与传统的贪婪算法进行对比。在压缩比固定为0.5时,gSAMP算法的重构效果优于传统的MP、OMP、ROMP、SAMP以及gOMP贪婪类重构算法的效果。     

基于压缩感知信号重建的自适应空间正交匹配追踪算法

传统的奈奎斯特采样定理规定采样频率最少是原信号频率的两倍,才能保证不失真的重构原始信号,而压缩感知理论指出只要信号具有稀疏性或可压缩性,就可以通过采集少量信号来精确重建原始信号.在研究和总结已有匹配算法的基础上,提出了一种新的自适应空间正交匹配追踪算法(Adaptive Space Orthogonal Matching Pursuit,ASOMP)用于稀疏信号的重建.该算法在选择原子匹配时采用逆向思路,引入正则化自适应和空间匹配的原则,加快了原子的匹配速度,提高了匹配的准确性,最终实现了原始信号的精确重建.最后与传统MP和OMP算法进行了仿真对比,结果表明该算法的重建质量和算法速度均优于传统MP和OMP算法.     

基于压缩感知信号重建的自适应正交多匹配追踪算法*

近年来出现的压缩感知理论为信号处理的发展开辟了一条新的道路,不同于传统的奈奎斯特采样定理,它指出只要信号具有稀疏性或可压缩性,就可以通过少量随机采样点来恢复原始信号。在研究和总结传统匹配算法的基础上,提出了一种新的自适应正交多匹配追踪算法(adaptive orthogonal multi matching pursuit,AOMMP)用于稀疏信号的重建。该算法在选择原子匹配迭代时分两个阶段,引入自适应和多匹配的原则,加快了原子的匹配速度,提高了匹配的准确性,实现了原始信号的精确重建。最后与传统OMP算法     

基于压缩感知的数据压缩与检测

在无线传感器网络（ WSN）中,以往都是采用奈奎斯特技术对信号进行采样并重构,而随着信号频率的增加,应用奈奎斯特技术会使成本大幅度的增加,这是人们所不乐见的。针对这一问题,近年来出现一种新的技术即压缩感知技术,它能利用更少的数据和合适的重构方法得到更精确的原始信号。将稀疏贝叶斯学习（ SBL）和压缩感知联合起来,形成了一种在有噪声的情况下更好重建可压缩信号的方法,并进一步将这种方法应用在WSN中,可以在误差允许的范围内有效控制测量数据的维数,在保证一定误差的同时还减少了成本,提高了算法的效率。     

一种多适应性的压缩感知声纹识别系统

针对传统压缩感知(compressive sensing,CS)语音增强方法抗噪类型单一的问题,本文提出了一种多适应性的压缩感知声纹识别系统。在用正交匹配追踪(orthogonal matching pursuit,OMP)算法重构语音信号时设定相关度阈值和语音恢复阈值,并对迭代算法进行改进,不仅有效恢复了纯净语音信号,实现了语音增强,并且减少了重构的计算量。将重构恢复的信号通过Gammatone滤波器组,提取特征参数GFCC,然后在高斯混合模型中识别。实验结果表明,将这种方法应用于声纹识别系统,系统的识别率及鲁棒性都有明显提高。     

单层小波分解下图像行列压缩感知选择算法

在进行图像压缩感知时发现以行或列进行压缩感知所得到的图像重构后的峰值信噪比(PSNR)是不同的。为了提高图像压缩重构的质量,提出了单层小波分解下图像行列压缩感知的选择算法。该算法首先计算图像的行与列数据的相对方差的最大偏离值,选择较小者对应的行或列作为压缩感知的对象,然后对图像进行单层小波变换分解出高频系数,在高斯观测矩阵下,对这些系数按指定的行或列进行压缩感知,最后利用正交匹配追踪算法(OMP)分别恢复压缩感知下的高频系数,并通过小波逆变换得到经过行列压缩感知后的重构图像,实验结果证明了算法的准确性。     

稀疏补分析模型下迭代硬阈值正交投影

为了从含噪声的测量矢量中重构信号,研究了稀疏补分析模型理论及其迭代硬阈值正交投影算法。通过采用稀疏补正交投影修改了稀疏补分析模型下迭代硬阈值算法的迭代追踪过程;分析了迭代步长和稀疏补取值大小对算法收敛速度和重构性能的影响,找出了选取最优迭代步长和最佳稀疏补取值方法;提出并实现了稀疏补分析模型下迭代硬阈值正交投影算法,给出了算法收敛的充分条件和重构信号误差范围。仿真实验结果表明,算法的平均运算时间仅仅为AIHT、AL1和GAP算法的19%、11%和10%;算法重构信号的综合平均峰值信噪比(PSNR)比AIHT算法提高了0.89dB,但比AIHT、AL1算法稍逊色。算法在满足给定条件下能够以高概率实现含噪信号重构,重构信号的综合平均PSNR与典型算相比没有明显下降,但运算时间大为缩短,收敛速度更快。     

正交半迭代硬阈值（OSIHT）压缩感知重构算法

信号重构是压缩感知过程中的重要环节,迭代硬阈值（IHT）算法因具有较好的重构性能被广泛应用,但其收敛速度比较慢。近期提出的半迭代硬阈值算法（SIHT）虽然可实现快速收敛,但对测量矩阵的尺度缩放非常敏感,依赖性强,大大限制了其应用范围。受OMP对MP算法改进启发,对SIHT算法进行改进,提出了正交半迭代硬阈值（OSIHT）重构算法。该算法不仅取消了对测量矩阵的依赖性,还有效改善了图像重构质量,减少运行时间。     

基于截尾估计的概率估计方法

能否以高概率正确重建稀疏信号是压缩感知理论中的重要研究内容。信号的稀疏度及冗余字典原子间的相关特性是研究该内容的关键因素。文中运用累积增量的概念,提出了一种基于截尾概率的累积增量满足约束界的概率估计的方法。运用该方法,判断能否利用选取的测量矩阵正确重构原始信号。通过Matlab仿真,验证了将高斯随机矩阵作为观测矩阵,在OMP重构算法下,可以高概率地正确重构出原始信号,也验证了文中所提方法的合理性。     

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。     

基于压缩感知的含旋转部件目标ＩＳＡＲ成像方法

在ISAR成像中,某些雷达目标的部件存在旋转运动,会对目标主体信息产生干扰导致目标成像质量下降,严重时甚至无法实现成像。本文结合压缩感知理论提出了一种含旋转部件目标成像方法。在成像时间内,由于目标主体部件相对于成像区域的位置保持不变,而旋转部件的位置在不断变化,因此,对回波信号运用压缩感知理论可得到目标主体部件的信息,从而有效剔除了旋转部件带来的影响并且大幅减少了回波数据量。最后仿真结果验证了该方法的有效性,并对其抗噪性能进行了分析。     

Rapid real-time generation of super-resolution hyperspectral images through compressive sensing and GPU

Recently, compressive sensing (CS) has offered a new framework whereby a signal can be recovered from a small number of noisy non-adaptive samples. This is now an active area of research in many image-processing applications, especially super-resolution. CS algorithms are widely known to be computationally expensive. This paper studies a real time super-resolution reconstruction method based on the compressive sampling matching pursuit (CoSaMP) algorithm for hyperspectral images. CoSaMP is an iterative compressive sensing method based on the orthogonal matching pursuit (OMP). Multi-spectral images record enormous volumes of data that are required in practical modern remote-sensing applications. A proposed implementation based on the graphical processing unit (GPU) has been developed for CoSaMP using computed unified device architecture (CUDA) and the cuBLAS library. The CoSaMP algorithm is divided into interdependent parts with respect to complexity and potential for parallelization. The proposed implementation is evaluated in terms of reconstruction error for different state-of-the-art super-resolution methods. Various experiments were conducted using real hyperspectral images collected by Earth Observing-1 (EO-1), and experimental results demonstrate the speeding up of the proposed GPU implementation and compare it to the sequential CPU implementation and state-of-the-art techniques. The speeding up of the GPU-based implementation is up to approximately 70 times faster than the corresponding optimized CPU.     

Application of principal component analysis based effective digital predistortion technique for low‐cost FPGA implementation

This article investigates the issue of low‐cost digital predistortion (DPD) implementation in fixed‐point field programmable gate array (FPGA) by considering the bit‐resolution along with lower number of coefficients. The impact of principle component analysis (PCA) on bit‐resolution of DPD solution is proposed within the context of established DPD models. Unlike previously proposed PCA based solutions, it is established by simulation and measurement that the numerical stability problem associated with popular models such as memory polynomial (MP) can be alleviated when PCA is applied to the observation data matrix. It is reported with measurement results that PCA based model provides better linearization performance with the least memory size requirement and number of LUTs in 16‐bit fixed‐point FPGA operation than MP, orthogonal memory polynomial (OMP), and generalized memory polynomial (GMP) models. The performance of the proposed model, is evaluated in terms of normalized mean square error, adjacent channel error power ratio, matrix condition number, and dispersion coefficient for continuous Class‐AB and ZX60‐V63+ power amplifiers using wide code‐division multiple access signal (WCDMA) and long term evolution (LTE) signal with peak‐to‐average‐power ratio (PAPR) around 9.895 and 11.92 dB, respectively.     

依据列相关性优化高斯测量矩阵

为了提高信号重建的精度以及稀疏度适用范围,提出了一种新的测量矩阵优化方法,减小测量矩阵和稀疏变换矩阵的相关性。首先,由测量矩阵和稀疏变换矩阵的乘积构造Gram矩阵;根据Gram矩阵的维数,计算互相关函数的下确界即Welch界;其次,由Welch界确定阈值,收缩Gram矩阵中大于阈值的非对角元;然后,由新得的Gram矩阵和稀疏变换矩阵反解出测量矩阵,迭代更新,从而达到减小相关性,优化测量矩阵的目的。实验结果表明：依据Welch界优化测量矩阵,能快速降低压缩感知矩阵相关性的最大值,提高OMP算法的性能,例如在误差率为10_-0.9时,原高斯随机矩阵需要23个观测值,算法优化后只需16个观测值,相对于Elad、Zhao等观测矩阵优化方法,文中提出的算法具有更小的重构误差,性能和稳定性也略有提升。     

低存储化压缩感知

目的 非相关观测是压缩感知(CS)理论中的关键因素。高斯随机矩阵作为一种普适的CS非相关观测矩阵,在压缩感知中得到广泛的研究与应用。但在实际应用中,却存在实际内存占用较多,不适应大规模应用的问题。为寻求降低随机观测矩阵所需的存储空间,提出一种基于半张量积的压缩感知方法,利用该方法可以成倍地降低观测矩阵所需的存储空间。方法 该方法利用半张量积理论,构建降维随机观测矩阵,实现对原始信号的随机观测,并采用l^q(0< q< 1)范数的迭代重加权最小二乘法进行重构,从而得到稀疏信号的估计值。结果 仿真实验分别采用1维稀疏信号和2维图像信号进行了测试,并从重构概率、迭代收敛速度、重构信号的峰值信噪比等角度进行了测试和比较。通过不同大小的随机观测矩阵比较验证表明,采用降维后观测矩阵进行采样和重构,其重构信号质量并没有明显下降,但其观测矩阵所需的存储空间却可大大降低,如降低为通常的1/4,1/16,甚至更低。结论 本文压缩感知方法,可以大大降低观测矩阵所需的存储空间,同时有效降低数据运算复杂度以及内存占用率,有助于压缩感知的应用。     

基于OpenMP的压缩感知并行处理算法

针对压缩感知重建算法复杂度高、运行时间长等缺点,提出一种应用于多核处理器的压缩感知并行算法。在认真分析压缩感知算法的基础上,利用OpenMP对压缩感知的编码测量和正交匹配追踪(OMP)算法进行并行处理,提升程序的性能。实验结果表明,随着线程数的增加,程序的执行效率显著提高,加速比呈线性增长; 并且重构过程越复杂,其性能优化越明显。     

基于压缩感知和MFCC的语音端点检测算法

在连续语音识别系统中,针对强噪声环境下传统双门限语音检测方法出现的误检问题,提出了一种结合压缩感知理论和MFCC倒谱系数的端点检测算法。该算法采用Hadamard随机观测矩阵和改进的OMP重构算法对语音信号进行压缩感知与重构,利用语音信号在离散余弦基上的近似稀疏性,提取重构信号的MFCC倒谱系数来检测语音信号的端点。仿真结果表明,提出的改进算法具有较强的鲁棒性,能满足在强噪声环境下对连续语音信号进行有效端点检测的要求。     

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.     

记忆梯度追踪压缩感知图像重构

目的：重构算法是压缩感知理论的关键问题之一,为了减少压缩感知方向追踪算法重建时间,并确保相对较高的重建精度,提出了一种非单调记忆梯度追踪（memory gradient pursuit,MGP）重构信号处理算法。方法：该算法建立在方向追踪框架下,采用正则化正交匹配策略实现了原子集的快速有效选择,对所选原子集利用非单调线性搜索准则确定步长,用记忆梯度算法计算更新方向,从而得到稀疏信号估计值。结果：该算法充分利用记忆梯度算法在Armijo线搜索下全局收敛性快速稳定的优点避免收敛到局部最优解,提升收敛效率。提出的MGP算法运行时间上比近似共轭梯度追踪算法缩短30%,可以精确重构一维信号和二维图像信号。结论：实验结果表明,该算法兼顾了效率和重建精度,有效提高信号重建性能,在相同测试条件下优于其他同类的重构算法。     

传感信号采集中的误差受控压缩与压缩上限的确定

提出了一种传感信号采集中的误差受控压缩算法.为适应传感信号特征多变的情况,根据各段信号的自相关系数动态调整梯度预测器的系数;通过改进最大步长均匀量化器降低量化噪声;采用Golomb-Rice编码算法对量化后的预测误差序列进行编码.根据数据采集系统前端噪声水平确定压缩误差参数的上限,进而获得压缩比的上限.算法在供水管道泄漏信号采集中的应用表明,压缩比达2.63时,压缩后重构信号漏点定位误差增加量小于0.2 m.