基于小波变换的电生理信号压缩采样与重构

压缩感知是一个新兴领域,该理论可对信号以低于奈奎斯特采样率的速率进行成比例压缩采样,用来降低数据存储。本文基于压缩感知和小波变换,设计并实现了神经动作电位信号的压缩与重构。首先在小波域构造了64位神经动作电位信号的稀疏矩阵,然后设计了64位神经动作电位信号的2：1压缩矩阵与OMP（OrthogonalMatchingPursuit）重构算法,并通过编程仿真实现,可以完成信噪比较高的压缩信号的高精度恢复。仿真结果表明,重构信号与原信号的关键值相对误差小于15％。     

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.     

压缩感知分组分离语音增强

压缩感知（Compressive Sensing,CS）是一种基于信号稀疏性的采样方法,可以有效提取信号中所包含的信息。提出了一种分组分离压缩感知语音增强新算法。算法利用语音在离散快速傅里叶变换（Fast Fourier Transform,FFT）域下的稀疏性,设计复域观测矩阵与软阈值对带噪语音进行压缩测量与去噪,通过可分组分离逼近稀疏重建（Sparse Reconstruction by Separable Approximation,SpaRSA）算法恢复语音信号,实现语音增强。实验表明：该算法对含噪信号压缩重构,信噪比幅度较大提高,能更有效地抑制背景噪声。     

基于压缩感知的红外人脸识别

压缩感知理论是一种全新的数据采集技术,其采用非自适应线性投影来保持信号的原始结构,通过数值最优化问题准确重构原始信号。本文利用压缩感知的优秀特性,采用基于稀疏表示的模式分类方法,通过提取红外人脸图像的全部信息作为特征并建立特征矩阵,将待识别人脸作为压缩感知测量值,并通过正交匹配追踪算法进行重构,根据重构的稀疏系数所属类别进行红外人脸识别。实验表明,基于压缩感知的红外人脸识别结果准确率高。实验验证了本算法的有效性。     

基于稀疏表示的阵列声波测井仪数据无损压缩传输方法

交叉多极子阵列声波测井仪在井下信号采集的同时,采用无损压缩提升单位时间内上传数据量,是目前主流的仪器上传带宽增加方式。针对传统压缩方法压缩率较低,导致仪器在单位深度地层工作时长过长的问题,从信号稀疏表示的角度出发,对采集的多路声波波列采用预先构建的稀疏变换矩阵进行稀疏变换,将求解的稀疏表示系数和其重构信号与原始信号的误差进行压缩编码上传;地面系统通过相同的稀疏变换矩阵进行信号重构,实现解码;其中,稀疏变换矩阵采用K-SVD算法进行预训练,提升稀疏变换系数的稀疏度与重构信号精度,进一步降低上传的压缩编码长度。在HB油田3口井实际测井资料的实验中,本方法与目前主流的测井数据压缩方法相比,压缩率平均提升约17.3%;在4口井的阵列声波实际测井作业的应用测试中,作业效率平均提升约20.2%。结果表明,数据压缩传输算法极大地提升了阵列声波测井时效,在保证数据采集质量的同时,实现了阵列声波仪器的高速测量。     

基于Kent混沌测量矩阵的压缩感知图像重构算法

图像重构是图像数字化和恢复高质量图像信号的关键技术,使用压缩感知理论进行图像重构的意义在于显著减少采样次数,降低系统资源的消耗。测量矩阵的构造是压缩感知的重要研究内容之一。提出一种基于Kent混沌测量矩阵的压缩感知图像重构算法,将Kent混沌序列作为测量矩阵,采用离散小波变换的稀疏化方法,在小波域对原始图像信号进行测量。最后采用正交匹配追踪方法恢复原始图像。仿真实验中,对比高斯随机测量矩阵和Logistic混沌测量矩阵,对不同的图像进行重构。实验结果证明,基于Kent混沌测量矩阵的重构算法能够恢复原始图像,重构性能优于高斯随机观测矩阵和Logistic混沌测量矩阵,同时克服了随机测量矩阵硬件难以实现的缺陷。     

稀疏度自适应分段正交匹配追踪算法改进

在基于压缩感知的信号重构问题中,有一类常见情况——未知信号稀疏度。针对此类情况,提出稀疏度自适应分段正交匹配追踪(SparsityAdaptiveStagewiseOrthogonalMatchingPursuit,SAStOMP)算法,该算法将自适应思想、变步长迭代思想与分段正交思想相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,最终实现信号的精确重构。仿真结果表明,针对长度为256位的原始信号,该算法重建效果优于正交匹配追踪算法、正则化正交匹配追踪算法和分段正交匹配追踪算法等。     

基于CS理论的24脉波整流器开路故障诊断方法

针对24脉波整流器晶闸管开路故障待处理数据量大、诊断精度不高和诊断速度慢的缺点,提出一种基于压缩感知（CS）理论对开路故障电压信号的稀疏向量进行特征提取的分类识别方法。利用冗余字典和高斯测量矩阵对原始信号进行稀疏表示和测量,接着用正则化自适应匹配追踪算法对测量信号进行重构,得到稀疏向量;对稀疏向量进行6种特征参数的提取,将其作为BP神经网络的输入,实现对开路故障的诊断识别;选取典型的开路故障类型,进行仿真实验验证。仿真结果表明,传统方法要处理的数据长度为1000,而所提方法要处理的数据长度只有50,以很少的数据量保存了原有信号的特征信息,使得开路故障识别准确率显著提高,诊断速度加快。     

基于压缩传感的超分辨率红外成像研究

为解决红外图像系统复杂度与成像分辨率之间的矛盾,采用压缩传感(compressive sensing,CS)理论对红外成像系统进行研究.通过对原始红外图像进行稀疏化,构造基于高斯随机噪声的测量矩阵,实现对目标的压缩感知,以较少数目的测量信号表示目标,获取目标的稀疏表达,基于对目标的稀疏表达,构造基于正交匹配追踪的重构算法对目标信号进行重构,实现以较少的测量信号构造较高分辨率的图像.在几种典型红外目标图像上的分析表明,压缩传感理论可实现对目标的超分辨率成像,以较低分辨率的传感器获得较高分辨率的目标信息,重构出的目标红外图像与相应高分辨率传感器所获得的图像之间误差较低.     

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。     

应用于脑机接口系统的动态稀疏矩阵压缩算法

在脑机接口系统中,高通道数神经信号采集是一个核心功能模块。在高通道数神经信号采集中,因其原始数据量巨大,直接传输和处理产生的原始数据会消耗极大的功耗并增加硬件设计上的难度。为解决这个问题,一个有效的方法是在数据传输和处理前对原始数据进行压缩。神经元动作电位信号具有不应期性的特点,文中利用此特点,将多通道神经信号的数字标记输出在一定时间范围内定义为一个稀疏矩阵,并对此稀疏矩阵进行特征提取,根据其特征动态地采用优化算法进行数据压缩。文中的算法在使用FPGA作为中控硬件的32通道神经采集硬件系统上通过实时验证,实验证明文中提出的动态稀疏矩阵压缩算法可实现83.4%的数据压缩率。     

亚采样彩色CCD图象的重建

在彩色图象传输、采集、存贮过程中，一般都采用对色度通道进行压缩的技术来减少图象占用的系统资源，在重建中，采用大面积着色的方法来重建图象。但这种方法会在图象的细节部分引入较大的误差，为了在实际应用中得到最佳的重建彩色图象，就需要研究在色度通道亚采样的情况下，如何利用了完备的数据有效地重建图象。针对CCD彩色图象的空间量化特点，提出了一种利用自然图象的约象条件和人眼视觉生理学特点重建CCD彩色图象的方法。该方法利用高分辩率的通道数据来获得图象的细节信息，并且利用图象各通道间的细节相似性（同变性）来获得低分辩率通道的图象细节。通过实验证明，该方法有效地提高了图象的清晰渡，消除了CCD图象重建中常见的伪彩和图象模糊等现象，可以用于数码相机或多光谱遥感图象处理等方面。     

海杂波背景下基于混沌理论的目标检测

根据海杂波具有混沌特性这一先验信息,利用RBF神经网络预测器的学习和对非线性函数的逼近能力,首先重构海杂波的内在动力学,然后引入一种基于预测误差的检测方法对微弱脉冲信号和矩形信号进行检测分析,最后得出了这种检测方法对微弱脉冲信号有较好的检测性能,信杂比改善可达43.3898 dB;而对矩形信号只在信号的起点和终点附近提高了检测性能,有类似的信杂比改善,中间各点检测不到信号,信杂比改善不大.     

基于JPEG2000的图象局部可分级检索

提出了一种基于JPEG2000的图象局部可分级检索方法。首先,对图象采用JPEG2000的基本算法进行压缩编码;然后,把压缩码流按零树结构编排,每个零树结构对应着图象的某个网格区域,从零树结构所包含的DWT系数可以分级重建这个网格区域的内容。检索时,先从图象的最低分辨率子图象（即LL子图象）的预览开始,一旦发现目标,则锁定目标;然后在空间分辨率和信噪比两个方面逐级浮现目标所在网格的内容。由于该方法仅仅使用部分压缩码流数据来恢复图象的局部内容,从而节省了大量的计算资源;最后给出了基于JPEG2000的图象局部可分级检索的实验实例。     

基于阿当姆斯捷径连接的深度神经网络模型压缩方法

深度神经网络已经在各类计算机视觉任务中取得了很大的成功,可网络结构设计仍缺乏指导性的准则.大量的理论和经验证据表明,神经网络的深度是它们成功的关键,而深度神经网络的可训练性仍是待解决的问题.将微分方程数值解法——阿当姆斯(Adams)法用于深度神经网络的权重学习,提出一种基于阿当姆斯法的捷径连接(shortcut connection)方式,可提高网络后期的学习精度,压缩模型的规模,使模型变得更有效.尤其对网络层数较少的深度神经网络的可训练性优化效果更明显.以经典的ResNet为例,比较了使用基于Adams法的捷径连接方式的Adams-ResNet与源模型在Cifar10上的性能表现,所提方法在提高识别正确率的同时将源模型的参数量压缩至一半.     

结合矢量量化与远间隔预测的振动遥测信号压缩方法

本文针对一类准周期性振动遥测信号的特点 ,提出了一种结合矢量量化与远间隔样值预测的数据压缩的新方法 .此方法充分利用了矢量量化和远间隔样值预测的优点 ,并将二者有机地结合起来 ,从而形成了一种有效的压缩方法 .这种方法对振动信号中周期性较强部分获得了很高的压缩比 ,而且运算速度快 ,可在嵌入单片机的系统中实现 .实验中对 10kHz抽样的振动信号进行压缩 ,获得了约 5 0倍的压缩比和 3%的恢复精度     

基于离散余弦变换的光栅投影图的压缩研究

文中研究了基于离散余弦变换的光栅投影图的压缩。首先介绍了三维形貌测量的光栅投影图,及其需要进行压缩的原因。接着讨论了可用于图像压缩的离散余弦变换技术,推导出对于光栅图进行离散余弦变换只保留第一列或第一行系数就可以完整重构光栅图的结论。利用此结论创建用于压缩的二值掩模矩阵,并对光栅投影图之一的位相图进行基于离散余弦变换的压缩。实验结果表明此方法能有效地压缩位相图,使用压缩后还原的位相图解调出来的物体形貌信息能得到有效的保留。     

一种基于压缩感知的运动目标检测技术

运动目标检测是计算机视觉、图像处理等相关领域的研究热点，其核心就是对视频图像中的每一帧图像进行相应的研究和处理。本文主要研究思路是从压缩感知技术采样信号的角度出发，将每一帧的二维图像压缩采样成具有少量信息的一维信号，再通过信号重构用少量数据量将图像重构出来，最后通过目标检测技术对每一帧的图像进行运动目标提取。仿真实验表明该方法是可行和有效的，同时可以大大减少目标检测中所记录的数据量，解决海量数据的存储与传输问题。     

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。     

神经网络矢量量化技术在语音编码中的应用

讨论了在语音编码中,应用神经网络技术进行矢量量化的算法。神经网络矢量量化算法可以压缩码本维数,提高码本搜索速度,从而优化矢量量化的效果。将这种优化的矢量量化算法应用于语音编码中,能降低运算复杂度,提高编码质量。