基于压缩感知算法的数字预失真简化模型

为了能够在保证功放建模精度的基础上减少模型系数个数,本文创新性的提出一种基于压缩感知算法的功放简化模型,该模型使用去重复稀疏度自适应匹配追踪（RDSAMP）算法对模型系数进行简化。相较于广义记忆多项式（GMP）、分段简化动态偏差减少（PSDDR）全系数模型,数字预失真测试结果表明本文提出的简化模型建模精度分别提高1dB、-0.6dB,达到-46.01dB,邻信道功率比（ACPR）分别提高3.2dB、-1dB,达到-50dBc,与此同时,模型系数个数分别大幅度减少了72%、65%。因此,本文提出的模型能够在保持建模精度的基础上大幅度减少模型系数,对目前存在的功放模型简化问题有很高的参考价值。     

功率放大器数字预失真技术研究及设计

提出一个基于自适应预失真原理的有记忆高功率放大器线性化技术方案。首先,对自适应预失真线性化技术的原理和特点进行详细分析,给出一个实用技术方案;其次对其中的衰减器放大倍数的影响进行探讨并给出了选择原则和设计方法;最后对设计完成的数字预失真系统进行仿真验证。仿真结果表明,合理选择放大倍数和动态范围对改善预失真补偿系统的性能有明显效果,对于8MHz带宽的OFDM信号,本文方案可将带外频谱抑制26dB,减少带内频谱失真7dB。     

基于压缩感知的稀疏度自适应超高次谐波检测算法

近年来,越来越多运用电力电子器件的电气设备接人电力系统,配电网中超高次谐波发射水平的持续上升已经成为电网中亟需解决的电能质量问题之一.文中提出了一种基于压缩感知的稀疏度自适应超高次谐波检测算法,该方法基于快速傅里叶变换系数和狄利克雷核函数,结合插值因子,构建高精度的压缩感知模型;同时,文中引入了稀疏度自适应的概念,提出通过稀疏度自适应的匹配重构算法获得待检信号中超高次谐波的频率和幅值.改进算法提高了超高次谐波重构幅值的精度,减小了无法预估待检信号稀疏度而造成的误差.仿真结果证明了改进算法的准确性和有效性.     

基于光场的联合稀疏分布式压缩感知

信号的稀疏分解是压缩感知理论的关键问题,冗余字典相较于传统的正交基矩阵,可提供信号的更稀疏表示。首先根据光场相机特征‐光场图像具有图像内和图像间相关性,提出光场中的联合稀疏模型,然后使用基于图像特征训练的冗余字典稀疏表示光场信号,最后通过同时分段正交匹配追踪算法（S‐StOMP）重建稀疏信号,S‐StOMP重建速度较快,可同时重建多个信号。最后通过实验验证了算法的准确性和可靠性。     

基于稀疏度特征的短时电能质量扰动信号重构方法

现有基于压缩感知的短时电能质量扰动信号重构方法尚未考虑信号稀疏度特征,重构性能有待进一步提高。为此,提出一种基于稀疏度特征的信号重构方法。首先,根据压缩感知理论对信号进行采样。随后,开发出短时电能质量扰动信号的稀疏度特征—稀疏度在频域为偶数。基于该特征,提出"双步长稀疏度自适应匹配追踪"重构方法。分析与仿真结果表明,相对于传统的稀疏度自适应匹配追踪算法,提出方法降低了计算复杂度和均方误差,提高了重构信噪比和信号的正确重构概率。     

基于极坐标查询表的数字预失真技术

在通信系统中,高功率放大器因为其非线性的特性,导致产生频谱再生和邻道干扰.因而需要采用线性技术来克服这一问题,预失真技术是一种广泛使用的线性化技术,而数字预失真逐渐成为研究的热点.本文系统地介绍了基于极坐标查找表法的数字预失真技术,从理论上介绍了数字预失真的线性化原理,并分析了此技术查询表的索引方式和自适应刷新算法.最后采用ADS软件对整个系统进行了仿真,仿真结果表明,该技术可达到20 dB的三阶交调压缩性能,证明此预失真技术对线性化确实有很大的改善.     

基于压缩感知的电力信号压缩与重构研究*

针对电力信号的采集和压缩问题,提出采用压缩感知理论对电力信号进行压缩采样和重构的方法,避免了传统的冗余采样。首先对采用压缩感知理论进行电能信号压缩采样的可行性进行了分析,并讨论了几种典型的压缩感知重构算法的具体实现方法和特性;然后采用这些算法,对一维稀疏信号和傅里叶变换基下稀疏的含有谐波和间谐波的电力信号进行重构实验。仿真结果表明,贪婪类压缩感知重构算法计算复杂度低、速度快,更适合一维电力信号的重构,其中SAMP算法可以在稀疏度未知的情况下,使用更少的采样值精确重构原始信号。     

基于压缩感知的移动通信信道估计方法

针对移动通信多输入多输出-正交频分复用(MIMO-OFDM)系统信道稀疏性未知条件下的信道估计问题,提出了一种基于压缩感知理论的信道估计方法.该方法在稀疏自适应匹配追踪基础上,利用回溯搜寻MIMO-OFDM信号最大相似系数,引入模糊阈值筛选理想原子控制重构精度和收敛速度;在迭代过程中增加原子添加和原子删除策略,在提高信...     

基于压缩感知的语音加密

语音通信是人们获取和交换信息的一种重要方式。随着社会信息化的发展,语音通信的机密性越来越受到重视。传统的语音加密方式都遵循经典的香农-奈奎斯特采样定理,在采样时会采集一些冗余语音数据,浪费了采样资源。为了节约采样资源并简化语音加密流程,采用压缩感知理论对语音进行加密。该方法不仅可以对语音进行加密而且也同时实现了语音的有效采样。仿真实验表明,利用压缩感知进行语音加密是切实有效的,其既可以节约采样资源又节省了存储空间。     

基于压缩感知的井下振动高频测量方法研究

井下振动信号的高频测量信息能记录有关钻具动态响应的更具体细节,有益于分析诊断井下的异常振动,但是高频测量会产生大量的测量数据,导致井下振动测量设备的数据存储压力非常大。本文提出了一种基于压缩感知技术的井下振动信号的高频测量方法。通过选择性稀疏采集和存储井下振动数据,并利用信号重构算法,恢复高频测量结果。在该方法实现的过程中,提出一种分层抗频谱泄露的傅里叶字典构建和改进的分层追踪OMP信号重构算法,显著降低了信号重构时间。仿真和实验测试结果表明：该方法对振动信号的压缩感知采集效果较好,系统压缩比为18.9,重构分贝误差为52.1 dB。该方法有效减轻了井下振动测量设备的数据存储压力,为获取井下振动的高频测量数据提供了一种新途径。     

Compressive sensing‐based adaptive sparse predistorter design for power amplifier linearization

Greedy algorithms in the compressive sensing theory have been formed the essential method for pruning power amplifier (PA) behavioral models and digital predistorters (DPDs). However, the inherent batch mode of these algorithms limits their application in adaptive digital predistortion framework. In this paper, a powerful subspace pursuit greedy scheme combined with stochastic gradient descent adaptive algorithm is proposed to design a class of adaptive sparse DPDs. According to the given sparsity level, the proposed approach can obtain the sparse terms of DPDs and extract the corresponding coefficients adaptively. Performance improvement of the proposed method is validated by simulation results on the adaptive DPD excited by 15‐MHz 3‐carrier Long‐Term Evolution signals and 50‐MHz 16 amplitude/phase‐shift keying signals. Meanwhile, measurement results on a Doherty PA excited by 30‐MHz 3‐carrier Long‐Term Evolution signals are also performed to verify the advantage of the proposed approach. Simulation and experimental results show that proposed algorithm can efficiently construct the adaptive sparse DPD models with only a small number of parameters; both nonlinear distortions and memory effects in the PA can be almost completely removed. A comparison with the nonsparsity aware DPD techniques and batch mode compressive sensing pruning techniques has been demonstrated that the proposed method exhibit faster convergence, improving tracking capabilities and reduced computational complexity.     

基于静态阈值的无线体域网压缩感知心电降噪重构

心电监测作为无线体域网的一种重要应用,对心电信号重构精度要求较高,并且无线体域网中存在低功耗问题。现有的心电信号压缩感知重构算法虽然降低了功耗,但并未充分利用心电信号频域特性,造成重构精度不高。提出了一种基于静态阈值的无线体域网压缩感知心电降噪重构方法。该方法利用压缩感知理论,在传感器节点利用固定矩阵对心电信号进行观测,观测值被发送至汇聚节点后,再利用基于静态阈值的重构算法对心电信号进行降噪重构。仿真结果表明,该方法具有信号重构精度高、速度快和降噪性能好的优点。     

基于压缩感知的低复杂度分数时延信道估计方法

基于压缩感知(compressed sensing,CS)技术的信道估计方法已被应用于正交频分复用(orthogonal frequency division multiplexing,OFDM)系统的信道估计中以提高频谱利用率。然而,传统的时域普通采样方法会导致信道测量矩阵不够精细,无法精确恢复信道状态信息。针对这一问题,提出利用分数时延信道模型模拟系统的无线多径信道,利用接收端时域过采样方法细化信道测量矩阵以提高信道估计精度。同时,为了克服由时域过采样导致的算法复杂度增加的问题,提出一种改进正交匹配追踪算法(modified orthogonal matching pursuit,MOMP)。仿真实验结果表明,在分数时延信道条件下,提出的接收端时域过采样方法能准确检测到信道的分数时延且提出的MOMP算法能显著降低估计算法的计算复杂度。     

基于压缩感知的架空线路舞动波形重构方法

针对高压输电线路时常发生的线路舞动灾害,提出了一种基于压缩感知的架空线路舞动波形重构方法.传统的基于传感器的舞动监测系统需要一定数量的传感器才能确保重构波形的准确度,而过多监测节点会增加输电线路的载荷,改变其力学特性.针对这一问题,将线路舞动数学模型进行稀疏变化,构建便于传感器布置的测量矩阵,并运用正交匹配追踪(Ort...     

基于超完备字典的压缩感知电能质量数据重构

针对应用压缩感知原理进行电能质量数据重构时,采用普通函数形成的正交基进行稀疏表示不能自适应地获得最佳稀疏表示这一问题,首次将K-奇异值分解字典学习引用到电能质量数据重构中。首先,对电能质量信号进行一二维转换,利用K-奇异值分解字典学习算法,建立了适合电能质量数据的超完备字典;并选取高斯随机矩阵作为测量矩阵,对电能质量扰动信号进行压缩采样。同时,利用压缩感知匹配追踪算法进行信号二维重构,并将其转换成一维信号。最后,利用所提出的新算法对几类常见电能质量信号进行了仿真验证。结果表明:在压缩比为25%时,利用新算法能够完成重构信号,其信噪均大于44.2 dB,能够满足实际应用时的分析要求。     

基于压缩感知的HIFU回波信号降噪研究

由于传统的降噪处理方法很难干净地去除高强度聚焦超声(HIFU)信号中的噪声,提出利用压缩感知(CS)对HIFU回波信号进行降噪。在观测矩阵的设计中将传统的高斯随机观测矩阵改进为稀疏循环结构化矩阵,减少了构造观测矩阵和重构信号的时间。仿真实验表明,与带通滤波器、小波降噪方法和经验模态分解(EMD)降噪方法相比,该方法得到的信号的重构信噪比(RSNR)更高,重构均方差(RMSE)和最大误差(ME)更小。用不同方法对不同温度下获得的HIFU回波信号进行去噪并提取二次谐波激发效率,发现采用该方法得到的二次谐波激发效率曲线方差和波动更小,验证了该降噪方法在实测信号中的优越性。     

感知策略下的无线传感网络保密容量问题研究

无线传感器网络(WSN)指的是由可以感知和检查外部世界的传感器组建而成的分布式无线网络。得益于硬件系统的飞速发展,无线传感网络广泛应用到了军事、智能交通、环境监控、医疗卫生等多个领域。考虑到无线传感器受限于能量,计算能力等诸多因素,其引发出来的无线传感网络通信安全问题成为了一大研究热点。本文旨在探讨如何应用压缩感知技术保证无线传感网络的安全通信,针对放大转发式压缩感知技术下的无线传感网络安全保密问题推导给出了可计算的保密容量门限值。最后分别讨论了不同数目下的活跃感知节点,中继节点以及窃听节点对无线传感网安全保密容量的影响。仿真结果进一步验证了所推导的保密容量结论。     

基于坐标变换的风电变流器电压信号CS压缩方法

为了解决直接利用压缩感知(CS)理论对风电变流器输出端三相电压监测数据存储空间的资源浪费以及重构性能差等问题,提出了一种基于坐标变换的风电变流器电压信号CS压缩方法。该方法的关键是利用dq0变换、空间矢量变换将三相电压信号转换为一维信号;然后将传统的多频带融合思想用于CS稀疏表示中,构造稀疏字典矩阵,并分析了稀疏字典与测量矩阵的不相关性;最后利用高斯随机矩阵进行压缩测量,使用追踪算法实现一维信号的恢复,将其转化为两相信号并作坐标反变换,即得到重构的三相电压信号。仿真结果表明,与直接对监测的三相电压数据进行CS处理相比,该方法可有效的压缩原始三相电压数据,使得运行时间降低,重构误差减小,并且节约了测量数据的存储空间,因而更加具有实际应用价值。