语音压缩感知硬阈值梯度追踪重构算法

本文基于语音信号在DCT域的近似稀疏性,采用压缩感知(Compressed Sensing, CS)理论对其进行压缩采样和重构。CS中的梯度追踪(Gradient Pursuit, GP)算法因计算量小,迭代硬阈值(Iterative Hard Threshold, IHT)算法因实现简单,被广泛用来重构信号。针对压缩感知理论中的GP算法的支撑集在每次迭代时仅增加一个元素,以及该算法每步迭代时仅经过一次沿负梯度方向搜索求得的解可能不是最优解的问题,本文提出了语音重构的硬阈值梯度追踪(Hard Threshold Gradient Pursuit, HTGP)算法。该算法利用IHT算法的思想选择原子更新支撑集,每步迭代时支撑集中含有K个元素,而且HTGP算法每步迭代时经过k次沿负梯度方向搜索得到最优解来代替使用计算量巨大的最小二乘来求解。实验结果表明,压缩比相同的情况下,HTGP算法具有更快速的收敛性和更高的信噪比。      

压缩感知信号盲稀疏度重构算法

研究压缩感知信号重构算法,提出了一种不需要精确知道信号稀疏度的先验知识,就能重构出目标信号的盲稀疏度迭代贪婪跟踪重构新算法.采用分段的方法来逐段估计、扩充目标信号的真实支撑域,并应用后向追踪思想,自适应地调整候选序列,以便每一次迭代时更加精确地估计真正的支撑域.理论分析与实验证明,算法性能超过了现有的迭代贪婪跟踪重构算...     

基于小波域滤波的迭代硬阈值压缩感知重构

图像压缩感知迭代重构算法主要采用迭代阈值法解决信号的重构问题,但是迭代阈值法仅仅利用变换系数进行阈值处理,并未考虑系数的邻域统计特性,导致重构性能不高。提出一种基于小波域滤波的迭代硬阈值迭代算法,利用小波域系数的邻域统计特性修订迭代硬阈值重构算法的代价函数,进行两步迭代收缩,并在迭代中用小波域滤波除去其中的重构噪声。实验结果表明,在相同的观测数据下,相比已有的经典算法,新算法的重构图像质量较高,并且可以获得快速的重构速度。     

自适应稀疏度的1 bit压缩重构算法

1 bit压缩感知技术日益受到关注.1 bit信号往往有符号跳变,同时信号重构还需要稀疏度先验信息,如何有效地克服信号重构对稀疏度的依赖性,提高重构算法对噪声的鲁棒性,这是该领域面临的重大挑战.本文在二进制迭代硬阈值算法基础上,引入自适应稀疏度,利用残差能量的大小,通过对信号和噪声的学习,解决稀疏度依赖问题,通过引入弹...     

压缩感知中一种改进的迭代硬阈值算法

研究了压缩感知理论中一种改进的迭代硬阈值稀疏信号重构算法。针对现有IHT算法类最优秀的BIHT算法中回溯操作无法保证稀疏信号重构误差递减的问题,对稀疏重构误差及其差值进行了简单介绍和分析,提出了一种能够保证重构误差随迭代进行单调减小的重构算法,在每次迭代的回溯操作中选择能够保证重构误差逐渐减小的原子,并将其指标与估计支撑集合并,最后基于最小二乘法进行伪逆运算获取稀疏信号估计。对高斯稀疏信号和0-1稀疏信号进行了仿真,证明了优于IHT、NIHT以及BIHT算法的稀疏信号重构性能。     

语音重构的DCT域加速Landweber迭代硬阈值算法

重构信号的最基本理论依据是该信号在某个变换域是稀疏的或近似稀疏的。基于语音信号在DCT域的近似稀疏性,可以采用压缩感知(Compressed Sensing, CS)理论对其进行重构。压缩感知理论中的迭代硬阈值(Iterative hard thresholding, IHT)算法以其较好的性能被广泛用来重构信号,但其收敛速度比较慢,如何提高收敛速度,一直是迭代硬阈值算法研究的重点之一。针对压缩感知理论中的IHT算法收敛速度相当慢的问题,提出了语音重构的DCT域加速Landweber迭代硬阈值(Accelerated Landweber iterative hard thresholding, ALIHT)算法。该算法对原始语音信号做DCT变换,然后在DCT域将每一步Landweber迭代分解为矩阵计算和求解两步,通过修改其中的矩阵计算部分实现Landweber迭代加速,最后通过迭代硬阈值对信号做阈值处理。实验结果表明,加速Landweber迭代硬阈值算法加快了收敛速度、减少了计算量。      

压缩感知重构算法研究

压缩感知技术突破了奈奎斯特准则的局限性,在图像处理方面有着广泛的应用。在精典TV重构算法的基础上通过对测量矩阵与迭代过程加以改进,以测量值基本逆变换(IY)作为迭代初值的IY-TV重构算法;TV算法有利于去除信号的中噪声,在迭代过程中与IY变换图像差值相联合重建原始信号。测量矩阵直接影响图像的重构质量,设计与该算法相适应的测量矩阵以提取更多的基本信息。实验表明,该算法可以在较低采样率时,同样重构出较高的图像质量。     

一种自适应阈值选择的宽带压缩频谱感知重构算法

针对宽带压缩频谱感知算法在未知稀疏度条件下重构频谱效果不理想的问题,提出一种自适应阈值选择的改进型分段正交匹配追踪(Adaptive Threshold Option-Improved Stagewise Orthogonal Matching Pursuit, ATO-IStOMP)算法,该算法根据迭代残差的分布特性自适应地调整原子选择判决门限,使其每次迭代能够高效选择多个原子作为候选集,同时该算法利用残差比阈值对迭代终止条件进行修正,能够实现重构算法的盲停止,增强算法在低信噪比环境下的鲁棒特性。仿真结果表明,ATO-IStOMP算法能够实现对原始信号的盲重构,且在低信噪比环境下的重构性能良好。      

基于深度学习的压缩感知图像重构算法综述

压缩感知突破奈奎斯特采样定律(NST),很大程度缓解了数据的获取和传输压力.近年来,随着深度学习迅速发展,深度神经网络技术在压缩感知领域的应用使压缩感知重构的精度和效率均得到有效提升,并引起学者们的广泛关注和研究.为了对现有的基于深度学习的压缩感知图像重构算法进行梳理归纳,首先,介绍压缩感知的基础数学知识以及两种极具代表性的传统压缩感知重构迭代优化算法:ISTA和ADMM;接着,详细讨论上述两种传统算法的深度网络展开框架以及对基准框架的改进技术:ISTA-Net++和ADMM-Net,并对SDA、ReconNet、DR^(2)-Net等五种非传统算法展开的端到端的深度神经网络框架进行对比分析;然后,以峰值信噪比(PSNR)为评价指标,将代表性网络模型在自然图像数据集Train400和医学图像数据集MICCAI上的重构精度进行比较分析;最后,总结并展望深度学习技术在压缩感知重构领域的研究前景.     

分布式压缩感知联合重构算法

分布式压缩感知是用尽可能少线性测量值来表示一个联合稀疏信号。分布式压缩感知联合重构算法是以信号集中的某个信号为边信息,根据信号集中信号之间的相关关系来重构信号的算法。为了解决已有重构算法的复杂性以及减少重构算法所需的测量值数,提出了两种新的分布式压缩感知联合重构算法。对提出的两种新算法在信号和图像处理上进行了实验,验证了其可行性与先进性。结果表示,这两种联合重建算法在获取相同的图像质量时需要测量值更少。     

基于BFGS拟牛顿法的压缩感知SL0重构算法

平滑l₀范数(SL0)算法是一种基于近似l₀范数的压缩感知信号重构算法,采用最速下降法和梯度投影原理,通过选择一个递减序列来逐步逼近最优解,具有匹配度高、计算量低、不需要已知信号稀疏度等优点。但是,其迭代方向为负梯度方向,使得在迭代过程中产生“锯齿现象”,导致在最优解附近收敛速度较慢。牛顿法具有较快的收敛速度,但是对初值的要求较高,并且需要计算Hesse矩阵。拟牛顿法则克服了这个缺点,利用BFGS公式计算Hesse矩阵的近似矩阵,只需要计算1阶导数信息。该文在SL0算法的基础上,结合BFGS拟牛顿法,提出一种改进的压缩感知信号重构算法。首先采用最速下降法迭代得到信号的某个估计值,然后将此估计值作为拟牛顿法的初值继续迭代,直至得到最优解。计算机仿真结果表明,在相同的条件下,该算法在重构精度、峰值信噪比和重建匹配度等方面均有较大提高。     

一种稳健的盲稀疏度压缩感知雷达目标参数估计方法

针对压缩感知雷达(Compressive Sensing Radar, CSR)在感知矩阵和目标信息矢量失配时距离-多普勒参数估计性能下降的问题,该文提出一种稳健的盲稀疏度CSR目标参数估计方法。首先建立了CSR系统模型失配时的距离-多普勒2维参数稀疏感知模型,推导了以最小化感知矩阵相干系数(Coherence of Sensing Matrix, CSM)为准则的波形优化目标函数。其次提出了一种新的盲稀疏度CSR目标参数估计方法,通过发射波形,系统模型失配误差和目标信息矢量的相互迭代,逐步校正系统感知矩阵,最终以较高精度估计目标距离-多普勒参数。与传统CSR目标参数估计方法相比,该方法显著降低了CSR系统距离-多普勒参数的估计误差,改善了CSR目标参数估计的准确性和鲁棒性。计算机仿真验证了该方法的有效性。     

基于压缩感知的定位新型UWB信号抽样方法

Ultra-wide-band (UWB) signals are suitable for localization, since their high time resolution can provide precise time of arrival (TOA) estimation. However, one major challenge in UWB signal processing is the requirement of high sampling rate which leads to complicated signal processing and expensive hardware. In this paper, we present a novel UWB signal sampling method called UWB signal sampling via temporal sparsity (USSTS). Its sampling rate is much lower than Nyquist rate. Moreover, it is implemented in one step and no extra processing unit is needed. Simulation results show that USSTS can not recover the signal precisely, but for the use in localization, the accuracy of TOA estimation is the same as that in traditional methods. Therefore, USSTS gives a novel and effective solution for the use of UWB signals in localization.     

基于压缩感知理论的随机噪声雷达目标检测算法研究

随机噪声雷达通常利用时域相关完成脉冲压缩从而进行目标检测。该文根据压缩感知理论提出一种适用于噪声雷达目标检测的新算法,它用低维投影测量和信号重建取代了传统的相关操作和压缩处理,将大量运算转移到后期处理。该算法以噪声雷达所检测的目标空间分布满足稀疏性为前提;利用发射信号形成卷积矩阵,然后通过随机抽取卷积矩阵的行构建测量矩阵;并采用迭代收缩阈值算法实现目标信号重建。该文对算法作了详细的理论推导,形成完整的实现框架。仿真实验验证了算法的有效性,并分析了对处理结果影响较大的因素。该算法能够有效地重建目标,具有良好的运算效率。与时域相关法相比,大幅度减小了目标检测误差,有效抑制了输出旁瓣,并保持了信号的相位特性。     

基于压缩感知的双通道SAR地面运动目标检测方法研究

针对目前双通道SAR地面运动目标检测(GMTI)方法采样数据量过大的问题,该文提出一种基于压缩感知的双通道SAR运动目标检测方法。该方法首先沿方位向进行随机稀疏采样得到双通道原始回波数据,然后通过匹配滤波方法实现距离向聚焦,并利用压缩感知技术实现方位聚焦,最后运用传统相位中心偏置天线(DPCA)技术进行杂波抑制。通过公式推导从理论上分析了该算法利用双通道方位稀疏采样数据实现杂波抑制的可行性,同时详细分析了运动参数对目标成像的影响。仿真与实测数据实验表明该算法在方位向欠采样情况下仍具有良好的杂波抑制性能。     

基于线性混合模型的高光谱图像谱间压缩感知重构

该文针对高光谱数据的线性混合模型,提出一种简单有效的谱间压缩感知下高光谱数据的重构方案。该方案不同于传统的压缩感知重构方法直接重构高光谱数据,而是将高光谱数据分离成端元和丰度分别进行重构,然后利用重构的端元和丰度信息合成高光谱数据。实验结果表明,该方案的重构质量明显优于标准压缩感知重构方法,并且运算速度具有极大提升,同时便于获得端元和丰度信息。     

基于压缩感知的窄带干扰重构与消除

提出了一种基于压缩感知的TDS-OFDM系统窄带干扰重构方法,通过利用相邻TDS-OFDM帧头的差分采样建立压缩感知模型,能够在不依赖信道估计及在高频谱效率的条件下,精确恢复窄带干扰信号并予以消除,显著提升传输系统传输鲁棒性。     

基于压缩感知的单比特合成孔径雷达成像算法*

在合成孔径雷达系统中,要提高分辨率就意味着产生大量的回波数据,从而加重了数模转换器和存 储设备的负担。压缩感知理论的目的是在保证恢复稀疏信号的前提下降低采样率,而本文的目的是降低总的比特 率。本文提出了一种基于压缩感知的单比特合成孔径雷达成像算法,并通过仿真实验验证了该算法的性能。与匹 配滤波算法相比,该算法不仅能减少数据的总比特率,而且还能有效抑制目标的旁瓣和虚假目标。并且在低信噪比 条件下,该算法比传统的多比特压缩感知算法展现出更强的鲁棒性。     

压缩感知多目标无源定位中的字典适配方法

该文针对压缩感知多目标无源定位在无线定位环境中的字典失配问题,提出基于变分期望最大化算法的字典适配方法。该方法首先根据鞍面模型建立无源字典,并将与定位环境相关的字典参数作为可调参数。然后,为目标位置向量建立两层的混合高斯先验模型以诱导其稀疏性。最后,利用变分期望最大化算法估计隐藏变量的后验分布以及优化字典环境参数,实现多目标位置估计和字典适配。仿真结果表明,相较于传统的压缩感知多目标无源定位方法,在变化的无线定位环境下,所提定位方法的性能优势尤为明显。

     

基于贝叶斯压缩感知的合成孔径雷达高分辨成像

基于压缩感知(CS)的合成孔径雷达成像方法可以显著减少数据采样时间、数据量以及节省信号带宽。然而,基于CS的方法对噪声和杂波相当敏感,在信噪比较低的时候,成像质量较差。该文结合CS理论提出了合成孔径雷达中的随机孔径贝叶斯压缩感知(BCS)高分辨2维成像方法。在距离向应用CS减少采样数据的同时,在方位向随机抽取部分孔径位置发射和接收信号,以少量的测量孔径和测量数据获得重建目标空间的足够信息。基于贝叶斯的分析方法由于考虑了成像场景中的杂波以及压缩采样过程中的加性噪声,因而能够更好地重建目标空间。仿真结果表明,基于贝叶斯方法得到的图像比基于FFT方法得到的图像更加尖锐,比基于CS方法得到的图像更加稀疏,因而具有更高的分辨率。