压缩感知伪随机动态功率信号的电能测量方法

针对压缩感知检测方法不能准确测量伪随机动态测试信号电能量值的问题,该文首先分析了动态测试信号的频域稀疏性,证明动态测试信号满足压缩感知检测的条件;然后采用系统稳态优化的方法,构造了一种确定型压缩感知测量矩阵,证明其符合限制等距特性(RIP)条件,最后提出了一种新型压缩感知动态测试信号电能量的测量方法。实验结果表明：该文压缩感知测量方法的理论相对误差优于传统的采样功率电能测量方法,能够实现m序列动态测试信号的电能量值准确测量。     

率失真优化的压缩感知图像编码

针对基于压缩感知的图像编码系统,分析了系统中编码参数和码率以及失真的关系,在此基础上提出了基于压缩感知的图像编码系统的码率-失真模型.根据所提模型设计了率失真优化的压缩感知图像编码算法.在给定码率的条件下,优化编码参数,使得编码器失真最小.算法在Matlab的编码平台上进行了仿真和实验,结果证明提出的码率-失真模型能够很好地拟合实际率失真曲线,并且基于该模型的率失真优化算法有效的提高了压缩感知图像编码系统的性能.     

基于压缩感知的CFAR目标检测算法

该文提出一种基于压缩感知(Compressive Sensing, CS)的恒虚警率(Constant False Alarm Rate, CFAR)目标检测算法,首先分析了目标在距离单元上具有稀疏特性,并构造了目标回波的稀疏字典,设计特定的测量矩阵以及基于CS的CFAR检测结构,然后实现了对回波信号的压缩测量和CFAR检测,无需对回波信号重构。该文提出的算法具有很好的降噪性能并提高了检测效率,可以对低信噪比、低信杂比信号成功检测。仿真结果表明：当信噪比为-14 dB,信杂比为-10 dB时,该算法与传统匹配滤波检测算法相比,减少了一半数据运算量,性能明显优于压缩匹配滤波检测算法。     

用信道编码构造压缩感知测量矩阵

压缩感知是近年来,针对稀疏信号和可压缩信号的处理而出现的一种信号处理理论。测量矩阵是压缩感知理论中的一个至关重要的环节,它对信号采样和重构算法有着重要的影响。虽然一般传统的随机测量矩阵重建信号效果比较好,但有硬件实现比较困难的问题,并需要大量的存储空间和其他缺陷。确定性测量矩阵的出现,正好弥补了这些缺点。在本文中,基于信道编码中校验矩阵特性的优势,获得了满足有限紧致特性要求的确定性测量矩阵构造方法。把校验矩阵的列向量标准化、线性组合扩展到方阵、置换列向量后构成的矩阵作为确定性测量矩阵。这种方法可以在构造完成一个信道编码校验矩阵后,很容易构造对应的测量矩阵。数值结果表明,在相同重建算法和压缩比下,这种方法的性能和随机测量矩阵大致相若,甚至有所改善。同时,本文提出方法的构造时间较少,重建时只需要运行一次,可以满足实时性需求。为压缩感知算法的实际应用提供了一种有效的测量矩阵构造方法。      

压缩感知技术综述

压缩感知(Compressed Sensing或Compressed Sampling,Cs)理论突破了经典的奈奎斯特采样定理的极限,提出一种全新的采样理论,通过开发信号的稀疏特性,在远小于Nyquist采样率的条件下,用随机采样获取信号的离散样本,然后通过数值最优化问题精确重构出原始信号.本文综述了CS基本原理,介绍了信号稀疏表示、测量矩阵的设计和信号的重构算法等内容以及CS理论研究现状和在相关领域的应用.     

改进的压缩感知测量矩阵优化方法

压缩感知理论中,测量矩阵优化是一类通过减小测量矩阵与稀疏字典的互相关性来改善测量矩阵性能的方法。本文提出一种能够同时降低整体相关系数和最大值相关系数的测量矩阵优化算法,该算法分为两步:一是通过平均化Gram矩阵特征值来降低测量矩阵的整体相关系数;二是利用阈值函数收缩Gram矩阵非对角线上较大值。两个步骤交替执行,直到解出符合优化要求的测量矩阵。该算法在保证整体相关系数降到最低的同时,又使最大值相关系数显著降低。实验结果表明,与现有算法进行对比,本文方法在降低相关系数和重构成功率上都有一定优势。      

基于压缩感知的信号重构研究

按照Nyquist采样定理,信号的采样率必须为信号最高频率的2倍以上,这会产生大量的冗余数据。压缩感知是一种新兴的采样理论,对于可以稀疏表示的信号,它能够以远低于Nyquist采样速率对信号进行采样,并通过优化算法实现重构。介绍了压缩感知的基本理论,并分别选取时域稀疏、频域稀疏和图像信号进行了仿真分析,实验结果显示,压缩感知理论能较好的重构原始信号。     

联合非均匀采样和压缩感知的图像压缩算法

为了提高图像重构精度,改善纹理区域视觉效果,本文将压缩感知理论与图像压缩相结合,并提出了一种新的采样方法:在编码端对图像高频部分边缘点进行密集采样,对非边缘部分进行随机抽样,取代了传统压缩感知理论中直接使用测量矩阵获得低维观测值的过程。在解码端利用采样点位置信息构造块测量矩阵,使用光滑l0范数（Smoothed l0,SL0）重构算法实现重叠块重构,最终将其与图像低频部分下采样点插值放大结果合并实现高精度重构。实验结果表明:本文算法不仅可以提高整幅图像和纹理区域的重构精度,而且在低采样率或图像尺寸较小的情况下,算法效率也有明显提升。      

用于压缩感知的二值化测量矩阵

压缩感知是近年新兴的一种信号处理理论,在一定条件满足的情况下,压缩感知方法可通过远低于 Nyquist 频率的降采样数据以高概率近乎完美地重建原始信号。测量矩阵在压缩感知的整个处理过程中起着非常重 要的作用。本文从恢复算法入手提出二值化测量矩阵,并通过仿真对其性能加以验证。二值化后测量矩阵不仅在 性能上有一定提升,更重要的是可大大降低测量矩阵所需的存储空间以及压缩感知采样、恢复过程的运算量。     

基于行列式随机循环的压缩感知测量矩阵研究

压缩感知理论,从信号的自身特性出发,通过变换作用域和线性投影实现对信号的采样和压缩。测量矩阵是该理论中获得最优测量,实现精确重构的关键。本文在介绍常用测量矩阵的基础上,重点研究了结构化测量矩阵。鉴于测量矩阵设计的最重要的原则是降低矩阵元素间的相干性,本文借鉴循环矩阵和广义轮换矩阵的优点,提出了采用均匀随机数对结构化测量矩阵进行随机循环的构造方法。仿真实验表明新矩阵在信号重建上具有更好的性能。     

基于压缩感知的分步合作频谱感知方法

在研究自相关矩阵检测理论的基础上,提出一种采用压缩感知的分步合作频谱感知方法.通过压缩感知将海量采样数据量减小,提取能够有效代表原信号的采样点;通过随机选择参与运算的认知用户及其数量进行合作检测,并反馈有益信息,减少了传统合作检测所有认知用户参与检测带来的运算复杂度.仿真表明该方法提高了频谱检测率,缩短了频谱检测时长,...     

托普利兹矩阵在压缩多径信道估计中的应用

可靠的无线通信需要准确地知道下层信道的信息,因此需要进行信道估计。而许多真实信道表现为仅有一些相对较少的非零信道系数的稀疏多径信道。对于稀疏多径信道的估计,传统方法例如最小二乘法,没有利用稀疏信道本身的低维度特性,所需训练序列的长度较长,因此估计代价较大。基于压缩感知的信道估计方法,利用稀疏先验信息,能较大地缩短所需训练序列的长度,获得较好的估计效果。该文结合压缩感知观测矩阵的特点,证明了当训练序列的长度不长于信道冲激响应的长度,且托普利兹观测矩阵的行数小于列数时,观测矩阵仍然满足有限等距性质;明确提出了稀疏多径信道估计中所使用的观测矩阵的构造条件。实验结果验证了这种优化了的托普利兹观测矩阵的可行性和实用性。      

图像压缩感知中常用测量矩阵的性能比较

测量矩阵是压缩感知编码端不可或缺的一部分,测量矩阵的好坏直接影响到重构出信号的质量好坏。目前常用的测量矩阵有很多,但很少有文献将该矩阵进行系统地比较。对目前常用的测量矩阵做综合分析,比较它们在压缩感知编解码过程中重构出的信号在视觉效果、峰值信噪比、重构时间等方面的区别。另外,由于使用分块的方式对图像进行编解码,因此也分析比较了不同的分块大小对重构的影响。     

压缩感知的发展与应用

压缩感知(Compressed Sensing,CS)是近年来新兴的一种信号获取技术.沿着CS理论的发展历程介绍了CS理论框架,给出了其严格的数学描述,着重讨论了对原始信号的重构技术,最后介绍了一些可能的应用.     

压缩感知理论及其研究进展

 信号采样是联系模拟信源和数字信息的桥梁.人们对信息的巨量需求造成了信号采样、传输和存储的巨大压力.如何缓解这种压力又能有效提取承载在信号中的有用信息是信号与信息处理中急需解决的问题之一.近年国际上出现的压缩感知理论(Compressed Sensing,CS)为缓解这些压力提供了解决方法.本文综述了CS理论框架及关键技术问题,并着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展,评述了其中的公开问题,对研究中现存的难点问题进行了探讨,最后介绍了CS理论的应用领域.     

先验知识在压缩感知求解电磁场问题中的应用

快速求解三维目标宽角度电磁散射问题一直都是计算电磁学中的一个难点问题.前期研究表明：在传统矩量法中引入压缩感技术后可仅通过数次观测还原出全部入射角度下的电流,从而有效减少计算量.为获取应用压缩感知时所需的观测次数并讨论合适的稀疏变换选择,本文提出一种基于物理光学法的先验技术.该技术可对宽角度下电流系数的投影稀疏度及相应的观测次数进行预估,为利用压缩感知求解宽角度问题的快速算法特别是稀疏转换基的选择提供了先验知识,在实际计算前确定了相关参数,从而为该快速算法应用于工程实践奠定了良好基础.     

基于压缩感知的信号检测方法

提出了一种基于压缩感知思想的信号检测方法。该方法首先将信道估计转化为非完全信号重构,实现了信道估计的动态可调整,降低了信道估计的复杂度;然后利用信道估计的结果对压缩采样后的信号进行压缩Rake合并,使得Rake合并的实现复杂度更低;最后对压缩相关且合并后的数据进行判断。理论分析和仿真结果表明了该方法的有效性和可靠性。     

半张量积低存储压缩感知方法研究

由于随机观测矩阵的随机性,存在数据存储量大、内存占用率高、数据计算量大以及难以面向大规模实际应用等问题.为此,提出了一种可有效降低随机观测矩阵所占存储空间的半张量积压缩感知（STP-CS）方法.利用该方法,构建低维随机观测矩阵,经奇异值分解（SVD）优化后对原始信号进行采样,并利用拟合0-范数的迭代重加权方法进行重构.实验利用2维灰度图像进行测试,并对重构图像的峰值信噪比,结构相似度等指标进行了统计和比较.实验结果表明,本文所述的STP-CS方法在不改变随机观测矩阵数据类型的前提下,可将观测矩阵减小至传统CS模型中观测矩阵所占内存空间的1/256（甚至更低）,同时仍保持很高的重构质量.     

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。