基于改进的稀疏度自适应匹配追踪算法的宽带压缩频谱感知

针对在实际宽带压缩频谱感知中难以预先获知宽带频谱稀疏度的问题,提出一种改进的稀疏度自适应匹配追踪(modified sparsity adaptive matching pursuit, MSAMP)算法,该算法在支撑集选择过程中对稀疏度进行了预估计。结合序贯压缩检测技术,给出了一种基于该算法的多认知用户合作场景下的宽带压缩频谱感知方法,理论分析和实验仿真结果表明,该方法可在频谱稀疏度先验知识缺少的情况下,有效提高宽带频谱感知性能。     

基于改进的稀疏度自适应匹配追踪算法的宽带压缩频谱感知（英文）

针对在实际宽带压缩频谱感知中难以预先获知宽带频谱稀疏度的问题,提出一种改进的稀疏度自适应匹配追踪(modified sparsity adaptive matching pursuit,MSAMP)算法,该算法在支撑集选择过程中对稀疏度进行了预估计。结合序贯压缩检测技术,给出了一种基于该算法的多认知用户合作场景下的宽带压缩频谱感知方法,理论分析和实验仿真结果表明,该方法可在频谱稀疏度先验知识缺少的情况下,有效提高宽带频谱感知性能。     

改进的正交匹配追踪图像快速重建算法

传统采样需要的采样间隔小,当信号过长时会增加采样量,消耗过多的时间,占用更多的存储空间。提出了以Daubechies小波变换基作为稀疏变换基,用高斯随机矩阵作为观测矩阵,采用基于Dice匹配准则的正交匹配追踪算法作为恢复算法对图像进行重建。在分析了正交匹配追踪算法的特点后,提出了一种基于Dice匹配准则的改进的正交匹配追踪算法。该算法在原子匹配过程中将几何平均值用算术平均值替代,使重要成份在向量中的作用更加突出,能更准确地从字典中挑选出与残差向量最匹配的原子。仿真结果表明,该算法在相同的观测条件下,能减少重构误差,可将图像的重构质量提高2%左右,重构概率提高7%左右,有较高的应用价值。     

基于压缩感知和改进自适应正交匹配的稀疏信号重构

针对传统香农-奈奎斯特采样定理指出在保证原始信号重构精度的前提下,采样频率必须为原始信号频率的2倍,提出了一种基于压缩感知理论和改进的自适应正交匹配追踪算法的稀疏信号重构方法;首先引入了压缩感知模型和信号重构目标函数,然后在对经典正交匹配追踪类算法进行分析和总结的基础上,为克服其不足,设计了一种二次筛选支配原子集的方法,即通过计算信号的QR分解并计算具有最大势能的原子从而得到能量候选原子集,通过计算余量与原子的相关性选出相关性最大的原子从而得到相关候选原子集,并将能量候选原子集和相关候选原子集的交集作为最终支配原子集;最后定义了具体的采用自适应正交匹配算法实现信号重构的算法;在Matlab仿真环境下试验,结果表明:文章方法能有效地进行稀疏信号重构,具有较小的重构误差,且与其它方法相比,具有收敛速度快和重构效果好的优点。     

分段匹配追踪式Karhunen-Loeve非相干字典语音压缩感知

压缩感知(Compressed Sensing,CS)理论突破了经典采样定理的理论边界,为信号压缩提供了另一种途径。基于CS理论框架,做了两方面工作:为提高语音字典对信号的匹配性,设计了一种基于K-L展开的非相干语音字典;针对现有匹配追踪(MP,OMP)算法的不足,提出分段匹配追踪(Segment MP,SegMP)算法。首先对语音自相关函数进行建模并估计模型参数,构造语音自适应非相干字典,然后采用SegMP对语音稀疏向量分段观测,获得多个低维矢量,最后结合模型参数重建字典并重构信号,实现了语音压缩感知。语音测试结果表明:相比现有方案,本文方案对信号的稀疏表示更为精准,具有更好的重构质量,且降低了计算复杂度。      

基于压缩感知与扩展小波树的自适应压缩成像

为了在现有的采样条件下,通过新的压缩采样方式获得计算量小且质量更好的图像,提出了基于压缩感知与扩展小波树的自适应压缩成像方法。首先将图像投影到分区控制的DMD上,获得图像在低分辨率下的测量值,并通过压缩感知重构算法重构出低分辨图像,接着利用扩展小波树预测重要小波位置,通过DMD在小波域采样获取图像的细节信息,最后由小波逆变换恢复高分辨率图像。将该方法与最小化全变分算法（TVAL3）和近来提出的基于扩展小波树的自适应成像算法（EWT-ACS）效果进行对比,实验结果表明,以boat图像为例,在压缩感知采样率为0.75,整体采样率为10%的无噪声条件下,该方法相较于TVAL3、EWT-ACS算法信噪比提高了4.63 dB和2.87 dB,在附加噪声条件下成像效果也较好。该方法能极大地降低压缩感知重建算法的运行时间,同时减少采样次数,具有较好的抗噪性。     

基于FP微阵列的压缩感知光谱重建研究

针对现有星载扫描光谱成像中无法同时实现高通量、高光谱分辨率的问题,提出采用法布里珀罗( FP)微阵列与压缩感知光谱成像方法.该方法通过在成像探测器前加FP微阵列, FP微阵列调制器每一单元对应不同高度,进而对输入光信号进行调制得到不同的光谱响应.结合扫描和压缩感知复原算法,最终获得高光谱图像数据立方体.该系统光谱范围为...     

基于改进的分块压缩感知红外图像重建

针对基于压缩感知理论的红外图像重建问题,提出一种基于改进的分块压缩感知红外图像重建方法。该方法首先对原始红外图像进行分块,并对每个子块用相同的观测矩阵进行随机观测,获得少量的观测数据;然后利用谱图小波变换优异的稀疏特性,将其引入平滑投影Landweber算法进行迭代优化重建,同时采用混合中值滤波进行处理以增加图像的平滑度和减少块伪影,最后输出满足要求的高质量红外图像。实验结果表明,在相同采样率下,该方法对于不同类型红外图像的重建性能均优于目前广为采用的一些小波压缩感知方法,可获得更高质量的红外图像。     

基于匹配追踪算法的激波信号特征提取

针对时域重叠、噪声混合等情况下从多弹头激波信号中提取时延特征参数问题,利用匹配追踪(Matching pursuits,MP)算法的自适应分解特性对激波混合信号进行特征提取,并针对运行时间长和内存占用大等问题提出"粗提取—精提取"两步改进算法,通过"粗提取"获得各个激波信号的长度,触发位置等先验知识,利用"分库"、"总库"思想重构过完备原子库进行精提取。仿真结果表明,该改进算法不仅能以较高精度提取时延特征参数,而且能有效提高提取速度和减小内存占用。     

匹配追踪说话人自适应方法

针对现有子空间自适应方法无法确定最佳说话人子空间的问题,提出一种基于匹配追踪的说话人自适应方法。将说话人自适应视为一种高维信号的稀疏分解问题,利用本征音和参考说话人超矢量的各自优势联合构造说话人字典;依据匹配追踪原理,通过迭代优化,以后验方式确定最佳说话人子空间维数及其基矢量。引入冗余基矢量检测与去除机制以保证算法的稳定性,并通过快速递推算法得到新说话人坐标。基于汉语连续语音识别的有监督说话人自适应实验结果表明,与本征音及参考说话人加权方法相比,平均有调音节正识率相对提高了1.9%。     

压缩感知重建数字同轴全息

数字重建是数字全息技术的关键步骤.传统的重建算法存在共轭像、聚焦物体与背景离焦物体相互干扰等问题.应用新兴的压缩感知技术,研究了全息图像的稀疏重建.基于衍射的线性运算,导出了利用压缩感知重建数字同轴全息三维空间的算法.利用该算法对颗粒的模拟全息图和数字显微全息实验全息图进行了重建,并将重建结果与传统的卷积重建结果进行了...     

基于一种改进的压缩感知信号重建算法在WSN中的研究

无线传感中的数据节点能量消耗一直都是研究的重点,本文在WSN的数据压缩上提出一种提近似L0范数的压缩感知信号重构算法,本算法不需要将信号稀疏作为前提条件,而是采用反双曲线正弦函数来对估计有关SL0范数的最小的值,采用牛顿-割线法来计算步长因子,求解使得算法收敛速度更快,并在一定程度上避免“波浪现象”;提高了信号的重建质量,降低了重构网络数据所需要的测量数。仿真实验表明本文的算法与现有的WSN压缩算法相比,能够有效的减少数据传输过程中的数据量,进一步降低网络节点消耗。     

基于lp范数的压缩感知图像重建算法研究

图像重建是光学成像、光声成像、声纳成像、核磁共振成像、 天体成像等物理成像领域中的关键技术之一. 近年来提出的压缩感知理论指出: 对稀疏或者可压缩信号进行少量非自适应线性投影,投影信号含有足够的信息, 从而能对信号进行高概率重建. 压缩感知已被应用于多种物理成像系统. 将罚函数法和修正Hesse阵序列二次规划方法相结合, 并采用了分块压缩感知思想, 提出一种基于l_p范数的压缩感知图像重建算法. 以cameraman, barbara和mandrill图像为例, 采用该算法进行图像重建. 首先, 在不同采样率下对图像重建. 即便采样率低至0.3时, 也能获得高达32.23dB的信噪比, 重建图像清晰可辨. 验证了该算法的正确性. 其次, 将该算法与正交匹配追踪算法进行对比, 在采样率达到0.5以上时, 能够获得高信噪比的重建图像, 成像时间也大为减少, 特别是采样率为0.7时, 成像时间减少88%. 最后, 与现有基于l_p 范数的压缩感知图像重建算法进行对比, 计算结果表明在成像质量有所提高的基础上, 成像时间大为缩短. 关键词： 图像重建 压缩感知 罚函数 修正Hesse阵序列二次规划     

基于压缩感知耦合梯度下降的红外-可见光图像自适应融合算法

设计了一种压缩感知耦合梯度下降的IR-VI图像自适应融合方案。引入S-函数对IR图像进行预处理,增强其对比度。利用非下采样Contourlet变换对IR与VI图像分解,分别得到低频与高频系数。对低频系数,利用自适应区域平均能量准则对其进行融合,以减少边缘模糊。对于高频部分,引入压缩感知进行稀疏采样,再采用绝对最大值选择与自适应高斯区域标准差的融合规则,通过高斯模糊隶属度建立的自适应控制融合过程,并利用基于梯度下降迭代算法来求解稀疏信号,形成高频融合系数。通过逆NSCT生成最终融合图像。实验表明,与当前流行的红外-可见光融合算法比较,所提算法具有更高的融合质量,输出图像的信息更丰富,边缘与纹理更为清晰。所提算法具有较高的融合质量,在红外、安防以及模式识别等领域具有一定的应用价值。     

改进的变步长自适应最小均方算法及其数字信号处理

针对紫外光通信中传统自适应最小均方(LMS)算法存在的不足,提出了一种新的变步长LMS(VSS-LMS)算法,利用MATLAB仿真验证了该算法的可行性,以TMS320VC5509为核心设计了数字信号处理(DSP)最小化硬件系统和VSS-LMS算法的软件流程,在硬件上实现了传统LMS算法和新的VSS-LMS算法的自适应滤波,并进行了对比分析,结果表明所提出的VSS-LMS算法具有较快的收敛速度和较小的稳态误差,这对紫外光通信接收系统的设计和优化具有一定的参考意义。     

改进的变步长自适应最小均方算法及其数字信号处理

针对紫外光通信中传统自适应最小均方（LMS）算法存在的不足,提出了一种新的变步长LMS(VSS-LMS)算法,利用MATLAB仿真验证了该算法的可行性,以TMS320VC5509为核心设计了数字信号处理（DSP）最小化硬件系统和VSS-LMS算法的软件流程,在硬件上实现了传统LMS算法和新的VSS-LMS算法的自适应滤波,并进行了对比分析,结果表明所提出的VSS-LMS算法具有较快的收敛速度和较小的稳态误差,这对紫外光通信接收系统的设计和优化具有一定的参考意义。     

基于匹配追踪的拉曼光谱信号重构算法

拉曼光谱技术是一种高灵敏度、无损伤、振动分子光谱技术,在医药、生物、分析化学等诸多领域有着重要的作用。然而,由于拉曼散射强度低,实际测得的拉曼信号容易被噪声所污染。特别是在较短的曝光时间,收集到的拉曼光谱的信噪比很低。因此,提出了一种基于匹配追踪算法的信号重构方法,用于提取低信噪比的拉曼信号。该方法首先通过阈值循环迭代的方法在平均谱上找出特征峰的位置、估计峰的区间。根据峰的位置区间等信息,用高斯密度函数生成字典。在噪声谱上,根据特征峰位置和区间,将其区分为有信号区间和无信号区间,在有信号区间上利用匹配追踪算法重构被噪声所掩盖的拉曼信号。该算法不仅能够很好的逼近掩盖在噪声中的拉曼信号,且在重构信号的过程中也会对基线进行扣除,无须作基线校正处理。在仿真和实验中对该算法与常规算法进行了比较,结果证明,该算法在低信噪比条件下能够较好的恢复拉曼信号。该算法不同于传统光谱去噪算法,能同时对拉曼光谱进行了基线扣除以及噪声的处理,且能取得较为理想的结果,不需要使用不同的算法对基线和噪声分别处理。其次,在算法上我们创造性地将匹配追踪算法用于拉曼光谱信号的稀疏逼近求解。     

一种基于选择性测量的自适应压缩感知方法

针对低信噪比条件下现有压缩感知系统重构性能严重恶化的问题,提出了一种基于选择性测量的自适应压缩感知结构.首先推导并分析了经过压缩测量的噪声的统计特性及其对重构性能的影响;然后基于输出能量最小化准则,设计了一种压缩域投影滤波联合噪声检测的自适应感知器,感知获得噪声子空间的位置信息;进一步利用该信息构造选择性压缩测量矩阵,智能选择测量信号,同时"屏蔽"噪声分量,极大提高了压缩测量值的信噪比.仿真结果表明,相对于现有压缩感知结构,选择性测量的压缩感知结构明显改善了含噪稀疏信号的重构性能,可更好地应用于吸波材料的前端特性分析、认知无线电的频谱感知等领域.     

基于信号相关性的自适应时域视频压缩感知重建方法

提出了一种基于信号相关性的自适应时域视频压缩感知重建方法,在超时间分辨率视频成像过程中自适应地判断物体的运动量并有针对性地重建信号。该方法将所观察到的图像分成不同运动量大小的区域,然后利用由视频样本训练得到的对应的字典重建这些区域;在视频重建阶段,将编码曝光图像快速分块重建,再计算各帧图像块之间的相关系数,通过相关系数估计局部图像运动量,根据估计的运动量选择训练字典并重建图像。仿真实验结果表明,该方法能准确地获得视频图像的运动分布信息,在降低重建时间的同时提高了重建质量。     

基于压缩感知的反射光谱重构算法研究

光谱反射率描述物体的表面颜色特征,为了能够获取物体自身更加精确的颜色信息,在图像处理领域光谱反射率重构成为了关注的话题。反射光谱重构算法是对实验物体表面在可见光范围内每一波长处的光谱反射率进行重构,以达到提高物体自身颜色准确复制的精度,最后建立相应的反射光谱。尝试将压缩感知(CS)理论应用到光谱实验中,对光谱反射率进行重构。首先是介绍了压缩感知理论知识,然后把压缩感知理论与光谱反射率原理相结合,根据基于压缩感知的光谱反射率重构的理论框架,选取合适的采样值,压缩感知的采样值即压缩值,小波基作为正交矩阵,高斯随机矩阵作为测量矩阵,正交矩阵与测量矩阵需要保证具有不相关性,将原始光谱反射率从高维到低维进行线性投影,得到低维的观测信号,运行简单的正交匹配追踪算法(OMP)对低维的观测信号进行由低维到高维的高精度重构,重构得到的光谱反射率与原始光谱反射率具有相同的维度,最后将压缩感知重构算法与传统的光谱反射率重构算法伪逆法与多项式回归法进行比较。经过压缩感知重构算法得到的色差值与均方根误差值都小于伪逆法和多项式回归法重构的结果,经压缩感知的重构精度明显提高;经压缩感知重构的光谱曲线可以达到或者更接近原始光谱曲线的峰值,整体效果更接近原始光谱曲线;经多项式回归法和伪逆法重构的光谱曲线达不到原始峰值,整体上存在偏差。可以认为压缩感知用低采样的数据达到了全采样的效果,提高了光谱反射率重构的精度。基于压缩感知的光谱反射率重构算法效果明显优于传统的多项式回归法和伪逆法,可以将压缩感知理论应用到实际的多光谱成像系统中。