面向内容的语音信号压缩感知研究

压缩感知理论依据信号的稀疏性质进行压缩测量,将信号的获取方式从对信号的采样上升为对信息的感知,是信号处理领域的一场革命。本文提出一种基于非确定基字典（Uncertainty Basis Dictionary, UBD）对语音信号进行稀疏表示的方法,将压缩感知理论应用于对语音信号稀疏表示的压缩,并提出了基于求解线性规划问题的方法重构语音信号的算法。通过语音识别、话者识别和情感识别实验,从面向内容分析的角度,研究这种基于压缩感知理论的信息感知方法是否保留了语音信号的主要内容。实验结果表明,语音识别、话者识别和情感识别的准确率,与目前这些领域研究方法得到的结果基本一致,说明基于压缩感知理论的信息感知方法能够很好地获取语音信号的语义、话者和情感方面的信息。      

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。     

基于压缩感知的稀疏线性预测语音编码

目前的VoIP技术已无法满足宽带语音服务的高清语音质量和安全性,文中对这一问题,做了初步的探索和研究。在现有的压缩感知理论基础上,针对语音信号提出了一种新的稀疏域,构造了将压缩感知技术应用于语音信号压缩的基本框架。     

基于差分变换的语音信号压缩感知

信号在某种变换下可以稀疏表示是压缩感知研究的先验条件,正交傅里叶变换则是应用非常广泛的一种稀疏变换。但是,由于语音信号是准周期信号,对其进行傅里叶变换会造成频谱泄漏,因而引起信号重构性能的降低。本文基于语音信号准周期性的特点,提出了一种基于差分变换的语音稀疏化变换矩阵,在此基础上采用OMP优化算法来重构语音信号。实验表明,与采用正交傅里叶变换方法对语音信号进行稀疏化变换、OMP算法对语音信号进行重构的方法相比,差分变换方法的性能明显优于正交傅里叶变换的方法,即在相同重构性能时,差分变换的压缩比小于正交傅里叶变换,因而差分变换的方法大大提高了信号的压缩性能。PESQ对重构语音质量评测的结果表明差分变换方法重构的语音信号MOS得分较高,这也说明对于语音信号这一特殊信号,差分变换法具有很大的优越性。      

基于自相关观测的语音信号压缩感知

本文基于压缩感知技术,根据语音信号的特点,提出了一种基于自相关特性的截断循环自相关矩阵作为观测矩阵,并在此基础上,从实用的角度出发,提出了基于模板匹配的近似截断循环自相关矩阵作为观测矩阵,并证明其满足RIP特性。由语音信号与截断循环自相关矩阵、近似截断循环自相关矩阵和高斯随机矩阵分别构造相应的观测,采用BP算法来重构原始语音信号。实验表明,由2个模板元素线性组合而成的近似截断循环自相关矩阵重构原始语音信号的性能与截断循环自相关矩阵的重构性能相当,且优于经典高斯随机矩阵,而且在相同的重构性能下,其压缩比远大于高斯随机观测矩阵,对语音信号的压缩性能有了明显地提高。      

基于主分量分析的语音信号压缩感知

压缩感知理论是近年来兴起的一个新的研究热点。寻求适合于语音信号的稀疏基是压缩感知理论应用到语音信号处理领域的前提。本文基于主分量分析理论和大量的块数据,提取语音信号的特征信息,并根据压缩感知理论、字典构造的方法以及语音信号的特点,构造出一种新的适合于语音信号稀疏表示的冗余字典。该冗余字典是由多个正交基级联而成。为了更为客观的说明这种稀疏表示的优势,采用两种稀疏度的衡量标准来分别比较语音信号在DCT基、GABOR基和该冗余字典下的稀疏性,并且分别对男女声语音信号和清浊音进行了分析。实验表明,无论是男声信号还是女声信号,清音还是浊音,在该冗余字典下的稀疏性均优于DCT基,略差于GABOR基,但是由于其原子数远少于GABOR基,其计算的复杂度和存储量均低于GABOR基,因而比GABOR基更具可用性。      

基于压缩感知的信号重构

压缩感知是针对稀疏或可压缩信号,在采样的同时即可对信号数据进行适当压缩的新理论,采用该理论,可以仅需少量信号的观测值来实现精确重构信号。文中概述了CS理论框架及关键技术问题,介绍了信号稀疏表示、观测矩阵和重构算法。最后仿真实现了基于压缩感知的信号重构,并对正交匹配追踪(OMP)重构算法性能作了分析。     

基于小波变换的语音压缩感知处理

文章首先简单介绍了压缩感知(CS)理论框架,然后根据语音信号小波变换系数的特点,提出了改进的压缩感知算法,对高频系数进行压缩处理,低频系数不变.采用基追踪算法重构出高频系数,再利用小波反变换得到原始语音信号.实验结果表明,在相同的测量点数下,本文的算法比原有CS算法在重构语音的信噪比和MOS分上都有较大的提升.     

基于压缩感知的雷达信号处理技术研究

雷达信号具有带宽范围大、分辨率高的特点,但ADC采集速率比DSP处理速率高1~2个数量级,硬件设备为雷达信号的采集和处理带来了一定的困难。采用压缩感知技术打破了奈奎斯特采样定理的限制,利用雷达信号稀疏性的特点,降低了信号采样率和存储传输的代价。文章应用压缩感知技术将高维信号压缩为低维信号,通过信号重构还原雷达信号在距离向和方位向原始信号,实现了超分辨率雷达成像。     

压缩感知理论及重构算法性能分析

压缩感知是近年来信号处理领域新诞生的一种新的信号处理理论,文中详述了压缩感知的基本理论,主要围绕着信号的稀疏表示、观测矩阵和信号重构算法三个方面对压缩感知进行基本介绍,并对几种典型的信号重构算法(OMP、GPRS、SLO)进行仿真分析。     

基于矩阵分解的压缩感知算法研究

奈奎斯特采样定律是长久以来具有指导意义的经典信号处理技术,它提出信号在采样过程中,当且仅当采样率大于信号带宽的2倍时,才能精确重构信号。压缩感知理论突破了奈奎斯特采样定理对信号采样率的限制,以更低采样率采样信号,并通过适当的重构算法恢复信号。文中以压缩感知理论为基础,结合目前广泛采用的正交匹配追踪算法,基于矩阵分解思想,提出2种改进算法,在运算复杂度方面取得优化,并且满足信号处理时对重构精度的要求。     

基于压缩感知理论的图像重构技术

通过CS理论在工程应用上典型的正交匹配追踪算法,实现了一维信号和二维图像的精确重构,针对该方法中出现对整幅图像进行采样计算时需要大量的观测矩阵存储空间,并且重构过程中耗费了大量的时间等问题,提出了一种基于OMP算法的改进方案,将图像进行分块压缩感知。通过实验分析,以上问题得到了解决,重构图像的质量在没有增加计算复杂度的前提下也得到了提高。     

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。     

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...     

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。     

基于压缩感知的双基SAR二维高分辨成像算法

双基地合成孔径雷达(SAR)由于收发分置,具有广阔的应用前景,但常规的频域算法不仅面临距离史双根号问题,而且数据采集受Nyquist理论限制,数据量大。近年来提出的压缩感知(CS)理论指出,在一定条件下可以从很少的采样点中以很大的概率重建原始未知稀疏信号。本文将CS理论与双基地SAR模型相结合,提出一种基于CS的双基地SAR二维高分辨成像算法。该算法将二维随机降采样回波数据作为测量值,根据发射信号构造距离向测量矩阵,通过方位向多普勒相位因子构建方位向测量矩阵,利用CS恢复算法对目标进行了分维重建。仿真结果与性能分析表明,该算法在严重欠采样情况下仍能完好的重建原始目标,而且对噪声具有一定的鲁棒性和免疫性。与传统双基SAR成像算法相比,该算法具有更高的分辨率,成像结果峰值更加尖锐,峰值旁瓣比(PLSR)和积分旁瓣比(ILSR)都较低,而且采样率低、数据量少,具有一定的有效性和实用性。      

基于二项分布改进的宽带压缩频谱检测方案

宽带压缩频谱检测存在依赖稀疏度先验信息和信号重构时延较高的问题.因此,本文提出了一种高效可靠的宽带压缩频谱检测方案.首先,推导出了基于二项分布精确置信区间改进的稀疏度估计模型.其次,利用稀疏度估计上下界改进了稀疏度自适应匹配追踪算法.最后,提出了一种宽带压缩频谱检测方案.仿真结果表明,本文所提出方法可以同时精确的估计信号稀疏度的上下界,提高了频谱检测的效率和可靠性,加快了算法的收敛速度.     

图像压缩感知的基于GPU的并行重构算法研究

压缩感知是近几年出现的一种新型信号处理方法,它能够以远低于奈奎斯特采样速率进行采样,而且在采样的同时对信号进行了压缩。但它却是以解码端的复杂度为代价,复杂的重构算法对设备提出了较高的要求,此外,重构时间也限制了压缩感知在实际中的应用。利用GPU的强大运算能力,对现有算法进行优化的同时,在不同的并行环境下进行实验对比,将重构算法中复杂的矩阵操作模块转移到GPU上并行执行。实验结果表明,该算法可以有效地提高重构效率。     

压缩传感方位估计

信源方位估计是阵列信号处理的一个重要问题。基于信源空间分布稀疏的本质,利用压缩传感理论,构造出一种稀疏信源方位估计模型,仿真结果表明,在不考虑噪声的理想情况和满足压缩传感的条件下,不仅可以准确的恢复出原始信源的方位,而且精确的得到各个信源信号的强度,并且,这种新的模型只需要一次时间采样,从而大大降低了成本。