含噪稀疏信号重构的l0范数期望值最小化方法

压缩感知理论是对信号压缩的同时进行感知的新理论,而如何通过有限的测量值重构稀疏信号是压缩感知理论中的核心问题。针对测量值受噪声污染的含噪稀疏重构问题,提出了近似l0范数期望值最小化方法。该算法基本思想是将含噪稀疏重构问题转化为近似l0范数期望值最小化问题,并利用噪声的统计特征将随机最优化问题化简为常规的最优化问题,然后采用最速下降法求解。数值仿真表明,本文提出的方法具有更好的重构精度,且计算量较小。     

压缩感知新技术专题讲座(三) 第5讲 压缩感知理论中的信号重构算法研究

信号重构作为压缩感知理论的核心之一,是指从长度为m的测量向量Y重构长度为n(m n)的稀疏信号Θ的过程。由于测量次数远小于原始信号维度,信号重构成为欠定方程求解问题,一般没有确定解。然而,若Θ满足一定的稀疏性条件,问题有确定解。文章首先从解析几何角度出发,分析了压缩感知中稀疏信号重构的原理,并对已有的两大类重构算法分别进行介绍:一类是针对l0范数最小化的一系列贪婪算法,一类是针对l1范数最小化的凸优化算法。对前一类算法,选取了代表性的OMP、ROMP、CoSaMP和SAMP算法进行研究,并分析了它们的优缺点;对后一类算法,着重阐述了将BP问题转换为LP问题的推导过程,并介绍了两类经典的凸优化算法:BP-Simplex和BP-Interior。最后,展望了信号重构算法的研究前景。     

压缩感知理论与光学压缩成像系统

压缩感知理论为提升信息获取能力提供了新的思路,它表明当被探测信号具有稀疏性时,则获取信号所必需的测量数据与其稀疏度K量级相当,而远小于信号的维数N(Shannon采样定理所要求的采样数)。基于压缩感知理论的成像技术(压缩成像)则将感知、压缩和数据处理三个过程完美地结合在一起,避免了传统成像系统"先采样再压缩"方式带来的传感器和计算资源浪费。本文从稀疏性、投影测量矩阵的设计与可重构条件、压缩感知重构算法三个方面概述了压缩感知理论及进展,并以光学成像为背景,详细阐述了最近提出的几类光学压缩成像系统,最后,探讨了压缩感知及压缩成像方面目前所面临的一些挑战性问题。     

粒子滤波匹配追踪重构算法

针对现有贪婪迭代类压缩感知重构算法对非高斯量测噪声抵抗性差的问题,提出一种盲稀疏度下粒子滤波匹配追踪稀疏信号重构算法。该算法将鲁棒性更高的Huber损失函数替代常规的二次损失函数,用来增加对非高斯噪声的抵抗能力;并引入粒子滤波实现对原始信号的最优估计,以削弱量测噪声的影响;在信号稀疏度未知的条件下,结合稀疏度自适应匹配追踪算法实现盲稀疏度下的原信号重构。理论分析和仿真结果表明,所提算法可以有效抵抗因非高斯噪声干扰或稀疏度未知导致的重构精度降低,且重构性能优于现有典型贪婪迭代类算法。     

基于稀疏贝叶斯学习的DOA估计

针对基于l1范数约束的稀疏表示DOA(Direction Of Arrival)估计算法对初始参数较为敏感的问题,提出了一种基于稀疏贝叶斯学习的DOA估计算法。首先通过信号来波方向的空间采样构造冗余字典,将阵列信号处理中的DOA估计信号模型转化为压缩感知中的稀疏重构信号模型。然后基于经验贝叶斯推理的方法,将待估计的稀疏系数值用方差未知的联合高斯分布描述,而未知的方差值决定了待估计系数的稀疏性。通过观测数据估计得到未知的方差,进而得到信号的DOA估计值。仿真结果表明,提出的算法有较高估计精度,并且对非相干信源和相干信源都具有较好的估计性能。     

盲稀疏度下基于粒子滤波的稀疏信号重构

针对现有贪婪迭代类压缩感知重构算法对非高斯量测噪声抵抗性差的问题,提出一种盲稀疏度下基于粒子滤波的稀疏信号重构算法。该算法首先将鲁棒性更高的Huber损失函数替代常规的二次损失函数,用来增加对非高斯噪声的抵抗能力;并且引入粒子滤波实现对原始信号的最优估计,以削弱量测噪声的影响;最后在信号稀疏度未知的条件下,结合稀疏度自适应匹配追踪算法实现盲稀疏度下的原信号重构。理论分析和仿真结果表明,所提算法可以有效抵抗因非高斯噪声干扰或稀疏度未知导致的重构精度降低,且重构性能优于现有典型贪婪迭代类算法。     

基于压缩感知和Welch的宽带频谱感知新算法

基于压缩感知的谱分析技术是宽带频谱感知的重要方法之一。文章将压缩感知与Welch法相结合,提出了一种新的宽带频谱感知算法。在不重构原信号波形的条件下,直接利用观测矩阵获得的低速观测值进行信号的功率谱估计,降低了采样速率,避免了重构算法的高复杂度。仿真结果表明,与基于压缩感知的多窗口联合奇异值分解算法(CS-MTM-SVD)相比,新算法在压缩率为0.5时能以更高的准确率估计出信号功率谱,估计精度与压缩率的变化成正比关系,并且新算法对噪声容忍度也更高。     

基于轮廓波变换的图像压缩感知处理

由于轮廓波变换(contourlet transform)能够更好地对图像进行稀疏表示。文章提出了基于轮廓波变换的图像压缩感知算法。将图像进行轮廓波变换后得到图像的稀疏表示,采用随机高斯矩阵对高频系数进行测量,实现数据压缩,然后采用正交匹配追踪算法恢复系数,再进行轮廓波反变换重构图像。实验结果表明,与原压缩感知算法相比,该算法有效地提高了重构图像质量的主观视觉效果和峰值信噪比。     

压缩感知新技术专题讲座(四) 第7讲 压缩感知在图像信号处理中的应用

绝大部分自然图像信号都在某个变换域具有稀疏性或近稀疏性。基于压缩感知理论,可以用远低于采样定理要求的采样频率采集信号,并可在一定条件下高概率恢复信号,这将极大降低图像信号的采样频率以及数据存储和传输的代价。文章首先简述了压缩感知理论,然后分析了图像的稀疏性对图像重建质量的影响,最后着重从图像压缩、图像融合、图像去噪、图像识别以及图像复原几个方面分析了压缩感知理论在图像处理领域中的应用以及目前所面临的问题。     

压缩感知新技术专题讲座(二) 第3讲 压缩感知技术中的信号稀疏表示方法

信号的稀疏表示是信号分析领域的基本问题,也是近几年兴起的压缩感知理论的基础。文章首先分析了信号稀疏表示的基本原理,然后介绍了当前信号稀疏表示的主要方法,并重点阐述了基于过完备字典的稀疏表示方法及其在压缩感知中的应用,最后总结了稀疏表示所面临的问题和未来发展方向。     

改进Laplace先验下的复数域多任务贝叶斯压缩感知方法

为了将现有的实数域贝叶斯压缩感知方法推广至复数域,利用改进Laplace先验假设,提出了一种复数域多任务贝叶斯压缩感知(complex multitask Bayesian compressive sensing using modified Laplace priors, CMBCS-MLP)方法,消除了测量噪声方差的影响,并推导了一种基于递归操作的快速算法。数值仿真表明：针对复数域稀疏信号重构问题,相比于现有方法,所提CMBCS-MLP方法具有更好的精确性和鲁棒性。     

压缩感知新技术专题讲座(三) 第6讲 压缩感知在语音处理中的应用研究

压缩感知CS(Compressive Sensing)作为一门新兴的技术,成为近年来人们广泛关注的研究热点。文中介绍了压缩感知理论的基本原理,在此基础上将压缩感知理论应用到语音信号处理中。首先研究了语音信号的稀疏性,说明了对语音信号进行压缩感知具有可行性;其次,采用随机滤波器组构造随机测量矩阵得到语音信号的压缩测量值;最后,研究了压缩测量值之间的相关性并将这种相关性作为稀疏度的一种度量方法用于控制随机滤波器阶数,实现了语音信号的自适应压缩感知。     

压缩感知稀疏重构对星图的影响

稀疏重构是压缩感知理论的核心内容之一,为了将稀疏重构有效地应用于星敏感器的压缩成像过程中,从星图图像误差和星点特征误差两个方面分析稀疏重构对星图的影响。在图像误差方面,利用峰值信噪比评价指标考察星图在不同重构算法、不同压缩比下的重构质量;在特征误差方面,从理论上分析稀疏重构对星点特征的影响机理,提出星点特征重构误差的评价指标,考察星点的质心、亮度和数量特征的重构误差。结果表明,在所选算法各压缩比下,星图相比一般图像能够获得更高的重构质量,重构星点能够在很大程度上保持可用于姿态确定的特征信息,结论保证了利用重构星图进行姿态计算的正确性,进一步验证了压缩感知理论在星敏感器中应用的可行性,为实现星敏感器的压缩成像提供了现实依据。     

基于ICoSaMP重建的TDCS宽带压缩感知算法

为解决变换域通信系统(Transform Domain Communication System,TDCS)低信噪比环境下宽带压缩感知重建算法在盲稀疏度下无法精确恢复信号的问题,利用频带占用率对稀疏度进行估计,同时结合残差比阈值迭代终止条件,对压缩感知匹配追踪算法(Compressive Sampling Matching Pursuit,CoSaMP)进行改进,提出了一种盲稀疏度的ICoSaMP(Improved Compressive Sampling Matching Pursuit)算法。仿真结果表明,相比于CoSaMP算法,ICoSaMP算法在相同信噪比环境和相同稀疏度条件下的重建概率提高约10%,在盲稀疏度条件下均方误差降低约1.2%。     

基于AM-LFM与BOMP的ISAR成像算法

对含微动运动的目标进行稀疏孔径逆合成孔径(ISAR)成像时,基于Chirplet分解和压缩感知(CS)的成像算法存在运算效率低、重构精度与鲁棒性差等问题。针对上述算法中存在的不足,提出了基于调幅-线性调频(AM-LFM)分解和贝叶斯正交匹配追踪(BOMP)的改进微动目标成像算法。应用该改进压缩感知(CS)算法进行微动目标成像,实验结果表明:由于改进算法采用AM-LFM分解和BOMP重构,提高了重构精度、鲁棒性与运算效率,成像效果比原算法更好。     

压缩感知新技术专题讲座(二) 第4讲 压缩感知理论中测量矩阵的构造方法

压缩感知(CS)是近年来针对稀疏信号或可压缩信号提出的,在信号采样的同时对其进行高效压缩的一种新理论。在压缩感知理论中,测量矩阵对信号采样方式和重建精度有着重要的影响。文中阐述了测量矩阵的构造对压缩感知性能的影响,介绍了设计测量矩阵时所需满足的约束等距性(R IP)条件,回顾了已有的测量矩阵构造方法,总结了近几年来测量矩阵构造的新方法及所构造矩阵的特点,并指出了测量矩阵研究的发展方向。     

导向矢量正交分解的离格信号DOA估计

当存在离格信号时,网格失配将导致基于压缩感知理论的DOA估计算法估计性能严重下降。为解决这个问题,在对接收数据协方差矩阵进行KR积变换的基础上,提出了一种基于压缩感知理论下的导向矢量正交分解的离格信号DOA估计算法。算法利用信号导向矢量与其一阶导函数矢量间的正交性构建了新的离格信号导向矢量模型,并基于最小二乘法对离格信号的网格偏离量进行估计。在构建稀疏重建模型时,采用ILSSE方法精确估计噪声协方差矩阵,提高了稀疏重建的精度。仿真结果表明,所提算法在不同信噪比和不同的网格间距下对离格信号DOA都有较好的估计精度。     

基于多尺度压缩感知的信号重构

压缩感知是近几年新兴的采样理论,它指出如果信号在某些基上是可压缩的,那么通过很少的观测即可获得信号的准确重构。当信号采用小波基并在压缩感知的基础上,提出了多尺度压缩感知,数值仿真结果表明多尺度压缩感知可以给出更好的重构效果。     

基于压缩感知的无人机图像组合去噪方法

针对无人机图像中存在的多种类型噪声干扰的情况,提出了一种基于压缩感知的无人机图像混合去噪方法。利用移动窗口平滑处理含噪图像中脉冲噪声,并去除该类噪声对图像稀疏性的破坏;对粗去噪图像进行稀疏表示,利用高斯观测矩阵对其测量,通过正交匹配追踪算法重构得到去噪后图像。实验结果表明,该算法改善了基于压缩感知图像去噪方法对含有脉冲噪声去噪效果差的问题,提高了去噪图像的峰值信噪比和视觉效果。     

压缩感知理论在红外成像中的应用

分析了红外图像的数据特性,并对红外数据进行稀疏化处理,提出了基于压缩感知理论的红外图像成像方法。在红外图像测量平面使用随机观测矩阵进行观测,以少量的数据采样信息获得重建红外图像的足够信息。由实验和仿真计算可知,压缩感知理论应用于红外成像技术,降低了数据采样量,提高了采样速度,并能以较小的误差实现红外图像的重构。