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。     

基于改进压缩感知的战勤网络状态监测模型

为提高战勤网络信息感知节点状态的监测效率,对经典压缩感知理论进行了改进,构造了一种适合于测量战勤网络状态的行和为零的贝努利测量矩阵,理论证明了原始重构算法依然适用于改进后的目标函数,同时提出了基于压缩感知的战勤网络状态监测模型。将改进后的压缩感知方法应用于提出的检测模型,对Hadoop进度跟踪机制进行改进,并在仿真环境下对解码精度、压缩比率、定位效率进行了测试和分析。测试结果表明：在保持与传统方法相同的监测精度下,新方法有效检测的战勤网络规模可提高约16倍。