语音信号处理中鲁棒性压缩感知关键技术

压缩感知技术在 许多领域都有广阔的应用前景。压缩感知关键技术主要包括稀疏矩阵的选取,观测矩阵的构造以及重构算法的设计。语音信号不同于一般信号,通常在观测矩阵和重构算法中有特殊的结构特征。在实际的应用中,噪声难以避免,而压缩感知系统中,重构系统是非线性的,且对噪声敏感,因而研究具有抗噪能力的鲁棒性压缩感知系统具有重要意义,也是压缩感知技术能否真正实用的关键之一。本文首先介绍了压缩感知的基本概念,然后分析各种噪声对压缩感知带来的影响,侧重从语音信号的观测矩阵和重构技术入手,介绍具有鲁棒性的压缩感知投影算子和重构算法,最后对未来可能的研究方向进行了展望。     

压缩感知重构匹配类算法分析

压缩感知理论是一种利用信号的稀疏性或可压缩性而把采样与压缩融为一体的新理论体系,它成功地克服了传统理论中采样数据量大、资源浪费严重等问题。该理论的研究方向主要包括信号的稀疏表示、测量矩阵的设计和信号的重构算法。其中信号的重构算法是该理论中的关键部分,也是近年来研究的热点。本文主要对匹配追踪类重构算法作了详细介绍,并通过仿真实验结果对这些算法进行了对比和分析。     

自适应压缩感知的语音压缩重构算法研究

根据传统语音信号的处理过程和语音信号的特征,提出了利用自适应冗余字典KSVD算法、自适应观测矩阵和SAMP重构算法的压缩重构方法,通过仿真分析,并与普通压缩感知对比平均帧重构信噪比、相对误差,验证了压缩感知自适应算法的优越性。     

基于压缩感知和MFCC的语音端点检测算法

在连续语音识别系统中,针对强噪声环境下传统双门限语音检测方法出现的误检问题,提出了一种结合压缩感知理论和MFCC倒谱系数的端点检测算法。该算法采用Hadamard随机观测矩阵和改进的OMP重构算法对语音信号进行压缩感知与重构,利用语音信号在离散余弦基上的近似稀疏性,提取重构信号的MFCC倒谱系数来检测语音信号的端点。仿真结果表明,提出的改进算法具有较强的鲁棒性,能满足在强噪声环境下对连续语音信号进行有效端点检测的要求。     

压缩感知分组分离语音增强

压缩感知（Compressive Sensing,CS）是一种基于信号稀疏性的采样方法,可以有效提取信号中所包含的信息。提出了一种分组分离压缩感知语音增强新算法。算法利用语音在离散快速傅里叶变换（Fast Fourier Transform,FFT）域下的稀疏性,设计复域观测矩阵与软阈值对带噪语音进行压缩测量与去噪,通过可分组分离逼近稀疏重建（Sparse Reconstruction by Separable Approximation,SpaRSA）算法恢复语音信号,实现语音增强。实验表明：该算法对含噪信号压缩重构,信噪比幅度较大提高,能更有效地抑制背景噪声。     

基于Kent混沌测量矩阵的压缩感知图像重构算法

图像重构是图像数字化和恢复高质量图像信号的关键技术,使用压缩感知理论进行图像重构的意义在于显著减少采样次数,降低系统资源的消耗。测量矩阵的构造是压缩感知的重要研究内容之一。提出一种基于Kent混沌测量矩阵的压缩感知图像重构算法,将Kent混沌序列作为测量矩阵,采用离散小波变换的稀疏化方法,在小波域对原始图像信号进行测量。最后采用正交匹配追踪方法恢复原始图像。仿真实验中,对比高斯随机测量矩阵和Logistic混沌测量矩阵,对不同的图像进行重构。实验结果证明,基于Kent混沌测量矩阵的重构算法能够恢复原始图像,重构性能优于高斯随机观测矩阵和Logistic混沌测量矩阵,同时克服了随机测量矩阵硬件难以实现的缺陷。     

基于稀疏对角矩阵的语音信号压缩感知

探索压缩感知理论在语音信号重构中的应用,研究测量矩阵选取对语音信号重构效果的影响.改进传统随机,托普利兹,循环等测量矩阵,尝试将稀疏对角矩阵应用于测量矩阵完成对语音信号的非相干测量.在语音信号上进行实验,分别采用稀疏对角结构测量矩阵和传统测量矩阵,对比它们使用StOMP算法重构语音信号的效果.实验结果表明,采用改进的稀疏对角循环矩阵重构语音信号,较传统矩阵重构的精确度有明显提高,运行时间也有明显缩短.     

基于改进循环观测的线性预测语音压缩感知

利用语音信号线性预测残差的稀疏性特点可对语音信号进行压缩感知,但需要信号的线性预测系数来构造稀疏变换矩阵,从而增加预测系数传输的数据量。为此,提出将线性预测系数存入对角阵向量中构造循环矩阵,由此得到循环观测矩阵,再对语音信号进行观测。提取该循环矩阵中的线性预测系数构造残差域稀疏变换矩阵,利用正交匹配追踪算法对观测信号进行重构。仿真实验结果表明,与传统线性预测方法相比,该方法减少了3.9%以上的数据量,且比将高斯随机矩阵作为观测矩阵的方法具有更高的帧平均重构信噪比。     

量化压缩感知在语音压缩编码中的应用

利用语音信号在离散余弦变换（ DCT）域的近似稀疏性和量化压缩感知理论,文中提出一种基于量化压缩感知的语音压缩编码方案。编码端利用压缩感知技术,将语音信号投影成数据量大大减少的观测序列,然后对观测序列采用Lloyd-Max量化得到量化后的观测样值;解码端直接利用量化后的观测样值,结合重构算法重构出原始语音信号的DCT系数,经过DCT反变换得到重构后的语音信号,并采用后置低通滤波器改善重构语音的听觉效果。该编码方案解码端不需要进行反量化,而是直接利用量化后的观测样值进行重构,有效降低了解码端的运算量及复杂度。仿真结果表明：采用量化迭代硬阈值（QIHT）算法重构效果优于迭代硬阈值算法（IHT）,重构语音的信噪比能达到20 dB以上,MOS分达到3.26。     

基于压缩感知的K L分解语音稀疏表示算法

为克服稀疏基在KLT域不便传输的不足,提出一种基于Karhunen-Loeve(K-L)正交分解的语音稀疏表示算法.结合压缩感知理论,建立语音自相关模型并求解Fredholm积分方程,采用二分法估计出可实时传输的模型参数,构造非相干字典;然后用随机矩阵对语音在字典上的稀疏投影系数进行观测获得低维观测值.重构结果表明:相比已有的稀疏表示算法,本文算法的字典匹配性更好,且具有较好的语音质量.     

动态压缩感知综述

动态压缩感(Dynamic compressed sensing, DCS)知由视频信号处理问题引出, 是压缩感知(Compressed sensing, CS)理论研究领域中新兴起的一个研究分支, 旨在处理信号支撑集随时间发生变化的时变稀疏信号, 较为成功的应用范例是动态核磁共振成像. 本文首先介绍动态系统模型, 给出时变稀疏信号支撑集缓慢变化的定义、 时变稀疏信号的稀疏表示和感知测量的方法; 其次, 建立一个统一的时变稀疏信号重构模型, 基于该模型对现有算法进行分类, 简要综述时变稀疏信号的重构算法, 并且对比分析算法的性能; 最后, 讨论动态压缩感知的应用, 并对其研究前景进行展望.     

压缩传感在无线视频监控中的应用研究*

图像采集数据量大是制约视频监控系统向无线化方向发展的主要因素,提出利用压缩传感进行视频图像的采样,为无线视频监控带来一种新的应用研究。为了减少图像稀疏分解过程的计算量和存储量,在匹配追踪算法的基础上,引入量子遗传算法,实现快速的图像稀疏表示。以Fourier矩阵作为压缩传感的测量矩阵,能有效减少测量数据量,并提高重构图像的质量。仿真实验证明,采用压缩传感所得到的测量数据量远小于传统采样方法所获的数据量,突破了传统信号采样的瓶颈,提高了采样效率,最终获取的压缩测量值能够很好地恢复为监控场景。     

压缩感知综述

压缩感知理论的诞生使得采样速率与信号的结构和内容相关,并以低于奈奎斯特采样定理要求的频率采样、编码和重构。在实际应用中,为解决数据冗余和资源浪费的瓶颈问题开拓了一条新道路,也为其他学科发展提供了新的契机。从发展历史和研究现状等方面入手,对稀疏表示、测量矩阵的构造、稀疏重构算法和主要应用方面进行了详细的梳理和研究。对当前研究的热点、难点作了分析和探讨,并指出了未来的发展方向和应用前景。     

一种自适应观测矩阵下的信号重构算法*

为提高压缩感知的性能,设计了一种自适应的稀疏观测矩阵,该观测矩阵由0和1组成。信号重构时,利用观测值的位置信息,避免了求解不定方程组,提高了重构速度。采用具有频域稀疏特性的深海隔水管受力参数作为仿真信号,仿真结果表明,观测值数目相同时,自适应观测矩阵下重构算法的平均误差比随机观测矩阵下基追踪算法的平均误差小。     

压缩感知与EMD相结合的带噪面罩语音增强

针对带噪面罩语音清晰度和可懂度低的问题,提出了一种将压缩感知和经验模式分解（Empirical Mode Decomposition,EMD）相结合的方法来对带噪面罩语音进行增强。首先对带噪面罩语音进行EMD分解得到其本征模式函数信号分量,对其特定本征模式分量进行小波阈值去噪;然后对全部信号分量进行压缩感知,最后重构信号分量得到增强后面罩语音。由实验结果可知,文中提出的方法去噪效果较好,重构误差较小,稳定性较高,有效地实现了面罩语音的增强。     

基于线性预测分析的语音信号压缩感知*

根据语音信号的特点,提出了一种基于线性预测分析的合成矩阵作为语音信号的稀疏变换域,并验证了语音信号在该域上的稀疏特性。由语音信号和随机高斯矩阵构造相应的观测,采用正交匹配追踪算法重构原始语音信号。实验表明,语音信号在新的变换域上的重构性能要优于DCT域,且具有较高的分段信噪比和平均意见得分。     

基于过完备字典的体域网压缩感知心电重构

针对体域网远程监护中心对重构的心电信号（Electrocardiogram,ECG）精度要求高和体域网（Body sensor network,BSN）低功耗问题,提出基于过完备字典的体域网压缩感知心电重构方法. 该方法利用压缩感知理论,在传感节点端利用随机二进制矩阵对心电信号进行观测,观测值被传送至远程监护中心后,再利用基于K-SVD算法训练得到的过完备字典和块稀疏贝叶斯学习重构算法对心电信号进行重构. 仿真结果表明,当心电信号压缩率在70%～95%时,基于K-SVD过完备字典比基于离散余弦变换基的压缩感知心电重构信噪比高出5～22dB. 该方法具有信号重构精度高、功耗低和易于硬件实现的优点.