非合作跳频信号参数的盲压缩感知估计

针对非合作跳频通信系统采样速率高,先验信息少等问题,论文提出基于盲压缩感知重构理论参数估计算法。利用稀疏编码与正交基变换交替迭代的思想实现信号精确重构,并根据重构结果直接对跳频信号进行参数估计。与传统的压缩感知理论相比,盲压缩感知理论避免了对信号先验信息的需求,有效解决了非合作通信系统中先验信息少的问题。首先,建立信号模型,然后利用正交块对角盲压缩感知算法（Orthonormal Block Diagonal Blind Compressed Sensing,OBD-BCS）实现信号的重构,并估算出跳变频率及跳变周期。通过实验分析,该方法可以在低信噪比环境下恢复信号原始结构及信息,完成参数估计。      

基于二维压缩感知的定向遥感和变化检测

基于高斯测量矩阵的一维压缩感知测量数据不仅能很好地保持稀疏信号的能量信息, 也能够很好地继承稀疏信号的方向信息.但是在一维压缩感知模型中方向信息无法应用于稀疏信号的重构和检验.针对遥感影像中变化区域稀疏的特点提出了二维压缩感知模型.并利用能量和方向信息构建了基于二维压缩感知的稀疏信号重构算法(2DOMP).理论分析和实验结果证明, 2DOMP算法的信号重构能力更强.同时根据压缩感知恢复稀疏信号只需要很少测量数据的特性提出了定向遥感和定向变化检测的概念.     

基于边信息的分布式视频压缩感知的残差重构

压缩感知(Compressed Sensing,CS)结合了视频信号的变换和信息压缩过程,为简化编码算法提供了一种新的解决思路.把分布式视频编码(DVC)和CS结合在一起,构建简单的视频编码框架,并利用原始视频帧与边信息之间的相关性进行残差重构,提出了一种基于边信息的分布式视频压缩感知编解码方案.此方法对关键帧采用传统的帧内编、解码;对非关键帧CS进行随机观测提取观测向量,解码端利用优化的边信息和传输的CS观测向量进行联合重构.实验结果表明,该方法在运动较平滑的序列中比参考方案的恢复质量提高了4 ～6 dB.     

基于信号方向信息的二维压缩感知重构研究简

理论证明了可压缩信号各列及其对应稀疏变换域系数矩阵各列具有相同的能量和方向信息;测量数据各列的能量和方向信息本质上反映了可压缩信号各列的能量和方向信息;图像稀疏变换域系数矩阵相邻列具有极高的相似性.基于二维压缩感知模型在传统的OMP算法中引入信号方向信息,构建了2DDOMP算法,取得了更好的图像重构效果,避免了当前压缩感知重构算法单纯依靠测量数据的盲目性和不确定性.基于信号方向信息的重构算法设计思想可用于改造优化各类重构算法,是对当前压缩感知研究的重要补充.     

分布式的1 bit压缩频谱感知算法

由于频谱感知中信道稀疏度动态变化,导致分布式频谱感知网络中节点间信息传输频繁,消耗感知网络通信带宽。为了缓解网络通信带宽压力,提出分布式的1 bit压缩频谱感知算法。各节点对感知数据进行压缩采样并1 bit量化,然后融合节点采用JSM-2模型对数据进行融合,最后通过BIHT算法重构信号频谱,实现频谱感知。仿真结果表明,在低信噪比和较少的采样数目下,分布式的1 bit压缩频谱感知算法能具有较好的频谱检测性能,是一种可实用的频谱感知方法。     

基于深度学习的压缩感知图像重构算法综述

压缩感知突破奈奎斯特采样定律(NST),很大程度缓解了数据的获取和传输压力.近年来,随着深度学习迅速发展,深度神经网络技术在压缩感知领域的应用使压缩感知重构的精度和效率均得到有效提升,并引起学者们的广泛关注和研究.为了对现有的基于深度学习的压缩感知图像重构算法进行梳理归纳,首先,介绍压缩感知的基础数学知识以及两种极具代表性的传统压缩感知重构迭代优化算法:ISTA和ADMM;接着,详细讨论上述两种传统算法的深度网络展开框架以及对基准框架的改进技术:ISTA-Net++和ADMM-Net,并对SDA、ReconNet、DR^(2)-Net等五种非传统算法展开的端到端的深度神经网络框架进行对比分析;然后,以峰值信噪比(PSNR)为评价指标,将代表性网络模型在自然图像数据集Train400和医学图像数据集MICCAI上的重构精度进行比较分析;最后,总结并展望深度学习技术在压缩感知重构领域的研究前景.     

基于压缩感知的通信信号频谱检测方法

频谱感知是无线通信网络中提高频谱利用率的关键。针对现有通信信号频谱检测方法抗噪性低的问题,文中提出一种基于压缩感知的频谱检测方法。该方法首先利用压缩感知理论对通信信号的宽频带进行稀疏采样,其次采用改进的平滑范数重构算法对信号循环谱进行重构,提高了信号循环谱的重构性能,最后在循环谱域实现频谱检测。仿真实验结果表明,改进的平滑范数重构算法对信号的重构精度优于正交匹配追踪算法,压缩感知信号频谱检测算法的抗噪性优于传统能量检测算法。     

压缩感知理论与非凸优化方法研究

针对某些信号带宽较宽导致难以直接采样的问题,压缩感知理论提供了一种可行的低速采样方法。信号在特定变换域中拥有稀疏表示,通过低速采样得到少量的投影值,已经包含了重构所需的重要信息。利用压缩感知理论从投影值中重构出稀疏向量,进而重建原信号。同时介绍一种基于非凸优化的压缩感知重构算法。相比L1范数的凸优化和无稀疏约束的L2范数,非凸优化的Lp范数拥有对稀疏性更强的约束。实验结果表明,使用压缩感知理论可以显著降低对信号的采样速率,而使用非凸优化算法可以取得更好的重构效果。     

基于非局部相似性和交替迭代优化算法的图像压缩感知

压缩感知理论突破了信号带宽对奈奎斯特采样定理的限制,并且实现了在数据采样的同时进行压缩。目前压缩感知系统通常利用图像在某个变换域具有稀疏性的先验知识,从少量观测值中重构原始图像。本文利用图像像素的邻域结构信息及图像子块的相似性,将图像的非局部相似性作为先验知识运用到压缩感知图像重构中。结合图像的非局部相似性及其在变换域的稀疏性先验知识,提出了基于非局部相似性和交替迭代优化算法的图像压缩感知重构算法,该算法利用迭代阈值法和非局部全变差来交替迭代求解变换域的稀疏性优化问题和非局部相似性的优化问题。实验结果表明,本文算法可以有效提高图像重构的视觉效果和峰值信噪比。      

农业无线监测传感网中压缩感知的应用研究

针对农业无线监测传感网络中节点能耗过快,影响整个网络寿命问题,文章提出一种新型高效的数据采集传输的方法。该方法将压缩感知理论应用到传感器节点,采用离散傅里叶变换方法采集稀疏信号,利用重构误差更小的ROMP算法重构原信号。通过MATLAB对温度进行仿真实验,研究结果表明,采用压缩感知理论后,不但能近乎完美地重构信号,且以接近10%的压缩率来采样数据,节点发送能耗相对传统压缩算法最高提高80%左右,因此有效地延长网络的生命周期。     

帧间自适应压缩感知算法在视频编码中的应用

阐述了压缩感知的理论框架,分析了视频信号帧间相关性特点,提出了一种帧间自适应压缩感知的视频编码算法。本方法中,利用视频差值信号的特点建立自适应感知模型,自适应的选择稀疏域和重构域对信号进行压缩感知恢复,在空域稀疏度较强的情况下选择空域作为稀疏域和重构域,在空域稀疏度较差的情况下选择小波域作为稀疏域和重构域。用测试视频进行了仿真分析,结果表明该算法能够取得较好的效果。     

一种雪堆博弈网络重构算法研究与仿真

针对演化博弈网络拓扑难以事先确定的问题,提出一种基于压缩感知理论的雪堆博弈复杂网络重构算法。通过个体博弈时序信息将网络重构问题转化成压缩感知理论可以处理的形式,同时运用双曲正切函数和修正牛顿法对求解过程进行进一步优化,从而实现对网络拓扑的有效重构,并通过Matlab 7.0作为实验平台对算法进行相应的验证与仿真实验,实验结果表明,只需要较少量的时序信息就可以快速准确地完成重构工作。     

基于压缩感知的高分辨频率估计

压缩感知是信号离散表示的新理论.本文将该表示理论用于正弦信号的频率估计,提出一种新的高分辨率的频率估计方法.该方法根据信号的稀疏表示,利用一个随机的压缩矩阵先对信号进行压缩,再在压缩域中通过对l1模优化重构该稀疏信号,获得信号的频率估计.模拟分析了新方法性能,并与直接l1模优化算法、Pisarenko、MUSIC等算法进行了比较.结果表明本文方法分辨性能明显优于Pisarenko和MUSIC等算法;具有直接l1模优化算法相当的性能,但计算量大大降低.     

无线传感器网络数据的迭代凸优化重构

为提高弱相关性网络数据压缩感知的可靠性和有效性,提出一种基于迭代凸优化的网络数据重构方法.该方法利用多次凸优化算法共同重构相关性较弱的网络数据,在每次运行凸优化算法后,对已重构出的数据向量元素进行加权以降低权值,而使其他的数据向量元素在下次凸优化中得到重构.与以往的压缩感知重构方法相比,迭代凸优化重构可在网络数据相关性较弱的情况下保证重构准确度.仿真实验验证了所提方法的正确性.     

基于压缩感知和LBG算法的SAR数据压缩与重构方法

针对如何大幅压缩SAR海量数据并获得有效的重构结果以完成SAR场景目标的高分辨成像问题,本文提出利用压缩感知（Compressed Sensing, CS）和Linde-Buzo-Gray （LBG）算法共同完成。对于SAR所接收到的回波信号,首先依据CS理论构造随机高斯噪声观测矩阵对回波信号进行降维处理,然后,利用LBG算法对CS压缩后的数据再进行压缩编码以达到进一步大幅压缩的目的。对于数据重构问题,同样分为两步:一是利用LBG算法编码的逆过程进行解码恢复,二是依据CS理论利用平滑L0（smooth L0, SL0）算法重构原始回波信号。在此基础上,再利用传统频率变标（Frequency Scaling, FS）SAR成像算法进行高分辨成像。仿真结果证明了本文方法的有效性。      

无线传感器网络中的分布式压缩感知技术

本文对无线传感器网络中分布式压缩感知的几个关键技术进行了详细阐述。首先,简要论述了压缩感知方法的基本原理;其次,分析了无线传感器网络中的分布式压缩感知技术与单个信号的压缩感知技术的区别,针对无线传感器网络中联合稀疏模型的建立、分布式信源编码以及联合稀疏信号的重构技术等问题进行了详细讨论;分析了在无线传感器网络的实际应用中,联合稀疏模型、分布式信源编码方式及联合稀疏信号重构方法的性能。最后,对无线传感器网络中分布式压缩感知技术的未来研究方向进行了展望。      

基于压缩感知的水声通信网络流量预测

水声通信中过多的流量数据给采样和网络传输带来了困难,而压缩感知是一种可行的低速采样理论.提出基于贝叶斯压缩感知理论的水声通信网络流量预测方法.将网络流量预测转化为贝叶斯压缩感知重构问题,为了将需要重构的向量稀疏化,将其设置为受超参数控制的后验概率密度函数.通过该方法可以自适应地找出含有重要信息的网络流量,并用回归算法来进行重构.实验结果显示该方法具有较高的预测精度.     

分布式压缩感知联合重构算法

分布式压缩感知是用尽可能少线性测量值来表示一个联合稀疏信号。分布式压缩感知联合重构算法是以信号集中的某个信号为边信息,根据信号集中信号之间的相关关系来重构信号的算法。为了解决已有重构算法的复杂性以及减少重构算法所需的测量值数,提出了两种新的分布式压缩感知联合重构算法。对提出的两种新算法在信号和图像处理上进行了实验,验证了其可行性与先进性。结果表示,这两种联合重建算法在获取相同的图像质量时需要测量值更少。     

泛在网络中基于压缩感知的Wyner-Ziv空域可分级视频编码

提出一种适用于泛在网络中的基于压缩感知的Wyner-Ziv空域可分级视频编码.在编码端,基本层和增强层之间独立编码,基本层编码器将视频信号下采样,然后进行H.264视频编码,增强层编码器采用自适应的压缩感知测量、量化和熵编码.在解码端,利用时域稀疏模型,基本层和增强层联合进行压缩感知重建.理论分析和实验结果表明,所提编码算法能够灵活地调整输出码流,具有较好的率失真性能和传输的顽健性.     

基于空谱特性的高光谱图像压缩感知重构

针对现有的高光谱图像压缩感知重构算法对图像的空谱特性利用不够充分,导致重构图像质量不够高的问题,提出了一种高光谱图像变投影率分块压缩感知结合优化谱间预测重构方案。编码端以频段聚类方式将高光谱图像的所有频段分成参考频段和普通频段,对不同频段单独采用不同精度分块压缩感知以获取高光谱数据。在解码端,参考频段直接采用稀疏度自适应匹配追踪( SAMP)算法重构,对于普通频段,则设计了一种优化谱间预测结合SAMP算法的新模型进行重构：首先通过重构的参考频段双向预测普通频段,并对其进行压缩投影,然后计算预测前后普通频段投影值的残差,最后利用SAMP算法重构该残差,以此修正预测值。实验表明,相比同类算法,该算法充分考虑了高光谱图像的空谱特性,有效改善了重构图像质量,且编码复杂度低,易于硬件实现。