基于压缩感知观测序列倒谱距离的语音端点检测算法

本文基于语音信号在离散余弦基上的近似稀疏性,采用稀疏随机观测矩阵和线性规划重构算法对语音信号进行压缩感知与重构。研究了语音信号的压缩感知观测序列特性,根据语音帧和非语音帧压缩感知观测序列频谱幅度分布分散且差异较大的特性,提出基于压缩感知观测序列倒谱距离的语音端点检测算法,并对4dB-20dB下的带噪语音进行端点检测仿真实验。仿真结果显示,基于压缩感知观测序列倒谱距离的语音端点检测算法与奈奎斯特采样下语音的倒谱距离端点检测算法一样具有良好的抗噪性能,但由于采用压缩采样,减少了端点检测算法的运算数据量。      

行阶梯观测矩阵、对偶仿射尺度内点重构算法下的语音压缩感知

基于语音信号在离散余弦域上的近似稀疏性,针对采用随机高斯观测矩阵及线性规划方法进行语音压缩感知与重构时,重构零(近似零)系数定位能力差而导致重构效果不好的缺点,本文提出一种新的行阶梯矩阵做观测矩阵,用对偶仿射尺度内点重构算法对语音进行压缩感知与重构,并对该算法下的重构性能进行理论分析.语音压缩感知仿真结果表明,在离散余弦基下,压缩比(观测序列与原始序列样值数之比)为1∶4时,行阶梯观测矩阵下的平均重构信噪比比随机高斯观测矩阵下提高9.73dB,平均MOS分比随机高斯观测矩阵下提高1.22分.     

基于压缩感知的分布式语音压缩与重构

本文首先阐述了压缩感知(CS)的理论框架,然后分析了语音信号的特点--短时平稳性、离散余弦(DCT)基下的稀疏性,最后提出了基于CS理论的分布式语音压缩重构的框架.基于此框架采用基追踪(BP)和正交匹配追踪(OMP)算法对已压缩的语音信号进行重构,得出结论:每帧语音信号选取的帧长的大小,基于CS理论压缩得到的观测数的多少,都对重构性能有影响.     

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.     

基于自适应多尺度压缩感知的语音压缩与重构

本文针对语音信号的压缩感知问题,在系数总长度不超过原信号长度的前提下,推导了Sym小波分解合成的矩阵形式,提出了语音信号多尺度压缩感知(MCS)框架.进一步分析语音信号在小波基下不同级的稀疏性,提出了自适应多尺度压缩感知(AMCS)方法,把该方法运用到语音压缩与重构中,对重构语音进行了主客观评价,并进行了说话人识别验证...     

行阶梯观测矩阵下语音压缩感知观测序列的Volterra+Wiener模型研究

针对压缩感知理论下,语音信号经随机高斯矩阵投影后得到的观测序列随机性太强,难以建模的问题,提出了一种基于行阶梯观测矩阵的语音压缩感知观测序列的Volterra模型,利用该模型实现对语音压缩感知观测序列的预测,研究了Volterra滤波器输入维数与阶数对预测效果的影响,并利用维纳滤波器进一步降低预测误差。在相同的已知数据量下,基于部分压缩感知观测序列、Volterra模型、Wiener滤波器的重构,获得了优于高斯随机观测序列的重构性能。模型的研究为压缩感知与语音技术的结合提供一定的参考价值。      

基于压缩感知信道能量观测的协作频谱感知算法

压缩感知为认知无线电宽带频谱感知提供了一种新思路。基于压缩感知原理,该文提出一种不需要重构宽带频谱本身,而是直接重构各信道能量的协作频谱感知方法。多个次用户使用宽带随机滤波器组获取信道能量的观测值。融合中心同步接收多个用户的能量观测,并利用同步稀疏自适应匹配追踪协作重构算法重构所有次用户的信道能量。仿真结果表明加性高斯白噪声环境下该协作感知方法所需的滤波器数目仅为传统方法的20%左右,瑞利衰落信道下也仅需传统方法的40%,有效降低了系统复杂度并改善感知性能。同时,该文提出的同步稀疏自适应匹配追踪算法对比经典的同步正交匹配追踪算法在重构精度及算法复杂度两方面都有所提升。     

基于近似KLT域的语音信号压缩感知

压缩感知是近年来兴起的研究热点,该文基于语音信号在KLT域的稀疏特性,提出了基于模板匹配的近似KLT,并在基于模板匹配近似KLT域上研究了语音信号的压缩感知性能。首先验证语音信号在基于模板匹配近似KLT域上的稀疏性,然后由语音信号与观测矩阵构造相应的观测,采取固定分配每帧观测个数和按帧能量自适应分配每帧观测个数两种方案,再以观测为已知条件利用L1优化算法重构语音信号在基于模板匹配近似KLT域的稀疏系数向量,进而重构原始语音信号。实验表明,语音信号在基于模板匹配的近似KLT域的压缩感知性能较好。     

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。     

多重观测矢量模型下的微动目标特征提取

针对传统基于压缩感知(CS)理论的微动目标特征提取方法不适用于宽带雷达目标的情况,以线性调频信号体制雷达为例,通过分析微动目标回波的内在特性,构建了一种微动目标回波的多重观测矢量(MMV)模型。结合频率估计算法与正交匹配追踪(OMP)算法进行MMV模型的稀疏表达求解,从而获得微动目标的特征参数。仿真结果表明,与传统基于单重观测矢量(SMV)模型的微动特征提取方法相比,噪声环境下采用MMV模型进行微动特征提取具有更强的鲁棒性。     

基于优化贝叶斯压缩感知算法的频谱检测

近年来,压缩感知理论依旧是信号处理领域的研究热点之一。将压缩感知应用于频谱检测技术可以突破传统的奈奎斯特采样定理,降低检测时采样率,因此可以减轻硬件处理的压力。因此适合用在频谱检测技术中,特别是宽带信号的频谱检测。本文对贝叶斯压缩感知理论（BCS,Bayesian Compressed Sensing）进行研究,并将其引入频谱检测技术中。在BCS算法的基础上,通过进一步减小高斯随机观测矩阵列向量的相关度,实现对观测矩阵的优化,得到一种优化的贝叶斯压缩感知算法（称其为OBCS算法,即Optimized BCS）。在MATLAB仿真中,本文提出将数零法作为频谱检测判决规则,并使用BCS和OMP算法作为对照,验证了OBCS算法无论在重构误差、检测概率还是虚警概率等指标上都具有最佳的效果。      

基于DSCS的宽带频谱感知新算法

频谱感知是认知无线电技术的基础,随着通信技术不断发展,越来越高的采样速率成为一大瓶颈.实际应用中频谱占用通常具有稀疏性,根据这一特点并结合频谱检测要求,本文提出一种基于差分信号压缩感知(Differential SignalCompressed Sensing,DSCS)的宽带频谱感知方法.该方法在能量检测法的基础上引入压缩感知理论(compressed sensing,CS),使系统能以远低于奈奎斯特采样速率的速率无损采样,降低对硬件的要求;为降低计算量、提高算法稳定性,采用检测差分信号代替检测信号本身作为判断频谱占用变更的依据;引入精度作为算法的迭代停止条件,可根据需要灵调整算法准确度、降低计算复杂度.仿真表明,适当精度下DSCS法能大幅降低迭代次数、减少计算量,并获得更好的检测性能.     

改进的基于拉普拉斯先验的贝叶斯压缩感知算法

贝叶斯压缩感知(Bayesian Compressed Sensing,BCS)通过稀疏贝叶斯回归模型中相关向量机(Relevance Vector Machine,RVM)的学习来解决压缩感知(Compressed Sensing,CS)中的信号重构问题。本文通过修正基于拉普拉斯先验BCS的噪声模型,较好地实现了含噪CS信号的重构。它主要利用稳健型相关向量机(Robust RVM,RRVM),改进了基于拉普拉斯先验的BCS算法。它通过对每个观测噪声方差系数进行最优化估计,来消除内外部噪声对信号重构的影响。相关的仿真验证了在外部脉冲噪声以及内部高斯白噪声共同干扰条件下,相比原始BCS算法,改进算法具有更好的重构性能和稳定性。     

分布式压缩感知实现宽带频谱感知的方法

频谱感知的第一步就是采集无线信号进行分析,越来越高的采样率成为宽带频谱感知研究中的难点。实际通信中主用户占用频谱具有稀疏特性,符合压缩感知理论的前提条件。因此,本文利用分布式压缩感知实现宽带频谱感知,提出基于差分信号分布式压缩感知（DS_DCS）的加权宽带频谱感知算法。该算法针对宽带频谱采样率高的问题,利用压缩感知技术降低采样率,同时引入差分处理方法降低计算复杂度;又针对单点检测带来的深衰落、隐节点以及抗噪声能力差等问题,采用分布式感知系统进行多节点协同检测并利用信噪比的估计对信号进行加权处理。仿真证明,该算法能有效降低各节点采样率,大幅提高系统检测概率,显著改善系统对噪声的鲁棒性。      

一种宽带频谱检测的空域频域压缩感知方法

压缩感知(CS)技术使快速宽频检测成为可能,采用CS技术的WSN可为认知无线电用户提供频谱信息.针对WSN检测到的频谱数据,该文建立了一种基于空域和频域2维压缩的空频压缩感知(SFCS)模型,提出了相应的重构算法,并详细分析了SFCS的各种性能.仿真结果证实了在同一检测概率下,SFCS模型下比传统模型所需传输数据更少;在相同总压缩率下,该文算法下的ROC性能优于传统算法的性能.     

一种基于最优观测矩阵的自适应贝叶斯压缩信道感知联合机制

该文采用基于概率模型的贝叶斯压缩感知方法,从最大后验概率角度,给出了压缩信道感知的一般流程。在此基础上,利用自适应贝叶斯压缩感知将信号的重构和观测矩阵的设计结合,使这两个环节不再相互独立。同时,提出一种基于最优观测矩阵的自适应贝叶斯压缩感知联合机制,通过减少观测矩阵的相关度以及对观测矩阵的自适应设计,使得信道的重构效果更佳。另外可利用重构过程中得到的差错栏,对重构精确度进行衡量。仿真表明:在相同的实验条件下,该联合机制相比传统的重构算法,具有更好的抗噪声能力和重构精度。     

An adaptive measurement scheme based on compressed sensing for wideband spectrum detection in cognitive WSN

An Adaptive Measurement Scheme (AMS) is investigated with Compressed Sensing (CS) theory in Cognitive Wireless Sensor Network (C-WSN). Local sensing information is collected via energy detection with Analog-to-Information Converter (AIC) at massive cognitive sensors, and sparse representation is considered with the exploration of spatial temporal correlation structure of detected signals. Adaptive measurement matrix is designed in AMS, which is based on maximum energy subset selection. Energy subset is calculated with sparse transformation of sensing information, and maximum energy subset is selected as the row vector of adaptive measurement matrix. In addition, the measurement matrix is constructed by orthogonalization of those selected row vectors, which also satisfies the Restricted Isometry Property (RIP) in CS theory. Orthogonal Matching Pursuit (OMP) reconstruction algorithm is implemented at sink node to recover original information. Simulation results are performed with the comparison of Random Measurement Scheme (RMS). It is revealed that, signal reconstruction effect based on AMS is superior to conventional RMS Gaussian measurement. Moreover, AMS has better detection performance than RMS at lower compression rate region, and it is suitable for large-scale C-WSN wideband spectrum sensing.     

基于自适应非线性网络的压缩感知重构算法

针对传统压缩感知(CS)进行复杂的迭代运算,重构时间长且质量差等问题,结合深度学习方法,提出一种自适应非线性测量卷积神经网络(NMECNN)的压缩感知重构算法。本算法将图像整体宽高进行压缩,作为测量网络替代传统的随机测量矩阵进行图像重建,同时利用多个扩张卷积层和上采样PixelShuffle方法获取图像不同尺度细节信息。通过与其他文献进行实验对比,本算法在不同采样率下,平均峰值信噪比(PSNR)分别高于MSRNets算法1 dB,0.7 dB,0.82 dB,1.61 dB;结构相似性(SSIM)值分别高0.03,0.04,0.24,0.10个单位,重构时间在CPU上比MSRNet算法快0.175 5 s, 0.399 8 s,0.41 s,0.396 s。最后通过大数据集与噪声实验,验证了本算法图像重构质量明显提高,重构时间大幅缩短,具有很强的抵抗噪声攻击能力。