一种用于压缩感知理论的投影矩阵优化算法

考虑到投影矩阵对压缩感知(CS)算法性能的影响,该文提出一种优化投影矩阵的算法。该方法提出可导的阈值函数,通过收缩Gram矩阵非对角元的方法压缩投影矩阵和稀疏字典的相关系数,引入基于沃尔夫条件(Wolfes conditions)的梯度下降法求解最佳投影矩阵,达到提高投影矩阵优化算法稳定度和重构信号精度的目的。通过基追踪(BP)算法和正交匹配追踪(OMP)算法求解l0优化问题,用压缩感知方法实现随机稀疏向量、小波测试信号和图像信号的感知和重构。仿真实验表明,该文提出的投影矩阵优化算法能较大地提高重构信号的精度。     

改进的压缩感知测量矩阵优化方法

压缩感知理论中，测量矩阵优化是一类通过减小测量矩阵与稀疏字典的互相关性来改善测量矩阵性能的方法。本文提出一种能够同时降低整体相关系数和最大值相关系数的测量矩阵优化算法，该算法分为两步:一是通过平均化Gram矩阵特征值来降低测量矩阵的整体相关系数；二是利用阈值函数收缩Gram矩阵非对角线上较大值。两个步骤交替执行，直到解出符合优化要求的测量矩阵。该算法在保证整体相关系数降到最低的同时，又使最大值相关系数显著降低。实验结果表明，与现有算法进行对比，本文方法在降低相关系数和重构成功率上都有一定优势。      

基于压缩感知DOA估计的稀疏阵列设计

根据格拉姆(Gram)矩阵优化测量矩阵的方法,给出了一种基于压缩感知波达方向(DOA)估计的均匀线阵的稀疏阵列设计方法.该方法不需要对阵列的输出数据进行压缩采样,直接利用稀疏阵列的输出数据,然后利用稀疏恢复算法求解DOA估计信息.实验仿真证明,相比于原均匀线阵,所提方法在阵元数目较少且信噪比较低的情况下具有更好的DOA估计性能.     

稀疏线性调频步进信号ISAR成像观测矩阵自适应优化方法

基于压缩感知(CS)理论的稀疏线性调频步进信号(SFCS)逆合成孔径雷达(ISAR)成像技术能够从少量观测数据中高概率重构出目标像,其中,观测矩阵的优化设计是提高成像质量和减少观测数据量的有效途径。然而,现有的观测矩阵优化设计研究通常没有考虑目标特征信息的有效利用,对目标的自适应能力不足。因此,该文在充分利用目标特征信息的基础上,结合稀疏SFCS信号的实际物理观测过程,提出一种ISAR成像观测矩阵自适应优化方法。该方法首先建立参数化稀疏表征成像模型以解决稀疏SFCS信号多普勒敏感问题,在此基础上,以在达到成像质量要求条件下使用最少观测数据量获得最优成像结果为目标对观测矩阵进行自适应优化设计,最终能够利用最少的数据量获得满意的目标成像结果。仿真实验验证了该算法的有效性。     

基于概率稀疏随机矩阵的压缩数据收集方法

测量矩阵设计是应用压缩感知理论解决实际问题的关键。该文针对无线传感器网络压缩数据收集问题设计了一种概率稀疏随机矩阵。该矩阵可在减少参与投影值计算节点个数的同时,让参与投影值计算的节点分布集中化,从而降低数据收集的通信能耗。在此基础上,为提高网络数据重构精度,又提出一种适用于概率稀疏随机矩阵优化的测量矩阵优化算法。仿真实验结果表明,与稀疏随机矩阵和稀疏Toeplitz测量矩阵相比,采用优化的概率稀疏随机矩阵作为压缩数据收集的测量矩阵可显著降低通信能耗,且重构误差更小。     

压缩感知中测量矩阵与重建算法的协同构造

本文提出基于感知字典的迭代硬阈值(SDIHT)算法,以此协同构造压缩感知中测量矩阵与重建算法.将成对测量矩阵与感知字典分别用于压缩投影和构造重建算法,重建迭代至残差为零,从而精确恢复原始稀疏信号.本文证明了SDIHT算法精确恢复原始稀疏信号的充分条件.SDIHT算法的优点是重建精度高和计算复杂度低.仿真实验表明,当信号稀疏度或测量次数相同时,相比IHT、OMP和BIHT算法,SDIHT算法重建0-1稀疏信号和二维图像效果更好、算法效率更高.     

一种基于特征值分解的测量矩阵优化方法

测量矩阵是压缩感知中一个很重要的部分,为了减小测量矩阵与稀疏变换矩阵的互相干性,从而改善重建质量,本文首先通过测量矩阵和稀疏变换矩阵的乘积构造得到一个Gram矩阵,然后定义了一种基于Gram矩阵非对角线元素的整体互相干系数,推导出整体互相干系数与Gram矩阵特征值之间的关系。在此基础上,我们提出了一个最优化模型,在不改变Gram矩阵特征值和的前提下,让每个大于零的特征值的大小都为它们和的平均值,使得测量矩阵和稀疏变换矩阵的整体互相干系数达到最小,从而优化了测量矩阵的性能。将该方法用在一些已知的测量矩阵上,实验结果中矩阵的优化速度快,并且用优化矩阵所得的图像的PSNR有所提高,表明本文优化测量矩阵的方法在重建效果和优化速度方面都有一定的优势。      

基于压缩感知稀疏信号重建的迭代硬阀值算法

Nyquist采样速率条件下的信号采样,采样系统表现良好并且信号可以被稀疏向量近似表示时,信号可以被有效而精确地重构。针对无噪声信号,利用确定的稀疏基和随机的观测矩阵,研究迭代硬阀值算法的有效性。若观测矩阵满足有限等距性质（RIP）,且稀疏基与随机观测矩阵不相干时,通过该算法,原始信号的稀疏投影可以被高概率重构。最后,利用哈达码正交矩阵作为稀疏基,高斯随机矩阵作为观测矩阵,对原始信号的稀疏投影进行重构,结果验证了该算法的有效性。     

逆合成孔径成像激光雷达低信噪比稀疏多孔径成像方法研究

受目标非合作特性的影响,逆合成孔径成像激光雷达(ISAIL)回波存在缺失;同时受大气衰减和自然背景光等因素的影响,ISAIL回波信号信噪比较低,因此,常规的稀疏多孔径成像方法不再适用。针对上述问题,该文提出了一种结合压缩感知(CS)和权矩阵的稀疏多孔径成像方法。首先,通过基于CS的稀疏多孔径成像方法对原始数据处理,得到目标像的支撑域;然后,据此建立权矩阵,优化采用CS重构时的代价函数,对稀疏多孔径ISAIL原始数据进行成像处理,利用不完整的回波信号获得高分辨目标像。此算法具有较好的抗噪能力。采用室内ISAIL系统实测数据验证了算法的有效性。     

适用于压缩感知估计角度的测量矩阵研究

针对接收数据压缩投影后导致到达角 (Direction-Of-Arrival, DOA)估计精度不高的问题,提出一种高精度的全局信息压缩投影到达角估计算法。该算法首先提出更适应角度估计的空域稀疏化范德蒙矩阵作为测量矩阵,然后对由其组成的Gram矩阵的非对角元素进行压缩处理得到目标矩阵,接着利用步长符合沃尔夫条件的梯度下降法优化Gram矩阵,得到当Gram矩阵与目标矩阵最接近时所对应的可以保留更多全局信息的测量矩阵,最后利用此矩阵压缩接收数据,将接收数据投影到测量矩阵空间,进行稀疏重构得到角度估计结果。仿真实验表明,所提算法角度估计精度远优于同等条件下辐射源信号直接重构的角度估计结果,且在信噪比大于-6dB时数据压缩投影后角度估计的成功率达到100%,性能优越。      

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。     

Optimized Projection Matrix for Compressed Sensing

Sparse signals can be reconstructed from far fewer samples than those that were required by the Shannon sampling theorem, if compressed sensing (CS) is employed. Traditionally, a random Gaussian (rGauss) matrix is used as a projection matrix in CS. Alternatively, optimization of the projection matrix is considered in this paper to enhance the quality of the reconstruction in CS. Bringing the multiplication of the projection matrix and the sparsifying basis to be near an equiangular tight frame (ETF) is a good idea proposed by some previous works. Here, a low-rank Gram matrix model is introduced to realize this idea. Also, an algorithm is presented via a computational method of the low-rank matrix nearness problem. Simulations show that the proposed method is better than some other methods in optimizing the projection matrix in terms of image denoising via sparse representation.     

压缩感知理论及其应用前景

压缩感知理论是近年来提出的一种基于信号稀疏性的新兴采样理论。与通常的数据采样定理不同,该理论提出可以用远远少于传统采样定理所需的采样点数或观测点数恢复出原信号或图像。本文主要阐述了压缩感知中信号的稀疏表示、测量矩阵的设计及信号的重构算法等基本理论,论述了该理论的广阔应用前景。     

面向微博的多实体稀疏关系数据联合聚类

针对大规模微博中多实体间的稀疏关系数据,提出一种面向多实体稀疏关系数据的高效联合聚类算法。在算法中,为了充分利用多关系数据,提出了一种顽健的约束信息嵌入方法构建关系矩阵,降低了矩阵的稀疏性,进一步提高了算法的准确率。在稀疏约束的块坐标下降框架下,关系矩阵通过非负矩阵三分解算法同时获得不同实体的聚类指示矩阵。非负矩阵分解过程中,通过高效的投射算法实现快速求解,确保了聚类结果的稀疏结构。在人工和真实数据集上的实验表明,算法在3个指标上都具有明显提高,特别是在极端稀疏数据上的效果更加明显。     

Learning to Sense Sparse Signals: Simultaneous Sensing Matrix and Sparsifying Dictionary Optimization

Sparse signal representation, analysis, and sensing have received a lot of attention in recent years from the signal processing, optimization, and learning communities. On one hand, learning overcomplete dictionaries that facilitate a sparse representation of the data as a liner combination of a few atoms from such dictionary leads to state-of-the-art results in image and video restoration and classification. On the other hand, the framework of compressed sensing (CS) has shown that sparse signals can be recovered from far less samples than those required by the classical Shannon-Nyquist Theorem. The samples used in CS correspond to linear projections obtained by a sensing projection matrix. It has been shown that, for example, a nonadaptive random sampling matrix satisfies the fundamental theoretical requirements of CS, enjoying the additional benefit of universality. On the other hand, a projection sensing matrix that is optimally designed for a certain class of signals can further improve the reconstruction accuracy or further reduce the necessary number of samples. In this paper, we introduce a framework for the joint design and optimization, from a set of training images, of the nonparametric dictionary and the sensing matrix. We show that this joint optimization outperforms both the use of random sensing matrices and those matrices that are optimized independently of the learning of the dictionary. Particular cases of the proposed framework include the optimization of the sensing matrix for a given dictionary as well as the optimization of the dictionary for a predefined sensing environment. The presentation of the framework and its efficient numerical optimization is complemented with numerous examples on classical image datasets.     

基于光滑0范数压缩感知的多光谱图像去马赛克算法

提出了一种基于压缩感知(CS)的多光谱滤波阵列(MSFA)的多光谱图像去马赛克算法(DMA)。 首先,通过将MSFA采样得 到马赛克图像的过程等效为CS理论中的感知矩阵采样的过程,并充分利用多光谱图 像的空间和谱间 相关性,通过在三维空间傅里叶基上对多光谱图像进行稀疏表示;然后由随机MSFA模式和CS 理论构造的测量矩阵对多光谱图像进行观测投影,最后采用CS重构算法求解0范 数下的最优化问 题,从而得到多光谱图像的稀疏表示系数。给出对算法性能的评估数据和Matlab仿真 图片。实验结果证明,本文算法的峰值信噪比(PSNR)值高于克罗内克CS(KCS)和组稀疏(GS)两种算法,且有效地减少了上述两种算法中出现的模糊现 象,改善了图像的视觉效果。     

基于自适应次梯度投影算法的压缩感知信号重构

本文提出一种利用自适应次梯度投影算法（Adaptive Subgridient Projection Method,ASPM）进行压缩感知（Compressed Sensing,CS）信号重构的方案。APSM算法首先根据CS重构模型建立包含稀疏重构信号并具有随机属性的凸集,然后运用并行次梯度投影的思想将对该凸集的投影转化为对多个闭合半平面的投影,最后将更新后的干扰抑制滤波器系数矢量投影到限定集合上。同时为了获得快速收敛性,本文设计了在迭代的不同阶段自适应地调节该膨胀系数的机制。理论分析和仿真结果表明,本算法具有快速收敛性和较低的重构误差,在不同的噪声强度下具有较高的鲁棒性。