满足重构概率约束的更少贝努利观测

在压缩感知(Compressed sensing, CS)中,一些方法统计地提供了给定观测数量下的信号重构概率. 然而,在重构概率有约束的情况下,现有方法不能找到满足约束的观测. 本文以压缩感知中常用的贝努利观测集为研究对象, 基于贝努利观测的特征和序列压缩感知理论获得了满足重构概率约束的观测. 另外,由于所提方法能从获取的过多观测中移除部分冗余观测, 观测结果包含更少的观测数据. 所提方法有三个优点:满足重构概率约束、 包含更少的观测数据以及具有全局收敛的属性. 理论分析和实验结果验证了所提方法的有效性.     

一种基于自适应代表节点选择的WSN数据收集方法

采用压缩感知的无线传感网络数据收集方法要求每个节点都参与数据收集,会造成很大的能量浪费.本文提出了一种基于自适应代表节点选择的WSN数据收集方法,在保证压缩感知数据重构精度的同时,减少参与数据收集的节点数.首先,采用主成分分析和混合压缩感知相结合的办法设计稀疏基;然后,通过分析稀疏基的框架势FP(Frame Potential)设计压缩感知的稀疏观测矩阵,从而选择代表节点,以减少参与数据收集的节点数目;最后,根据Sink处数据重构精度,自适应调整稀疏观测矩阵以用作下一时刻数据收集,从而保证数据收集的重构精度.仿真结果表明,该方法有效的降低了网络能耗和数据传输量,同时还保证了每个时刻数据重构的精度.     

可调分辨率的水下传感器网络压缩感知重构算法

针对水下传感器网络信息获取过程的特点和压缩感知精确重构原始信号的限制条件,提出一种可调分辨率的水下传感器网络压缩感知重构算法。 Sink节点根据获取到的随机观测向量的维度以及给定的分辨率调整策略,计算出重构分辨率,并根据重构分辨率及获取到的节点数据的位置信息处理随机观测向量,构造观测矩阵,最后,采用压缩感知重构算法重构待观测区域的原始物理信息。仿真结果表明,当节点的感知概率较小时,相比于固定分辨率的重构方案,可调分辨率的重构方案能显著提高重构精度。     

基于量子粒子群优化算法的压缩感知数据重构方法

针对传感器监测对象特点,将压缩感知理论应用于数据压缩过程以降低通信能耗,并根据现有压缩感知数据重构算法存在的重构精度受稀疏度影响较大的缺点,在分析了压缩感知数据重构原理后,提出了将原始信号按固定长度进行分帧处理以减少算法解空间的数量,并将量子理论中的编码方式应用于粒子群优化算法,提出了基于量子粒子群优化算法的压缩感知数据重构方法QP-CSDR。算法根据传感器监测对象特点,从统计学角度出发对粒子群优化算法中的粒子初始位置及粒子群更新方式加以改进,以提高数据重构精度。仿真实验结果表明,在稀疏度小于50的条件下,QP-CSDR算法相对已有算法在重构精度方面性能提升20%~40%,该算法已应用于微地震及音频监测系统中,经实际检验算法在保证数据精度的前提下延长系统寿命2倍~4倍左右。     

基于联合压缩感知重构的网络通信服务目标数据检测技术

采用当前无监督组件支持向量机模型检测技术、高维随机矩阵检测技术,对网络通信服务目标数据检测时,缺少特殊属性目标采集过程,导致数据检测效果较差。针对该问题,提出了基于联合压缩感知重构的网络通信服务目标数据检测技术研究。根据联合压缩感知重构原理,采集网络通信服务节点温度稀疏目标数据,利用联合压缩感知重构技术处理网络节点通信数据,构造稀疏二进制矩阵,完成对未知数量检测数据精确重构。利用构造函数计算网络通信服务数据之间的相似度,完成不同样本特征的区分,剔除不必要数据特征,并采用联合压缩感知重构技术实现对网络通信服务目标数据检测。实验结果表明,该技术数据检出率最高可达到87%,为海量数据下社交网络特殊对象数据挖掘奠定基础。     

基于StOMP算法的WSN压缩感知数据重构

分段正交匹配追踪算法(StOMP)运算速度快、计算量小,适用于无线传感器网络(WSN)压缩感知数据重构。为此,分析并研究StOMP算法的门限阈值选取对WSN压缩感知数据重构精度的影响,提出一种StOMP算法门限阈值的自适应调整方法。基于比例-积分-微分方法的思想,根据StOMP算法的当次重构误差计算门限阈值的调整值,并使用调整后的门限阈值重新进行数据重构,重复该过程以提高重构精度。实验结果表明,该方法能快速找到满足误差要求的门限阈值,与采用固定门限阈值的调整方法相比,重构精度更高。     

基于P-Ifourier观测矩阵的宽带压缩感知方法

针对压缩感知理论在宽带频谱感知领域应用时重构精度差的问题,根据平稳信号在频域所表现出的稀疏特性,提出了一种基于P-Ifourier(Partial-Inverse fourier)观测矩阵的宽带压缩频谱感知方法。新方法首先将频谱感知问题建模为一个典型的压缩感知问题,利用相关性能优良的标准正交傅里叶基构造观测矩阵,使观测矩阵具有良好的重构性能和重构精度。仿真结果表明,相比于高斯随机观测矩阵和嵌入式混沌序列-循环Toeplitz结构观测矩阵,该方法在较低信噪比环境下能够明显降低信号重构的均方误差,并且在相同条件下的重构概率得到了明显改善。     

语音压缩感知研究进展与展望

压缩感知技术,特别是语音压缩感知技术逐渐成为信号处理领域的研究热点。当前的语音压缩感知关键技术主要包括适合语音信号的稀疏分解矩阵构造,观测矩阵的选择和重构算法的设计。稀疏分解矩阵的重要代表是正交基、基于语音特性的线性预测矩阵和过完备字典。观测矩阵方面主要采用随机观测矩阵分析语音压缩感知性能;重构算法方面重点研究当观测序列或语音信号本身含有噪声时鲁棒的语音压缩感知重构算法。本文对上述语音压缩感知的3大关键技术进行了介绍和对比分析,并对语音压缩感知的应用进行了总结,最后对未来可能的研究热点进行了展望。     

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。     

压缩感知在无线传感器网络数据采集中的应用

提出了一种无线传感器网络中基于压缩感知的数据采集方法。通过分析信号压缩观测过程,提出了适合在硬件资源有限的传感器节点中实现的循环稀疏伯努利观测矩阵CSBM(Cyclic-Sparse-Bernoulli Measurement),该矩阵使用循环稀疏矩阵与伪随机伯努利序列,采用结构化的方法构造,具有非零元素少、良好的伪随机性、硬件易于实现等优点。仿真实验表明,与其他类型的观测矩阵相比,CSBM矩阵在一定信号重构精度前提下具有更低的压缩采样比CSR(Compress Sampling Rate)。在无线传感器网络数据采集应用中,感知节点可以通过压缩观测得到更少的观测数据,能够大大减少网络通信数据量。     

基于位置预测的认知车联网协作频谱感知算法

针对认知车联网中由地形起伏或密集城市结构而引起的频谱感知性能低、延时大等问题,提出了一种基于位置预测的协作频谱感知算法。首先,采用能量检测法进行本地频谱感知,通过将次用户接收到的信号能量大小和预先设定的阈值进行比较,初步判定频谱是否被主用户占用。然后,利用认知车联网中车辆位置预测技术,计算车辆位置和信道状态信息,并据此设置置信值,删除置信值低的次用户。最后,在融合中心采用加入置信值的似然比融合规则得到最终判决结果。仿真结果表明,与传统算法相比,所提算法能有效提高频谱感知性能并缩短感知时间,尤其适用于对实时性要求较高的车联网系统。     

基于小波树模型的CoSaMP压缩感知算法

无线传感网络存在网络带宽限制和传感器节点的能耗问题,实际应用中通常希望可以通过重构算法从采集的少量数据中还原出原始信息,压缩感知理论为上述问题提供了一个解决思路。利用压缩感知理论,对无线传感器网络中温度传感器的监测信号进行了压缩感知的应用研究。针对传统压缩采样匹配追踪(CoSaMP)算法中测量次数多、重构精度低等问题,利用信号的小波系数所形成的连通树的结构特性,提出了基于小波树模型的压缩采样匹配追踪算法。将该算法应用到无线传感器网络监测信号的压缩感知仿真实验中,与传统压缩采样匹配追踪算法的重构性能进行比较,结果表明该算法较传统压缩采样匹配追踪算法在一定范围内对无线传感器网络中的温度信号具有更好的压缩感知性能。     

基于谱投影梯度追踪的压缩感知重建算法

为了改进方向追踪法的重建精度和算法效率, 提出了一种基于谱投影梯度(Spectral projected gradient, SPG)追踪的压缩感知(Compressed sensing, CS) 重建算法. 该算法采用方向追踪法框架, 运用谱投影梯度方法计算更新方向和步长, 引进非单调线性搜索策略使算法避免收敛至局部最优解. 实验结果证明了该算法的有效性, 通过设定合适的阈值参数可以取得重建精度和算法效率之间的平衡.     

基于低秩和稀疏性先验知识的压缩感知图像重构

压缩感知（CS）图像重建算法是CS图像获取问题的一个研究重点。针对当前重建效果最好的基于低秩先验的NLR重建算法,忽略了图像的局部结构信息,不能有效地重建图像的边缘,为了在测量值数量不变情况下进一步提高图像的重建质量,在低秩先验的基础上,引入稀疏约束（梯度域的稀疏性-总变差）作为图像额外的先验知识,建立了基于总变差和低秩约束的CS图像重建模型。增广拉格朗日-交替方向乘子算法用于求解产生的非凸优化问题。实验结果表明,与传统的稀疏性先验重建算法和NLR算法相比,所提算法能够获得更高的图像重构质量。     

A survey on one-bit compressed sensing: theory and applications

In the past few decades, with the growing popularity of compressed sensing (CS) in the signal processing field, the quantization step in CS has received significant attention. Current research generally considers multi-bit quantization. For systems employing quantization with a sufficient number of bits, a sparse signal can be reliably recovered using various CS reconstruction algorithms.Recently, many researchers have begun studying the one-bit quantization case for CS. As an extreme case of CS, one-bit CS preserves only the sign information of measurements, which reduces storage costs and hardware complexity. By treating one-bit measurements as sign constraints, it has been shown that sparse signals can be recovered using certain reconstruction algorithms with a high probability. Based on the merits of one-bit CS, it has been widely applied to many fields, such as radar, source location, spectrum sensing, and wireless sensing network.In this paper, the characteristics of one-bit CS and related works are reviewed. First, the framework of one-bit CS is introduced. Next, we summarize existing reconstruction algorithms. Additionally, some extensions and practical applications of one-bit CS are categorized and discussed. Finally, our conclusions and the further research topics are summarized.     

State of the art and prospects of structured sensing matrices in compressed sensing

Compressed sensing (CS) enables people to acquire the compressed measurements directly and recover sparse or compressible signals faithfully even when the sampling rate is much lower than the Nyquist rate. However, the pure random sensing matrices usually require huge memory for storage and high computational cost for signal reconstruction. Many structured sensing matrices have been proposed recently to simplify the sensing scheme and the hardware implementation in practice. Based on the restricted isometry property and coherence, couples of existing structured sensing matrices are reviewed in this paper, which have special structures, high recovery performance, and many advantages such as the simple construction, fast calculation and easy hardware implementation. The number of measurements and the universality of different structure matrices are compared.     

基于压缩感知理论的WSNs时序信号分段压缩算法

针对压缩感知理论(CS)应用在无线传感器网络中时序信号在传输过程存在压缩比率低、通信能耗高等问题,提出了一种时序信号分段压缩算法来解决在信号稀疏度未知及高稀疏度条件下,压缩感知数据重构算法中存在的重构效率低,重构精度差,影响网络生命周期的问题.该算法将采集数据中非零元素个数作为分段依据,通过减少段内非零元素组合数量来提高信号重构精度,同时利用了压缩感知理论特性实现了对信号的高压缩率.实验结果表明,在以混沌量子免疫克隆重构(Q-CSDR)算法为重构算法、在信号盲稀疏度及稀疏度高于40的条件下,能够以大于0.4的压缩比率对信号进行压缩,其重构信号的均方误差小于0.01,能够延长网络寿命2倍左右.     

基于边信息的分布式视频压缩感知重建

WZ视频编码系统中的虚拟信道会因信道模型参数估计的不稳定导致系统性能下降,为了克服该问题,提出不带有虚拟信道的分布式视频压缩感知重建算法,仅靠解码端获得的压缩感知观测值对非关键帧的错误进行纠正,并利用平滑投影Landweber迭代求解联合重建模型.实验证明本文所提出算法获得了更好的率失真性能和更低的重建时间.