帐篷混沌序列稀疏测量矩阵构造

测量矩阵的构造是压缩感知(CS)中重要的研究内容之一.利用混沌系统伪随机性、遍历性的特点,提出了一种基于帐篷混沌序列构造确定性稀疏随机矩阵的方法.对混沌系统生成的确定性序列进行了间隔采样,采样后的序列满足统计独立性,然后通过符号函数映射,生成了具有稀疏性质的伪随机序列,进而构造出混沌稀疏测量矩阵.仿真实验表明:该方法构造出的混沌稀疏测量矩阵与高斯随机矩阵、稀疏随机矩阵及Bernoulli随机矩阵相比,具有类似的重构性能.混沌系统参数与初值固定时,构造的混沌稀疏测量矩阵是确定的,计算复杂度小且硬件上容易实现.     

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。     

基于观测矩阵优化的自适应压缩感知算法

为提高传统压缩感知（CS）恢复算法的抗噪性能,结合观测矩阵优化和自适应观测的思想,提出一种自适应压缩感知（ACS）算法。该算法将观测能量全部分配在由传统CS恢复算法估计的支撑位置,由于估计支撑集中包含支撑位置,这样可有效提高观测信噪比（SNR）;再从优化观测矩阵的角度推导出最优的新观测向量,即其非零部分设计为Gram矩阵的特征向量。仿真结果表明,随着观测数增大,Gram矩阵非对角元素的能量增速小于传统CS算法,并且分别在观测次数、稀疏度和SNR相同的条件下,所提算法的重构归一化均方误差低于传统CS恢复算法10 dB以上,低于典型的贝叶斯方法5 dB以上。分析表明,所提自适应观测机制可有效提高传统CS恢复算法的能量利用效率和抗噪性能。     

基于混沌序列的压缩感知测量矩阵构造算法

测量矩阵的构造算法是压缩感知中重要的研究方向之一。提出一种基于Logistic混沌-贝努利序列（Chaos-Bernoulli）测量矩阵构造算法,该算法利用了混沌序列良好的伪随机性质,通过一维Logistic混沌系统产生混沌序列,再通过符号函数生成具有贝努利分布的伪随机序列从而构造出压缩感知测量矩阵。实验仿真结果表明,该算法优于贝努利随机测量矩阵,信号重构的峰值信噪比PSNR有1~3 dB的提高,并与其他类型的测量矩阵进行比较,数值分析结果证明该算法是可行有效的。     

基于矩阵压缩的图像压缩算法研究

用数据结构的表示方法导出了基于矩阵压缩的图像压缩算法，分析了其压缩存储效率，在“通用题库”应用中显示了较好的压缩效果，是对大量分段重复数据进行处理的有效存储结构。     

对角化LDPC压缩感知观测矩阵生成方法

压缩感知是一种能够在某个特定域中压缩和恢复稀疏信号的技术。针对在使用传统观测矩阵进行数据压缩时,其数据恢复效果并不理想,且观测矩阵的随机性会导致数据传输量较大、硬件实现因难等问题,提出一种新的观测矩阵生成方法。将信道编码中的LDPC校验矩阵与对角块矩阵结合,生成一种尺度较小且易于硬件实现的观测矩阵,这种矩阵不仅高度稀疏,而且元素二值化。通过多组图像重构仿真实验对比发现,LDPC对角块矩阵重构结果优于其他传统观测矩阵的重构结果。     

基于 NIOS II 的图像压缩感知

压缩感知(CS)是近年来提出的一种针对稀疏信号处理的新方法,其核心是将压缩与采样同步进行,由于信号的投影测量数据远小于传统方法的数据量,突破了香农采样定理瓶颈从而使得高分辨率信号采集成为可能. NIOS Ⅱ嵌入式处理器是 ALTERA 公司推出的第二代片上可编程软核处理器,它的灵活性与可裁减性使其适用于终端数据处理.正交匹配追踪(OMP)算法是压缩感知理论中用于重构的经典算法,针对该算法对图像重构计算时需要大量存储空间并耗时巨大的问题,文中提出了图像分块压缩的改进方案;针对 OMP 算法重构时图像列与列之间数据相关性被割裂的现象,提出了图像均衡行列值的改进算法.实际系统运行结果显示两种改进方案均取得了良好效果     

基于NIOS Ⅱ的图像压缩感知

压缩感知（CS）是近年来提出的一种针对稀疏信号处理的新方法,其核心是将压缩与采样同步进行,由于信号的投影测量数据远小于传统方法的数据量,突破了香农采样定理瓶颈从而使得高分辨率信号采集成为可能。NIOSⅡ嵌入式处理器是ALTERA公司推出的第二代片上可编程软核处理器,它的灵活性与可裁减性使其适用于终端数据处理。正交匹配追踪（OMP）算法是压缩感知理论中用于重构的经典算法,针对该算法对图像重构计算时需要大量存储空间并耗时巨大的问题,文中提出了图像分块压缩的改进方案;针对OMP算法重构时图像列与列之间数据相关性被割裂的现象,提出了图像均衡行列值的改进算法。实际系统运行结果显示两种改进方案均取得了良好效果。     

基于压缩感知理论的图像压缩初步研究

在传统的压缩编码技术中,采样均遵循奈奎斯特定律,该定律规定采样速率要高于原信号频率的两倍。针对这一方法无法克服的巨大计算量及资源浪费,将最近提出的压缩感知理论用于图像压缩编码,可大大降低采样速率,该文着重讨论了基于压缩感知理论的图像压缩算法,仿真实验证明了这一算法的可行性。     

基于多重解析字典学习和观测矩阵优化的压缩感知

文中提出了一种基于子空间解析字典学习和观测矩阵优化的图像压缩感知算法.该算法根据图像的局部方向特征,将整个图像空间分成多个子空间,并且采用几何共轭梯度算法分别在各个子空间学习解析字典,以实现对不同子空间图像块的最优稀疏表示.在图像重构过程中,首先在所有的子空间对每个图像块分别进行估计,然后根据稀疏表示最小误差准则获得每个图像块的最优估计.为了进一步提高图像重构质量,文中通过对不同子空间的图像块进行线性判别分析获得优化观测矩阵.实验表明文中算法可以实现高质量的压缩感知图像重构.     

压缩感知二进制测量矩阵的构造

针对现有二进制测量矩阵重构性能和硬件实现的负相关性,提出了一种新型压缩感知二进制测量矩阵,伪随机块对角矩阵(PRBD)。PRBD矩阵使用平衡正交Gold序列、块对角矩阵和降采样矩阵,通过结构化的方法构造,不仅保留了确定性矩阵易于硬件实现和计算复杂度低的优点,而且利于贪婪追踪算法进行图像重构。实验结果表明,PRBD测量矩阵具有良好的重构性能,在峰值信噪比(PSNR)的指标上比常用的二进制测量矩阵提高0.5dB以上。特别地,PRBD测量矩阵可采用图像分块重构的方法,在保证重构性能良好的情况下,图像重构需要的时间较短。     

基于广义变参Fibonacci混沌系统的压缩感知测量矩阵构造算法

针对常见混沌映射随机性不高、序列元素相关性较强、构造测量矩阵元素需间隔采样来满足数据统计的独立性等问题,通过级联量子Logistic混沌系统和广义Fibonacci数列构造一种新的复合混沌系统.在信息熵、空间特性和相关系数等方面对不同混沌测量矩阵进行定量分析,验证了提出的混沌系统具有遍历性和很强的混沌特性要求,序列元素...     

基于投影率预分配的分块式压缩感知

分块式压缩感知可以降低运算复杂度及运算存储空间,但是采用相同的压缩投影率进行观测投影,会影响重建图像的整体效果,因为图像所含信息量的分布是不均匀的,图像块之间所含信息量有很大的差别。基于此,提出一种投影率预分配的思想应用于图像的压缩感知。该算法通过计算每个图像块在像素平面的估计熵,来代表每个图像块所含信息量的多少,为每个图像块分配适应于本块信息量的投影率,自适应地改变每个图像块的观测值数量。实验结果表明,与分块压缩感知方法相比,在相同的压缩投影率下可以得到更好的重构质量,或者在保证重构质量的前提下,所需观测值数目更少,降低了存储空间。     

易于硬件实现的压缩感知观测矩阵的研究与构造

在压缩感知过程中,观测矩阵在信号采样及重构中具有重要作用,构造易于硬件实现、结构简单且占内存较小的观测矩阵是压缩感知理论能否实际应用的关键问题之一。提出两种易于硬件实现的观测矩阵,即顺序部分哈达玛观测矩阵和循环伪随机观测矩阵,其中循环伪随机观测矩阵可分为循环m序列和循环gold序列,并证明了伪随机序列所构造的观测矩阵满足有限等距准则。为验证上述两种观测矩阵性能,对二维图像信号进行仿真,结果表明,在较低的采样率下顺序部分哈达玛观测矩阵的重构效果最优,但是采样信号长度必须是2的k次幂;循环伪随机观测矩阵的重构效果虽然弱于顺序部分哈达玛观测矩阵,但是明显优于高斯随机观测矩阵,克服了顺序部分哈达玛矩阵观测信号必须是2的k次幂的限制。提出的两种观测矩阵易于硬件实现,避免了随机矩阵的不确定性且克服了随机矩阵浪费存储资源的缺陷,具有良好的实际应用价值。     

压缩感知在传感器节点信息采集中的应用

随着无线传感器网络的快速发展,海量数据的处理、存储与传输给传统的以高速ADC和存储通信设备带来了巨大的压力.由于传感器节点采集的感知数据具有时间相关性,本文提出基于压缩感知理论的采样压缩方法,其打破了传统奈奎斯特采样定理的限制,在前端只需远低于奈奎斯特采样频率采样信号就可以完成对原始信号的精确重构,并构造了基于压缩感知的模拟信息转换器(AIC)模型.最后通过以Matlab为平台进行实验仿真,结果表明:该模型可以用较少的观测值即可精确重构稀疏信号,并且其重构精度与观测数M、稀疏度K有关.     

Compressed sensing SAR imaging based on sparse representation in fractional Fourier domain

Compressed sensing(CS)is a new technique of utilizing a priori knowledge on sparsity of data in a certain domain for minimizing necessary number of measurements.Based on this idea,this paper proposes a novel synthetic aperture radar(SAR)imaging approach by exploiting sparseness of echo data in the fractional Fourier domain.The effectiveness and robustness of the approach are assessed by some numerical experiments under various noisy conditions and different measurement matrices.Experimental results have shown that,the obtained images by using the CS technique depend on measurement matrix and have higher output signal to noise ratio than traditional pulse compression technique.Finally simulated and real data are also processed and the achieved results show that the proposed approach is capable of reconstructing the image of targets and effectively suppressing noise.