基于压缩感知的CoSaMP算法自适应性改进

压缩感知重构算法在实际应用中需要预知信号稀疏度,而信号的稀疏度通常是未知的.为此,改进压缩采样匹配追踪(CoSaMP)算法的自适应性,提出一种稀疏度自适应贪婪算法.对信号稀疏度进行初始估计,结合SAMP算法思想,以残差值比对为终止条件,在CoSaMP算法框架下进行稀疏度逐步增大的递归运算,实现精确重构.仿真实验结果证明,该算法重构精度高、抗噪能力强,同时具备稀疏度自适应的特点.     

基于改进 CoSaMP 算法的图像重建

重构算法是压缩感知的核心技术之一,直接决定着压缩感知能否可以在实际系统中进行应用。为提高压缩感知的重构精度同时缩短处理时间,本文引进加权与矩阵分块技术,与压缩采样匹配追踪（ Compressive Sampling Matching Pur-suit, CoSaMP）算法相结合,使原始算法更加完善。仿真结果表明,当稀疏条件同等的情况下进行重构,改进的算法与原始算法相比重构质量有所提高。     

基于改进CoSaMP算法的图像重建

重构算法是压缩感知的核心技术之一,直接决定着压缩感知能否可以在实际系统中进行应用。为提高压缩感知的重构精度同时缩短处理时间,本文引进加权与矩阵分块技术,与压缩采样匹配追踪(Compressive Sampling Matching Pursuit, CoSaMP)算法相结合,使原始算法更加完善。仿真结果表明,当稀疏条件同等的情况下进行重构,改进的算法与原始算法相比重构质量有所提高。     

WSN中的分布式压缩感知

为了解决传统的压缩感知算法在无线传感器网络中实现的难题,首先研究了用定时器控制ADC进行随机压缩采样的压缩感知技术,实验表明,该方法有效可行。在此基础上提出了基于无线传感器网络的分布式压缩感知算法。该算法通过对随机压缩采样序列的拆分实现分布式压缩采样,最后利用合并后的采样值和CoSaMP算法完成对信号的重构。仿真和实验表明,该方法能够在星型网络拓扑中实现以1/10的标准采样频率下实现信号的重构。     

基于小波变换和压缩感知的语音信号压缩研究

对语音信号直接进行压缩感知处理,通常压缩的效率不高。针对此问题提出了一种基于压缩感知和小波变换的方法,首先用小波变换的方法对语音信号进行级数分解,然后采用压缩感知的方法对小波低频系数进行压缩,并丢弃高频系数,重构语音信号时高频系数用随机信号来取代。采用此种小波变换的方法,与直接采用压缩感知的方法相比,前者的语音信号MOS值稍有降低,但压缩率比直接压缩感知的方法降低了一倍,说明此方法可大大提高压缩的效率。     

基于分类的分布式压缩感知算法

在无线传感器网络中,压缩感知是一种新兴的数据融合方法,能利用少量数据采样进行数据恢复。由于具有较好的节省能耗的性质,压缩感知受到研究人员越来越多的关注。然而,传统的应用于无线传感器网络中压缩感知方法是在汇聚节点得到所有节点的加权和,然后利用重构算法对整个网络中各节点的数据进行恢复,并没有考虑到网络节点的分布式的特性。因此,当网络拓扑较复杂时,应用压缩感知时数据需要传输的次数并不会低于利用最短路径树时数据需要传输的次数。在该文中,我们考虑如何将压缩感知技术更好的和网络节点的分布式结构相结合,使得该技术的更加符合无线传感器网络的需求。     

基于差值信号稀疏模型的分布式压缩感知

利用无线传感器网络的空间相关性,构建了一种差值信号稀疏模型,该模型适用于对同一物理现象或事件进行监测的传感器网络应用。在差值信号稀疏模型的基础上,提出了一种适用于该模型的分布式压缩感知算法,该算法能够在节点间不通信的情况下实现对差值信号的编码。仿真结果表明,与单独重构相比,提出的算法可以用更少的观测值联合重构出信号群,以能量有效的方式满足了无线传感器网络的应用。     

CoSaMP改进算法在信道估计中的应用

压缩采样匹配追踪CoSaMP(Compressive Sampling Matching Pursuit)算法作为压缩感知中信道估计比较具有代表性的算法之一,一直无法解决如何获取信道的稀疏度问题。为了解决该问题,提出一种利用峰值信噪比PSNR同迭代次数之间的关系而构造的一种改进算法。该算法可以自适应确定迭代次数,从而有效地提高CoSaMP算法的效率,增加了CoSaMP算法在实际信道估计中的可行性。     

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。     

基于压缩感知理论的图像重构算法研究

压缩感知理论突破了奈奎斯特采样频率的限制,利用该理论研究和实现了新的图像压缩采样方案.该方案利用小波变换和阈值处理相结合实现图像稀疏化,利用标准伪随机数均匀分布和二维中心傅立叶变换生成随机测量矩阵,并对小波变换后的高频子带进行加权采样,采用分段正交匹配追踪算法实现采样数据重建.仿真实验结果表明,该方案重建图像效果好.     

基于压缩感知的实时心电信号压缩算法

远程无线心电实时监护系统的心电采集终端基于嵌入式设备开发,系统资源和网络带宽都收到限制,这要求系统设计具有低功耗和数据实时压缩的功能,因此引入压缩感知算法对心电信号进行处理。压缩感知算法具有编码计算简单快速,解码计算相对复杂的特点。对于心电信号,需要对压缩感知算法在实时心电压缩系统中的可行性进行研究。     

基于压缩感知的信号欠采样和重建研究

为了实现基于压缩感知理论的信号欠采样和重建,采用模拟信息转换器和正交匹配追踪（0rthogonal Matching Pursuit,OMP）算法对正弦脉冲信号的欠采样和信号重建进行了仿真分析。通过Matlab仿真分析验证了压缩感知理论在信号欠采样和重建过程中的可行性,通过对此在不同信噪比下的效果发现,在高信噪比时,性能较好,可以为信号采样系统和信号恢复处理系统的设计应用提供理论参考。最后,总结讨论了压缩感知在射频和无线通信领域的应用价值。     

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.     

无线传感器网络基于压缩感知数据处理算法研究

无线传感器网络中的分布式数据处理处理时,会出现数据压缩率低和数据相关性差的特点,在数据采集和处理中采用分布式压缩感知算法.对基础矩阵和观测矩阵的合理建立,在满足无线传感器网络数据传输的可靠性同时,充分考虑数据之间的相关性,大大降低数据的冗余度,减少了数据量的传输.实验结果表明,在满足信号数据可靠性的同时,有效的增加了信号的压缩比,减少了节点数据采集量.     

基于压缩感知的链型无线传感器网络节能数据收集

无线传感器网络(WSNs)中节点受体积、功率、成本等限制而导致了节点能量、生命周期有限的问题.提出一种基于压缩感知算法的无线传感器网络节能优化方法,并结合无线传感器网络中的链型拓扑网络模型,给出基于压缩感知理论的节能网络数据传输模型.通过理论分析比较表明压缩感知方法在节能方面的优越性,然后在得出的网络能耗模型的基础上进行仿真.仿真结果表明:压缩感知方法有效减少了网络能耗.     

一种高效的PPG压缩感知重构算法

首先阐述了压缩感知（CS）的理论框架,然后分析了光电容积脉搏波（PPG）信号的稀疏性,最后提出了基于CS理论PPG信号的压缩重构框架。基于此框架采用正交匹配追踪算法和改进的正交匹配追踪算法对已压缩的信号进行重构,实验结果表明,PPG信号长度的选取、压缩比的大小以及观测个数的多少都对重构性能有重要影响。     

一种基于小波稀疏基的压缩感知图像融合算法

随着压缩感知技术的发展,基于压缩感知的图像融合技术研究逐渐受到越来越多的重视。针对图像小波分解系数特点,提出了一种基于双放射状采样模式的压缩传感域图像融合算法。该算法首先通过双放射状采样模式获得待融合图像的小波稀疏域线性测量值;然后利用一种简单的绝对值最大融合规则直接在压缩感知域进行融合,最后通过最小全变分的方法重构融合图像。主客观实验结果表明,该算法具有良好的融合效果。