基于压缩感知理论的葡萄干分类研究

为实现机器视觉准确判别葡萄干品种,提出了一种基于压缩感知理论(Compressed Sensing,CS)的葡萄干品种分类方法。以3种葡萄干为研究对象,并提取葡萄干图像的形态、颜色和纹理特征参数,得到葡萄干训练样本的数据词典矩阵。压缩感知理论分类算法首先利用由葡萄干图像特征参数组成的数据词典矩阵对每一个葡萄干测试样本进行稀疏性表示,得到稀疏向量。然后利用稀疏向量对葡萄干测试样本进行重构,并计算重构样本与测试样本之间的残差,最后通过比较残差的大小来确定测试样本的类别。将提出的方法与最小二乘法支持向量机(Least squares support vector machine,LSSVM)和BP(Back Propagation)网络的识别结果做了对比和分析。试验结果表明,基于压缩感知理论的分类方法对于3个葡萄干品种的综合分类准确率为99.17%,获得了最好的分类效果。     

基于ATmega128的连续信号压缩感知实现方法

为了解决硬件对高频模拟信号采集困难的问题，根据连续信号可以在特定的频域有稀疏的特性，在采样节点，根据伯努利观测矩阵分布特点设计采样间隔，利用压缩采样方法采集数据，降低收发芯片CC1000所需发送的数据量，从而降低传感器节点在通信传输时所损耗的能量，延长节点的使用时间；在汇聚节点使用压缩采样匹配追踪算法(Compressive Sampling Matching Pursuit, CoSaMP)对接收到的稀疏数据进行重构，将重构的数据通过串口助手导出到终端，使用Matlab软件绘图分析，验证压缩感知实现方法的可行性。实验结果表明：该方法能够很好的在ATmega128芯片上实现压缩观测。在压缩率达到68%时，通过分析计算原始信号波形和重构信号波形，二者具有99.30%的相似度，显然将压缩感知理论可应用到局域网中，能减少网络传输的数据量，降低网络传输的能耗。     

方向提升小波变换域稀疏滤波的自然图像贝叶斯压缩感知

针对压缩感知(CS)重构算法在实际应用中自然图像的小波变换系数往往无法稀疏的问题,提出了一种方向提升小波变换(DLWT)域稀疏滤波的自然图像贝叶斯压缩感知算法(DLWT-SFTSW-BCS)。首先对自然图像进行方向提升小波变换得到小波变换系数;然后在随机测量之前利用稀疏滤波切除小系数,消除了小系数对大系数重构时的混叠干扰;最后结合小波树结构的贝叶斯压缩感知重构算法得到自然图像的重构图像。实验结果表明,与仅利用尺度间相关性的小波树结构的压缩感知重构算法相比,DLWT-SF-TSW-BCS算法的重构峰值信噪比最大可提高10dB。     

基于压缩感知的水声传感网络通信方法

现有研究主要针对单个传感器节点发送数据的情形,传输效率不高,而多个传感器节点同时发送数据,可以提高传输效率,但存在用户数据之间的干扰.将压缩感知应用于水声传感网络中,提出一种可实现多节点同时传输数据的大容量协作通信方法,利用传感器节点数据的稀疏特性,将多个源节点数据同时传输等效为压缩感知中的测量过程,证明了多节点并发传输过程的传输特性可以满足压缩感知中的测量矩阵的约束等距性要求.目的节点通过重构算法,可以恢复多个并发传感器节点的数据.     

基于深度学习稀疏测量的压缩感知图像重构

针对压缩感知理论中测量矩阵硬件实现与重构性能问题,提出一种深度学习方法来获得稀疏的三元测量压缩感知.该方法构建了非常稀疏的三元{0, 1,-1}观测矩阵,在所提出的网络架构上施加稀疏性和二元约束,用更少的观测值满足高概率的图像重构保证,解决了硬件限制和重构性能要求.该文深度学习架构以端到端的方式,提出的网络架构在训练阶段共同学习一对测量矩阵和重建算子,优化线性传感过程和非线性重构过程.实验表明:该文方法在5%非零元素测量矩阵条件下,图像重建质量优于现有方法,说明该文方法具有可行性与有效性.     

基于不平衡扩展模型的火灾信息分布式压缩感知

针对无线传感网络数据传输与计算的不均衡而导致部分节点能耗大的问题,首先结合图论中二部图思想,将不平衡扩展模型应用在分布式压缩感知上,并设计出一种与该架构相对应的分布式算法.该算法通过一个列稀疏度确定的稀疏随机二值矩阵决定节点之间是否实现数据传输,从而将传输和计算任务平均分散在各个节点,并利用二阶锥形规划法对融合中心的数据进行重构.最后,在火灾场中利用不平衡扩展模型的分布式压缩感知网络进行仿真实验,并对算法的优越性和网络的节能性作出详细分析.在仿真过程中,通过分析均方误差和信噪比证明所提出的模型不仅在降低节点能耗上有较好的效果,而且在有噪声环境中可以很好地保证信号的重构性能.     

基于多任务贝叶斯压缩感知的宽带频谱检测

针对认知无线网络中主用户信号在空频域的稀疏性,基于贝叶斯压缩感知(BCS)的信号重构通过层次化贝叶斯分析分级先验模型获得稀疏信号估计.将贝叶斯压缩感知应用于认知无线电宽带压缩频谱检测,利用多认知用户感知信号的时空相关性实现在多用户多任务传输条件下的稀疏信号重构与宽带压缩频谱检测.研究了基于期望最大化算法和相关向量机模型的多任务BCS参数估计.仿真结果表明:相比于传统单任务BCS重构方法,多任务BCS在节点能耗与网络带宽受限的条件下,通过对估计参数的合理优化,在较低压缩比区域可实现重构均方误差的快速收敛,且检测性能随着任务数的增加而提高.当感知数据相关性从25%增加到75%,且任务数一定时,所提方法的重构观测数明显下降,宽带频谱检测性能显著提高.     

压缩感知在宽带雷达信号处理中的应用

高分辨雷达成像系统在当今的军事和民用方面都有着广泛的需求,高分辨率成像需要发射宽带的雷达信号,然而根据奈奎斯特采样定理,信号带宽的增加又使得雷达系统面临高采样率、高传输率、大数据量存储以及信号实时快速处理等问题.压缩感知(CS)理论通过构造非相关测量矩阵,以远低于奈奎斯特采样率的速率获得一组测量值,通过重构算法对信号进行精确的重构.压缩感知理论应用的前提是信号的稀疏性,关键是测量矩阵和稀疏度之间的关系,重要支撑是重构算法.本文对压缩感知原理进行了简要介绍并针对雷达常用的线性调频信号提出一种稀疏基构造方案.同时,利用matlab构造了线性调频信号模型并对压缩感知处理线性调频信号的采样重建过程及应用于二维成像的过程进行了仿真.本文也研究了不同重建算法并进行了各个算法间的效果比较.仿真结果表明,在宽带雷达回波信号的处理过程中,压缩感知能通过降低采样率有效缓解回波数据的存储和传输的压力,这一点在宽带雷达目标检测中应用前景广阔.     

基于深度压缩感知的脑电情感识别

【目的】传统压缩感知中存在观测矩阵对信号适应性和重构算法对字典依赖性的问题，深度压缩感知则利用深度学习的方法解决传统压缩感知中存在的问题。【方法】利用深度信念网络(DBN)能够在不破坏观测矩阵随机性的前提下对信号进行自适应压缩，同时利用栈式自编码器(SAE)可以端到端地训练重构网络来摆脱重构算法对稀疏字典的依赖性，根据信号的稀疏表示中所具有的判别性，提出基于DBN和SAE的压缩感知识别模型(CS-DBN-SAE)。【结果】在DEAP情感脑电数据库上的四分类实验结果表明，CS-DBN-SAE模型的识别率达到83.29%,相比于传统压缩感知识别模型均取得了4.3%以上的提升。     

无线传感器网络中基于稀疏投影的数据收集方案

考虑到现有的基于压缩感知的数据收集方法大多采用密集投影来收集节点的数据,导致数据传输代价过高、节点能耗过快缩短了网络生命周期,提出一种基于稀疏投影的数据收集方案(DGSP)。其步骤为:首先,设计一种基于最小化传输开销的稀疏投影矩阵用于节点数据采样,并利用亚高斯分布的尾部有界性证明其RIP性质;然后,以网络负载均衡和网络生命周期最大化为目标来构建数据收集树,并将树中节点的下一跳选择问题建模成半匹配问题;最后,提出改进的Hungarian算法在多项式时间内解决它。仿真结果表明:相比于目前典型的CDG,EDCA和MTT方案而言,DGSP的数据重构误差、能耗和延时等更低。