OMP算法对稀疏信号准确重构的一个充分条件

压缩感知的研究对象是稀疏信号,那么在什么条件下以及采用何种方法能准确地重构一个稀疏信号自然成为人们关注的问题.在带有噪声的情形下,如果观测矩阵满足受限等距性质以及受限等距常数δk+kδk+11,并且噪声强度一定的条件下,证明了对任意的k-稀疏向量x,正交匹配追踪(OMP)算法可以通过k步迭代准确重构原信号.     

通过正交多匹配追踪恢复稀疏信号（英文）

<正>交多匹配追踪(OMMP)是一种用来恢复稀疏信号的超贪婪型算法.分析了OMMP基于约束性等距条件(RIP)的收敛性.如果观测矩阵Φ满足等距常数为δs1/2/K+2s1/2的[sK]-阶RIP,那么任何K-稀疏信号可以通过OMMP(s)至多K次迭代从y=Φx中精确恢复.     

非负矩阵分解下的稀疏基构建

当信号在某个变换域是稀疏的或可压缩的,可以利用与变换矩阵非相干的测量矩阵将变换系数投影为低维向量,同时这种投影保持了重建信号所需的信息。 压缩感知技术以较少的投影数据实现信号的精确或高概率重构。而信号重建能力很大程度上取决于信号的稀疏性,以及采样矩阵和变换矩阵的非相干性。本文提出用非负矩阵分解（NMF）对原始信号进行稀疏变化,构建稀疏变换基矩阵 ,并与离散傅立叶变换（DFT）和离散小波变换构（DWT）建变换矩阵进行对比研究,对相干度,稀疏度进行测量,并采用正交匹配追踪（OMP）进行信号还原能力分析,表明在同等测量次数下NMF还原能力优于DFT和DWT。     

一种均匀化稀疏表示的图像压缩感知算法

针对基于Reed-Solomon编码的压缩感知(RSCS)算法在采样过程中遇到的向量稀疏度阈值过大的问题,提出了一种均匀化稀疏表示的RSCS(H-RSCS)算法。首先,对待观测图像做多级离散小波变换(DWT)得到稀疏矩阵,然后按照其子带频率的高低顺序,将每个子带的系数重新按行排布成一个行数值固定的矩阵,矩阵中每一列数据组成一个新的待观测向量,最后采用奇偶校验矩阵对上述均匀化的稀疏矩阵进行观测,并通过译码算法实现图像重构。仿真实验结果表明:与4种经典的贪婪追踪类算法相比,所提出的H-RSCS算法对图像的重构效果更好,实用性更强;当采样率为50%时,H-RSCS算法将重构图像的峰值信噪比提高了约9.5dB,比正交匹配追踪算法多提高了约5.1dB。     

一种改进的分段广义正交匹配追踪算法

压缩感知理论是根据信号本身具有的稀疏性提出的新型信号采样理论.为提升正交匹配追踪算法采样信号的准确性和实时性,研究该算法的信号重构算法.分段广义正交匹配追踪算法就是以通过改变原始正交匹配追踪算法筛选原子为依据,达到对正交匹配追踪算法改进的目的.改进算法将原子筛选过程分为2个阶段,不需要已知信号的稀疏度且优化了算法的运行时间,有更准确地恢复初始信号的能力.仿真结果表明,该改进算法的运行时间和对信号的恢复效果均优于正交匹配追踪算法的.     

采用迭代投影方法的测量矩阵训练算法

针对稀疏重建过程中感知矩阵的约束等距性质或累积增量难以满足约束条件,即具有较小的RIP常数或者累积增量这一问题,文中在给定变换矩阵条件下,提出了一种基于迭代投影方法训练测量矩阵的算法,从而使得感知矩阵的累积增量逼近了1/2这一约束界.实验表明,该算法训练出的测量矩阵与训练前相比,其感知矩阵累积增量大大降低,且明显提高了正交匹配追踪算法重建稀疏信号的成功率.     

稀疏线性预测字典在语音压缩感知中的应用

压缩感知理论框架可以同时实现信号的采样和压缩,将压缩感知应用于语音信号处理是近年来的研究热点之一.本文根据语音信号的特点,采用K-SVD算法获得稀疏线性预测字典,作为语音信号的稀疏变换矩阵.高斯随机矩阵用于原语音信号的采样从而实现信号的压缩,最后通过正交匹配追踪算法(OMP)和采样压缩匹配追踪算法(Co Sa MP)将已采样压缩的语音信号进行信号重构.实验考察了待处理语音信号帧的长度、压缩比,稀疏变换字典以及压缩感知重构算法等因素对语音压缩感知重构性能的影响,结果表明,基于数据集训练的稀疏线性预测字典相比传统解析构造的离散余弦变换字典,对语音的重构性能具有0.6 d B左右的提升.     

基于非下采样contourlet变换的压缩感知图像重建

受传统采样定理限制,直接从信号采集系统得到高分辨率图像较困难,且信号获取过程会导致大量的采样数据.压缩感知理论指出可用特定测量矩阵将高维信号投影到低维空间上,求解数值优化问题准确重构原始信号,突破了传统采样定理的限制.传统压缩感知图像重建算法对所有系数测量,需进行多层小波变换保证图像质量,且小波捕捉方向信息有限,重建图像质量较差.故此提出采用非下采样contourlet变换(NSCT)做信号稀疏变换,并针对变换系数的特点,选择性的对系数测量,利用正交匹配追踪算法进行重构.实验结果表明,仅用单层NSCT变换可重建出高质量图像,克服传统算法需进行多层小波变换的缺点,降低采样和存储的数据量且重建的图像质量得到极大提升.     

一种稀疏度自适应分段正交匹配追踪算法

针对分段正交匹配追踪(St OMP)算法需要信号的稀疏度作为先验信息且重构精度较低的特点,提出一种稀疏度自适应分段正交匹配追踪算法。首先,通过对观测矩阵与初始残差相乘所得的残余相关性向量进行离散余弦变换,估算出支撑集所要扩充的最大原子数;其次,采用与抽样率成正相关的因子对较大的阈值参数进行适当修正,并对通过设定阈值所选取的原子进行优化处理;最后在St OMP算法的框架下采用变步长的方法实现稀疏度的逼近和信号的精确重构。仿真结果表明:本文所提出的算法对信号的稀疏度具有很好的自适应特性,并且在保持了较低重构复杂度的同时具有更稳定的重构质量。     

基于Hessenberg测量矩阵的超声图像重建

针对超声图像连续性差、自身具有稀疏性的特点,提出了一种适用于超声图像的压缩感知重建方法。该方法以小波变换为稀疏基,Hessenberg矩阵为测量矩阵,引入正交匹配追踪(OMP)算法实现了超声图像的重建。超声C-扫描图像重建结果表明在观测数据采样率降低、数据缺失等条件下均能清晰的成像,验证了该方法的有效性。此外,本文给出Hessenberg测量矩阵的有限等距性(RIP)性质证明;并与基于Toeplitz测量矩阵的图像重建方法进行了比较,实验结果表明利用本文方法的重建图像在平均结构相似度(SSIM)、峰值信噪比(PSNR)和三维差值图等指标上均较优。该压缩感知重建方法在采样率为50%,原始数据较差的前提下,成功恢复出相似度在80%以上的超声图像。     

基于调制宽带转换器的倒谱恢复算法

亚奈奎斯特采样主要应用于宽带通信和射频(RF)技术中。目前理论成熟且硬件实现的亚奈奎斯特采样技术有随机解调器和调制宽带转换器。随机解调器主要用于谱线的检测,而调制宽带转换器是用于稀疏多频带信号。调制宽带转换器(MWC)是一种用于获取频域稀疏、时域连续信号的一种亚奈奎斯特采样方法。其平均采样速率要低于奈奎斯特速率。亚奈奎斯特采样是一种全盲采样方法,即在信号采样和信号重构时都是不知道频谱信息和频谱位置。本文提出一种基于调制宽带转换器的时域对偶信号的倒谱恢复算法,能在极小误差(0.0098)范围内完美的恢复出原始信号。     

双声道心音信号的欠定盲分离方法的研究

基于两路人体心声信号的专用检测平台,提出了一种针对双声道心音信号的欠定盲分离方法。首先对数据点进行频域聚类计算,利用观测信号中稀疏信号所表现出的特征对源信号个数进行分析,以实现对混叠矩阵的估计;然后根据观测信号的散列图分离出其中一路或多路源信号,从而使观测信号变为适定或者超定;最后用现有的适定或者超定盲分离方法分离剩余源信号。分别对一组人工混合信号和实际检测的双声道心声信号进行欠定盲分离实验,验证了本方法的有效性和可行性。     

基于块分割的新型压缩感知算法

针对现有块分割压缩感知(block compressive sensing,BCS)算法的块效应问题,提出一种低复杂度、可消除块效应的新型块分割重构算法.在稀疏表达时,采用小波变换(DWT)代替离散余弦变换(DCT),改善图像细节分量;在测量时,依据分块图像频率特征对测量矩阵加权,提高图像质量;在重构时,采用正交匹配追踪(orthogonal matching pursuit,OMP)算法代替匹配追踪(matching pursuit,MP)算法,提高重构速度.仿真结果表明,所提出的算法可在保证重构速度的情况下,有效消除块效应,且不增加内存占用.     

基于方向幅值比的欠定盲源分离算法

为了提高欠定盲源分离问题中混合矩阵的估计精度,提出了基于时频域混合信号数据点的方向幅值比的欠定盲源分离算法.为了充分利用复混合信号数据点的相位信息,引入复信号的方向幅值比,通过复混合信号的方向幅值比的方差、均值、分布密度实现单源点的精确提取.将分布在直线方向上的单源点进行单位投影化处理,通过聚类分析获得混合矩阵的列元素之比,从而实现混合矩阵的估计.利用匹配追踪算法将源信号进行重构.经仿真验证,提出的算法相较于对比算法,可以获得更高精度的混合矩阵与分离信号.     

A Reducing Iteration Orthogonal Matching Pursuit Algorithm for Compressive Sensing

In recent years, Compressed Sensing(CS) has been a hot research topic. It has a wide range of applications, such as image processing and speech signal processing owing to its characteristic of removing redundant information by reducing the sampling rate. The disadvantage of CS is that the number of iterations in a greedy algorithm such as Orthogonal Matching Pursuit(OMP) is fixed, thus limiting reconstruction precision.Therefore, in this study, we present a novel Reducing Iteration Orthogonal Matching Pursuit(RIOMP) algorithm that calculates the correlation of the residual value and measurement matrix to reduce the number of iterations.The conditions for successful signal reconstruction are derived on the basis of detailed mathematical analyses.When compared with the OMP algorithm, the RIOMP algorithm has a smaller reconstruction error. Moreover, the proposed algorithm can accurately reconstruct signals in a shorter running time.     

一种改进的迭代硬阈值算法

压缩感知重构算法直接影响信号重构速度和效果。迭代硬阈值(IHT)算法具有重构速度快的优点,但是其重构精度不高。提出一种改进的迭代硬阈值(MIHT)算法,在迭代硬阈值算法的基础上引入压缩采样匹配追踪(CoSaMP)算法中原子回溯的思想,保证每次迭代都能找到正确的索引集,提高算法的重构精度。Matlab仿真结果表明,本文提出的算法在重构精度上明显优于迭代硬阈值算法,而在迭代次数和重构时间上明显低于压缩采样匹配追踪算法。     

基于随机滤波的雷达信号采样和目标重建方法

受奈奎斯特采样定理的约束,传统雷达在提高分辨率和满足实时性要求时,面临高采样率、快处理速度、大存储容量等问题的挑战。压缩传感理论指出,稀疏信号可通过其一组线性测量值重建得到原信号,在获得测量值时,采样率可低于奈奎斯特采样频率。值得注意的是,当测量矩阵的元素具有随机性时,测量矩阵和稀疏化矩阵在较大概率上满足压缩传感理论的测量要求,具很强的适应性。然而,随机测量矩阵在雷达系统中很难实现。本文提出一种基于随机滤波的雷达信号采样和目标重建的方法,该方法计算效率高,只需在传统雷达系统中稍加改动即可实现。计算机仿真验证了该方法的可行性。     

基于3D-OMP算法的SAR动目标成像方法

针对稀疏场景下的SAR动目标成像问题展开研究，提出一种基于三维正交匹配追踪(3D-OMP)算法的稀疏成像方法。首先对成像区域进行网格划分，然后以运动目标的二维速度作为动态参数构建三维稀疏字典矩阵，即参数化稀疏表征。在算法迭代过程中，通过计算回波数据矩阵与三维稀疏字典矩阵各层之间的相关度筛选出信号的支撑集。最后利用最小二乘准则，计算出支撑集下目标场景的稀疏表征系数。该3D-OMP算法是经典OMP算法的改进与拓展，因此继承了OMP算法计算复杂度低、信号稀疏特征增强明显的优势，同时具备了重构SAR动目标图像的能力。仿真实验结果验证了该SAR动目标成像方法的有效性。