基于密码算法的压缩感知测量矩阵构造

近些年来,压缩感知理论被广泛地应用于图像处理、医学成像、地质勘探以及人脸识别等领域的研究当中。归功于其压缩加密特性,一些基于压缩感知的密码方案被提出。相反地,本文基于常用的密码学本原(DES、AES以及M序列),构造压缩感知的测量矩阵。与传统的测量矩阵(如高斯矩阵、混沌矩阵)实验对比,结果表明提出的三种经典密码算法的输出序列可被用作压缩感知的测量矩阵。     

基于Logistic混沌-贝努力序列的循环压缩测量矩阵构造算法

作为信号处理的一个新领域,压缩感知的目标是尽量减少信号重构过程中采样点的损失,而压缩感知矩阵的构造是压缩感知的核心工作之一。在前人研究的基础上,将循环矩阵快速算法的优点和混沌序列内在确定性和外在随机性相结合的优点进行有效结合,提出了一种新的压缩感知测量矩阵构造算法,即基于Logistic混沌—贝努利序列和循环矩阵的循环压缩感知测量矩阵构造算法(CCNMM)。大量仿真实验结果表明,对于一维和二维信号的恢复,CCNMM算法优于贝努利随机测量矩阵和高斯测量矩阵,证明了CCNMM的有效性和实用性。     

采用时域测量矩阵的压缩感知稀疏信道估计方法

针对传统最小二乘和伪随机序列相关信道估计方法在稀疏信道应用时估计精度差的问题,提出一种采用时域测量矩阵的压缩感知稀疏信道估计方法.新方法首先将循环前缀单载波分块传输系统中的稀疏信道估计建模为一个典型的压缩感知问题,然后利用具有最优循环相关特性的伪随机序列优化构造确定性压缩感知测量矩阵,避免了使用随机测量矩阵造成的存储不便及估计性能差的问题,且提高了信道估计性能.基于准静态COST 207典型城市信道模型的仿真结果表明:该估计方法能够有效地降低稀疏信道的估计均方误差,在16 dB处的误码率可达2×10-5,而相同情况下最小二乘信道估计方法的误码率只能达到3×10-3.     

基于混沌序列稀疏化测量矩阵的ISAR成像

在压缩感知逆合成孔径雷达(ISAR)成像中,构造测量矩阵是核心工作之一.混沌序列测量矩阵具有良好的伪随机性,能满足压缩测量的要求.针对混沌序列测量矩阵中非零随机元数目多而造成硬件实现困难的问题,文中提出了一种混沌序列稀疏化测量矩阵的构造方法.首先对混沌序列测量矩阵进行优化,然后沿矩阵对角方向进行置零稀疏化,最后将其应用于微波暗室进行ISAR成像实验.结果表明,与传统高斯随机矩阵成像方法相比,文中方法在降低计算复杂度、硬件实现难度基础上达到了ISAR成像的准确聚焦.     

基于压缩感知的图像检索方法研究

针对大尺寸图像的特征提取算法复杂度高、特征信息容易缺失的问题,利用压缩感知理论中关于少量测量值可以精确重构原始信号的特性,提出了一种基于压缩感知的图像检索方法。首先对图像进行小波变换、分块预处理;然后构造分块多项式确定性测量矩阵,并对分块图像进行压缩感知快速测量,得到少量的压缩测量值代表图像的特征;最后采用加权距离方法计算图像测量值特征的相似度,实现图像的精确检索。仿真结果表明,该方法在图像检索速度和查准率、查全率等指标上具有更高的性能,能应用于大量复杂图像的检索。     

基于压缩感知的线性调频雷达成像

在经典的压缩感知理论中,最常用的测量矩阵是高斯随机矩阵和伯努利随机矩阵,它们具有最优的约束等容性质(R IP).与其他测量矩阵相比,精确重建同样的稀疏信号所需的采样数最少。然而完全的随机性导致它们在具体工程应用中受到限制,同时大大增加了重建算法的时间和空间复杂度。基于统计约束等容性质(StR IP)和确定性测量矩阵理论提出一种基于线性调频信号的压缩感知雷达成像方法,利用雷达发射的线性调频信号来构造测量矩阵,并用仿真实验证明了利用该测量矩阵可以很好地实现稀疏信号的重建。     

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.     

在多项式空间中full spark框架的构造

Hilbert空间中的full spark框架在框架理论中具有很好的性质—最大鲁棒性.本文所做的一个重要工作是将序列空间中的full spark框架推广到了函数空间中,先后构造出了一元n次多项式空间H_n(x)及m元n次多项式空间H_n(x_1,x_2,…,x_m)空间中的full spark框架,并举出了一些实例.     

基于压缩感知理论的线性分组码译码

将压缩感知理论应用于线性分组码的译码,提出差错图案E重构的压缩感知模型及校验矩阵H作为测量矩阵的构成形式和性质.将伴随式S作为测量信号,校验矩阵H作为测量矩阵,以(15,7)循环码为例,采用基追踪(BP)算法重构差错图案E的估值,并设计线性分组码译码的仿真实验方案.仿真实验结果表明,采用压缩感知理论与BP算法能较好完成线性分组码的译码.     

基于广义S变换和压缩感知的端到端流量估计算法（英文）

研究了高速网络中的流量矩阵估计问题.针对该问题在时域中的高病态特性,提出一种新的算法来解决该问题,该算法利用广义S变换和压缩感知来建模流量矩阵.通过广义S变换,则在时频域中对流量矩阵进行估计;在时频域中流量矩阵被分解为稳态分量和波动分量两部分,稳态分量通过抽样测量的样本数据进行建模分析,而波动分量则利用压缩感知理论进行估计.最后,利用真实网络流量数据验证所提出的算法,仿真结果表明所提出的算法是有效和可行的.     

基于神经网络的压缩感知观测序列建模

首先阐述了信号处理的热点———压缩感知技术的基本理论框架,并且分析了压缩感知中观测序列的相关特性,接着将BP神经网络应用于非线性时间序列建模与预测中,相应地提出了加入观测序列建模预测后的CS理论框架,基于此框架,给出了实验仿真的结果,得出结论:利用神经网络对压缩感知观测序列进行建模预测可以进一步减少观测序列的传输量,并且具有很高的预测精度。     

基于匹配追踪的语音压缩感知观测序列的正弦字典建模

压缩感知技术是目前信号处理领域的研究热点.文中针对压缩感知技术实际应用于语音领域时压缩率不高的问题做了研究.首先介绍了压缩感知技术的理论,接着提出了适合建模的观测矩阵的选用标准.在行阶梯观测矩阵下,本文提出了观测序列的一种新模型——基于匹配追踪算法的正弦字典模型,该模型采用稀疏分解的方法对观测序列进行建模.仿真结果表明该建模方法有效地进一步压缩了观测序列,而不明显降低恢复语音的质量.     

多尺度压缩感知框架下的遥感图像超分辨率重建

传统的基于压缩感知的超分辨率重建算法将图像看作单尺度,并没有考虑不同尺度的图像块可能包含不同的判别信息.为了有效利用遥感图像的尺度特性,提出了一种多尺度压缩感知框架下的遥感图像超分辨率重建算法.首先通过图像块聚类构建多尺度训练样本集,接着运用Fisher判别准则学习包含遥感图像类别信息的判别字典,然后根据压缩感知中测量矩阵的构造方式估计低分辨率图像的获取过程,最后结合判别字典依次重建多尺度模式下的各子区域图像.实验结果证明了将多尺度压缩感知引入图像超分辨率重建的有效性,提出的算法在视觉效果和评价指标上均优于现有的几种算法.     

基于压缩感知的多址接入方法研究

利用压缩感知的压缩可重构性,将其应用于多址接入中,提出1种基于压缩感知的多址接入方法,将信道矩阵作为压缩感知过程中的测量矩阵,提高了对信道的适应性.方法提高了系统发送信号的效率,与载波侦听多路访问(CSMA)多址接入方法相比,系统吞吐量有较大提高.     

基于压缩感知的图像重构GUI系统

本文利用MATLAB平台设计了基于压缩感知的图像重构GUI系统,针对不同的变换基、测量矩阵、重构算法对图像的压缩采样及重构进行了比较和讨论,其中变换基包括小波变换基和离散余弦变换基;测量矩阵包括随机矩阵如高斯矩阵和贝努利矩阵,以及确定矩阵如哈达玛矩阵和托普利兹矩阵;重构算法包括正交匹配追踪算法和压缩采样匹配追踪算法.并通过峰值信噪比PSNR衡量了图像重构的性能.该GUI系统能够为基于压缩感知的图像重构提供直观的实现平台.     

基于压缩感知的MIT图像重建方法

针对目前磁感应成像技术(MIT)的图像重建质量存在精度较低的问题,提出了一种基于压缩感知原MIT图像重建方法.将MIT系统电压数据的采集过程视为压缩感知的线性测量过程,通过对灵敏度矩阵进行补零拓展和行向量随机重组操作重新设计了测量矩阵;采集到的电压向量也用相同的方式处理,作为压缩感知的测量信号.然后利用压缩感知信号重构算法恢复原始信号.最后进行了仿真实验,实验结果表明,利用本方法获得的重建图像误差和相关系数比传统图像重建算法要好.由此可见,这是一种精度较高的MIT图像重建方法.     

基于块目标的频率步进连续波探地雷达压缩感知重建算法

压缩感知理论对于解决频率步进连续波探地雷达信号处理过程中存在的采样速率高、存储数据量大、信号处理时间长等问题具有重要意义. 针对雷达探测中块目标物体在探测区域不满足稀疏性的问题,提出一种适合块目标的压缩感知重构模型.利用某些稀疏正交基对块目标进行稀疏化处理使其满足稀疏性,将字典矩阵与稀疏矩阵结合形成适用于块目标物体的新观测矩阵,再通过压缩感知凸优化算法求解稀疏化系数,最后把该系数通过稀疏变换得到块目标的反射系数.通过实验仿真验证该方法的可行性,与未稀疏化处理的压缩感知重构模型相比具有更高的精度和分辨率.     

自适应采样率分配的分布式压缩感知视频编码

提出了一种基于压缩感知理论的分布式视频编码方案,它是建立在压缩感知理论的基础上全新的具有动态测量率分配的分布式视频编码框架,具有编码端简单、抗误码能力强、编码效率较高的特点.在编码端,关键帧和非关键帧独立编码,关键帧采用高采样率的压缩感知测量,非关键帧采用自适应的压缩感知测量.在解码端,利用非局部稀疏模型和字典训练更新算法,关键帧和非关键帧联合进行压缩感知重建.实验结果表明,本文的编码算法能获得较好的率失真性能和主观图像质量.     

基于压缩感知的自适应谱减法语音增强算法

针对在压缩感知框架下,噪声的影响会被扩大这个问题,提出了一种新的基于压缩感知的语音增强算法。该方案利用压缩感知下的行阶梯观测矩阵能够保留大部分语音特性的特点,对观测序列进行谱减法消噪,再对得到的观测序列进行基于输入信噪比的自适应重构,最后通过低通滤波器对重构语音进行平滑滤波,除去高频成分。实验结果表明:提出的语音增强方法具有较强的抗噪能力,重构速度快,输出的信噪比高,鲁棒性能好。     

基于压缩感知的Logistic多涡卷混沌保密通信

针对异步数字保密通信系统通信安全的问题,提出了基于压缩感知的逻辑(Logistic)多涡卷混沌保密通信方法.首先对一维Logistic映射进行改进,并引入多涡卷思想,生成两段式Logistic混沌映射,然后引入压缩感知理论,通过压缩感知方法实现伯努利(Bernoulli)分布的伪随机序列,得到基于压缩感知信号矩阵的通信模型.实验仿真结果表明,该方法优于Bernoulli随机信号矩阵,提高了重构信号峰值的信噪比,基于该方法的保密通信系统对信道噪声具有较强的抗干扰性和重构信号增益,可以完整还原数字信号,从而进一步证实了基于该重构矩阵信号的数字保密通信系统是有效的.