一种压缩感知中的改进的正则化牛顿算法

提出了一种新的压缩感知重构算法——正则化牛顿算法.该算法结合了牛顿法重建效果好和正则化正交匹配追踪(Regularized Orthogonal Matching Pursuit,ROMP)收敛速度快的优点.并且在此基础上,针对原有的正则化过程进行了改进.Madab仿真结果表明,文中提出的算法在重构精度上要高于正交匹配追踪(Orthogonal Matching Pursuit,OMP)和正则化正交匹配追踪(ROMP),而在迭代次数和重构时间上要低于牛顿法和正交匹配追踪(OMP).     

基于局部性质的改进正交匹配追踪算法

正交匹配追踪算法是一种重要的压缩感知重构算法,针对正交匹配追踪算法中当前信号的最优估计,每一个采样点都有它的局部性质,且相邻采样点之间必然相互影响.本文基于局部性质,对正交匹配追踪算法进行改进,提高了对稀疏参数的估计精度,实现了信号的重构,实验证明了该方法的有效性.     

基于OMP算法的快速压缩感知图像重构

针对正交匹配追踪(OMP)算法在压缩感知理论下的重构效果和所需时间相互矛盾的问题,基于子空间追踪(SP)算法的回溯思想,使用共轭梯度下降算法代替最小二乘法对正交匹配追踪(OMP)算法进行改进.并且对所改进算法的重构精度、重构稳定性进行了仿真实验,结果表明所提算法能保证重构质量良好并且有更好的重构速度和稳定性.     

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.     

交替方向块稀疏信号快速重构算法

研究模型压缩感知中的块稀疏信号重构问题.在l2/l1模型基础上,提出一种基于交替方向法的块稀疏信号重构算法.在该算法中,首先对目标函数进行变量分裂,然后利用交替方向法对各变量进行交替更新,直至满足收敛条件.仿真实验中,将该算法与块正交匹配追踪和块压缩采样匹配追踪算法进行比较,结果表明该算法能够在保持高重构精度的前提下获得更快的计算速度.     

基于DWT的图像分块压缩感知重构算法

运用压缩感知理论对大尺寸图像进行重构耗时较长,观测矩阵要求的存储空间较大,且重构后的图像存在明显的块状效应.根据图像小波变换系数的特点,将图像分块思想与DWT变换相结合,提出了一种改进的基于DWT的图像分块压缩感知算法.将图像子块经DWT变换后,保留图像低频系数,只对高频系数进行观测.重构时采用正交匹配追踪算法（OMP）对高频系数进行恢复.Matlab仿真结果表明,新算法跟基于DCT分块压缩感知算法相比,重构图像的PSNR值提高了2~4 dB,重构时间明显减少,与基于二维离散余弦变换(DCT)的分块压缩感知算法相比,块效应有明显的改善,重构图像质量明显提高.     

基于DCS的矿山物联网微震数据重构算法研究

煤矿物联网是近几年兴起的热点研究领域。针对煤矿物联网分布式环境下微震数据量大的问题,引入分布式压缩感知理论对微震数据进行压缩以减小数据传输量。以分布式微震信号为对象,通过傅里叶变换基对其进行稀疏性分析,论证了可以用压缩感知相关理论对微震数据进行压缩处理。基于广义正交匹配追踪算法及稀疏度自适应匹配追踪算法,提出了一种改进的分布式稀疏度自适应正交匹配追踪重构算法。基于MATLAB仿真平台,用改进的算法重构稀疏测量后的分布式微震信号,仿真结果表明,该算法在减少计算量的前提下有效地恢复了原始微震信号。     

基于多方向正交匹配追踪的压缩感知图像重构算法研究

针对压缩感知中图像信号的压缩比较大、重构效率较低的问题,提出一种基于正交匹配追踪的压缩感知图像重构算法。该算法在图像压缩阶段,利用测量矩阵对目标图像进行二次测量,进一步缩小压缩比。在图像重构阶段,将单次循环的正交匹配对象由一维向量拓展到二维矩阵,利用多方向正交投影对压缩数据进行图像重构。仿真实验结果表明,在缩小压缩比的情况下,可较准确地重构出原始图像;并且显著提高重构效率。     

一种稀疏度自适应正交多匹配追踪重构算法

压缩感知理论是一种利用信号稀疏性或可压缩性对信号进行采样同时压缩的新颖的信号采样理论。针对稀疏度未知信号重构问题,提出了一种稀疏度自适应正交多匹配追踪重构算法。该算法在广义正交匹配算法(generalized orthogonal multi matching pursuit,GOMP)基础上结合稀疏自适应思想。根据相邻阶段信号能量差自适应调整当前步长大小选取支撑集的原子个数,先大步接近,后小步逼近信号真实稀疏度,从而实现对信号精确重构。实验仿真结果表明,该算法能有效精确重构信号。具有良好的重构性能和较高的重构效率。     

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.     

压缩感知中基于梯度的贪婪重构算法综述

正交匹配追踪（OMP）算法是贪婪类算法中最经典的算法之一,但是对于大规模数据的重构问题却有着计算复杂度高、存储量大的缺点,而如果将最优化方法中的梯度与贪婪算法相结合,就会大大减少计算复杂度和存储需求.文中详述了梯度追踪算法,从理论上分析了这些算法的计算复杂度、存储需求和优缺点,并用这些算法分别重构一维信号和二维信号,分析重构效果.实验结果表明,梯度追踪算法的重构效果均比OMP好.尤其是基于变尺度法的梯度追踪算法,无论是重构时间还是重构效果,均优于OMP算法.     

压缩感知中基于广义Jaccard系数的gOMP重构算法

为了解决信号重构性能差的问题,提出了一种基于广义Jaccard系数的广义正交匹配追踪(generalized orthogonal matching pursuit, gOMP)重构算法。该算法利用广义Jaccard系数相似性匹配准则替换gOMP算法中的内积度量准则,优化了通过感知矩阵来选择与残差余量最匹配原子的匹配方式。实验结果表明,该算法的重构成功率不仅高于gOMP算法,同时也高于OMP、StOMP等算法。     

压缩感知理论及其重构算法

压缩感知理论为信号采集技术带来了革命性的突破,它采用非自适应线性投影来保持信号的原始结构,以远低于奈奎斯特频率对信号进行采样,通过数值最优化问题准确重构出原始信号。分析了信号的稀疏表示、压缩感知的基本理论,设计了两种主要的重构算法——匹配跟踪算法、互补匹配跟踪算法,并对两种算法的特点进行了对比。     

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.     

基于贪婪算法获取稀疏表示探讨研究

本文给出一个反例,指出在一般的字典中,稀疏表示中正交匹配搜索（OMP）算法不能得到测量的最稀疏信号,从而说明匹配搜索、正交匹配搜索等贪婪算法在稀疏表示中不能保证每一个测量能得到信号的最稀疏表示.     

压缩感知在车牌识别系统中的应用研究

分析车牌识别系统的数据采集过程,提出关于压缩感知理论的车牌识别系统的数据采集方法。对采集的车牌图像进行小波变换,将车牌图像变换成易传输,数据量较小的图像数据,使用正交匹配追踪算法以及小波逆变换对来自传输设备的车牌图像进行重建,并实现原始图像精确和近似重构。由仿真可知,压缩感知理论应用于车牌识别系统的数据采集传输过程,降低了传输数据量大小,并易于图像数据传输,且能以较小误差实现车牌图像的重构,同时有相应的硬件使用环境。     

Dynamic multi-user detection scheme based on CVA-SSAOMP algorithm in uplink grant-free NOMA

In the uplink grant-free non-orthogonal multiple access(NOMA) scenario,since the active user at the sender has a structured sparsity transmission characteristic,the compressive sensing recovery algorithm is initially applied to the joint detection of the active user and the transmitted data.However,the existing compressed sensing recovery algorithms with unknown sparsity often require noise power or signal-to-noise ratio(SNR) as the priori conditions,which greatly reduces the algorithm adaptability in multi-user detection.Therefore,an algorithm based on cross validation aided structured sparsity adaptive orthogonal matching pursuit(CVA-SSAOMP) is proposed to realize multi-user detection in dynamic change communication scenario of channel state information(CSI).The proposed algorithm transforms the structured sparsity model into a block sparse model,and without the priori conditions above,the cross validation method in the field of statistics and machine learning is used to adaptively estimate the sparsity of active user through the residual update of cross validation.The simulation results show that,compared with the traditional orthogonal matching pursuit(OMP) algorithm,subspace pursuit(SP) algorithm and cross validation aided block sparsity adaptive subspace pursuit(CVA-BSASP) algorithm,the proposed algorithm can effectively improve the accurate estimation of the sparsity of active user and the performance of system bit error ratio(BER),and has the advantage of low-complexity.