基于受污信号幅度谱和部分时域值的稳健性重构算法

利用幅度谐与部分时域采样值来重构信号是极为重要的。然而,信号总会受到噪声的污染。本文介绍了一种由迭代序列外推的稳健性重构算法,并给出若干实例。结果表明,这个算法是很有效的。     

基于子空间追踪的稀疏信号重构算法

信号重构算法是压缩感知理论中的重要环节,其优劣影响压缩感知的重构效果.基于子空间追踪算法,对经稀疏表示和测量矩阵压缩后的信号进行重构验证,理论分析和实验结果表明,子空间追踪算法能使信号在较高压缩比下保持良好的重构效果.     

一种鲁棒的稀疏信号重构算法

针对稀疏信号重构性能不稳定的问题,结合半阈值迭代算法,提出了一种鲁棒的稀疏信号重构算法。该算法首先对随机信号采用半阈值迭代算法进行重构,以获得初步的重构信号,然后改变迭代初值和参数初值进行新的迭代计算,同时增加一个新的循环终止条件,在保证算法稳定性与收敛速度的同时,使迭代结果跳出相对误差较大的局部极小点而收敛于误差较小的点成为可能,提高了重构信号的成功率。对该算法进行了信号重构和图像重构2个方面的实验,结果表明,与半阈值算法及相关算法比较,无论是对高斯信号、符号信号还是自然图像信号,该算法重构信号的成功率都有明显提高,较半阈值算法平均提高了约30%~40%,表现出较强的鲁棒性。     

基于小波的信号部分重构与插值

通过分析信号重构理论，提出了信号部分重构的概念，即已知原信号的部分信息，通过增加一些新信息可以重构原信号更进一步的逼近，而且信号部分重构过程的迭代将达到信号的完全重构。基于小波变换理论，研究了一类信号部分重构问题，得到了一种信号部分重构公式。从信号部分重构的观点出发，提出了一种能够消除假频并扩展频宽的地震信号空间插值办法，实验结果证实了方法的有效性。     

相位谱重构信号的迭代算法中初始值对重构结果的影响

讨论了在相位谱重构信号的迭代算法中,幅度谱初值的不同设置对重构信号的收敛速度产生的不同影响。     

一种改进小波系数重构的信号去噪算法

利用模极大值原理去噪后的小波系数,提出了一种采用三次样条插值进行小波系数重构,然后再结合Mallat重构算法,恢复出去噪后的信号.实验结果表明,该算法能给出信号原始小波变换系数的一个很好的近似,去噪效果明显.     

小波变换在信号滤波中的应用

概要地叙述了小波，小波包理论，提出了一种用小波包分解和信号重构进行信号滤波的方法，先用小波包分解把信号分解到相邻的不同频率段上，然后用信号重构方法各个频率段上的信号进行重构，以电机的振动信号为例，说明这种方法可以有效地用于信号的滤波。     

一种基于广义Jaccard系数的改进SAMP压缩信号快速恢复算法

压缩感知算法作为一种信号处理方法，可以解决机场终端区实时频谱监测的问题。 基于稀疏度自适应匹配追踪(SAMP)信号重构算法，引入了广义Jaccard系数、t-平均相关系数、变步长思想，提出了JTVS-SAMP算法。在算法的原子筛选部分引入广义Jaccard系数可以减少原子混淆导致的精度下降问题，t-平均相关系数的引入可以避免测量矩阵RIP系数的计算，降低了算法的复杂度，变步长思想中的大步长迭代，小步长靠近的步骤使得算法的效率及精度都大大提升。采用一维高斯随机稀疏信号作为测量信号进行仿真，可以有效的模拟机场终端区经过能量检测后的测量信号，经过仿真，JTVS-SAMP在不同的测量数、稀疏度情况下的算法重构成功率的表现明显优于传统压缩感知算法，且与SAMP算法相比，JTVS-SAMP在重构误差和算法时间方面的表现均有显著提升。     

信号重构的小波极大模整形迭代算法

提出了用整形迭代重构算法实现从信号的二进小波变换极大模值重构原始信号.数值实验显示该算法的收敛性和重构效果非常令人满意.与Mallat的交替投影算法相比,该算法更简单快捷.     

一种改进的光滑化共轭梯度稀疏信号重构算法

压缩感知理论可以在远低于奈奎斯特采样率的前提下精确重构稀疏信号,重构算法是该理论的核心内容之一。为提高稀疏信号重构精度,提出一种改进的光滑化共轭梯度算法并将其应用到真实口腔CT图像重构中。与光滑化共轭梯度算法相比,首先,该算法采用的在线柏萝登-弗莱彻-戈德福布-生纳(Online Broyden-Fletcher-Goldfarb-Shanno, OBFGS)校正矩阵近似目标函数的Hessian逆矩阵的精度更高,进而提高了信号重构精度;其次,相较于线搜索准则求步长的方法,该算法采用自适应巴尔兹莱-博韦恩(Barzilai-Borwein)步长方法,降低了步长计算量。实验结果表明：与改进前的算法和半阈值算法相比,该算法重构稀疏信号的成功率和信噪比均提高、相对误差降低;重构CT图像的峰值信噪比和结构相似性指数均提高,最大分别提高约3.14dB和0.015。     

信号的光滑性重构及其在仿真中的应用

分析了献[1]中分段多项式的光滑性，给出了分段多项式在节点处光滑的相容条件．并通过对输入信号的光滑重构的方法，对献[1]算法进行了改进．以简单的算例表明了输入信号光滑性重构的有效性．     

宽带信号的高精度重构方法

提出了一种对宽带信号进行高精度采样的方法．其基本思想是把宽带信号进行频带分割,对所得到的每个子带信号分别用低速高精度的A／DC进行高精度采样并滤波,得到原宽带信号各个子带信号的采样序列,然后用各个子带信号的采样序列重构出原宽带信号的采样序列．给出了相应的重构算法,并进行了计算机仿真实验．仿真结果证实,所提出的方法具有较高的信号重构精度和较小的频谱失真．     

基于块对角结构的语音信号盲压缩重构

为在复杂环境中提高语音信号的重构精度, 提出基于正交块对角结构的语音信号盲压缩重构算法, 通过最优求解找到一组对应的正交块对角变换基及稀疏矩阵, 利用二者乘积实现语音信号压缩重构。该算法确保盲压缩感知理论具有唯一解, 能从复杂的环境中恢复原始语音信号, 具有更强的自适应性, 在保证听觉效果的同时, 大大降低了观测维度。实验结果表明, 基于正交块对角结构盲压缩感知(OBD-BCS: Orthonormal Block Diagonal Blind Compressed Sensing)算法能高质量恢复语音信号原始结构。     

结合迭代阈值法的多任务贝叶斯压缩感知结构振动信号重构

为缓解结构健康实时监测中因为海量数据导致的数据采集、存储和传输成本高的问题，采用压缩感知理论结合迭代阈值法对数据进行压缩采样；然后用多任务贝叶斯压缩感知重构算法，通过少量采样数据恢复原始信号.利用吉安大桥的现场环境振动试验数据，验证结合迭代阈值法的多任务贝叶斯压缩感知重构算法的有效性及可行性.研究结果表明，相比于传统的正交匹配追踪算法、单任务贝叶斯压缩感知算法和多任务贝叶斯压缩感知算法，利用结合迭代阈值法的多任务贝叶斯压缩感知重构算法计算得到的重构信号与原始信号吻合度更好，性能更优.     

由小波变换模极大值实现信号重构

基于多尺度分析的思想 ,指出小波模极大值能检测信号的奇异性。通过模极大值可实现信号重构。然后 ,研究了一种算法 ,可从混有噪声的信号中 ,采用设定阀值的方法 ,消去噪声相关的模极大值 ,提高恢复信号的质量     

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。     

贝叶斯压缩感知稀疏信号重构方法研究

讨论了贝叶斯框架下压缩感知稀疏信号重构的方法,描述了基于非参数方法构建压缩感知字典的过程.实验结果表明:基于贝叶斯方法的压缩感知算法能够对单元脉冲信号进行较好重构,且与其他算法相比具有更小的重构误差.最后对贝叶斯压缩感知的发展进行展望.     

可分辨信号空间理论：Ⅱ.信号重构

对可分辨信号空间，建立了谱，谱中心，变半径的概念并证明了它们的内蕴性。围绕信号采样和重构的时移稳定性问题，给出了可分辨信号空间可平移性的谱刻画，同时给出了可平移性的度量函数及其计算公式。对一般的采样，建立了信号重构定理。     

基于振幅谱重构信号的松弛迭代算法

介绍了信号重构问题和基于振幅谱重构信号的迭代算法，提出了一种改进的松驰迭代算法，详细描述了该算法的具体过程，该算法充分利用了迭代过程中的前几次迭代信息，从而使算法收敛速度更快，计算机模拟:该算法具有民敛快、精度高、实现容易等优点，可广泛用于语音处理、地震勘探数据处理、图象处理和通信等应用领域。     

CS在信号处理中的应用

随着信息处理技术的不断发展,人们对信息需求量越来越大,这给信号采样、传输和存储的实现带来的压力越来越大,如何有效地获取信号中的信息是电子信息领域中亟待解决的问题之一。目前,国际上出现了一种新的信息获取理论,即Compressed Sensing(CS)理论,为该问题的解决提供了契机。本文综述了CS理论框架,着重介绍了CS在信号处理中的应用:包括信号的重构和信号参数的估计。并且对信号的重构与信号参数估计做了仿真。仿真结果证实了本文算法的有效性。