基于GOMP及其改进的OFDM系统稀疏信道估计

研究在正交频分复用（OFDM）系统的稀疏信道估计问题.由于在许多通信系统中信道具有稀疏性,因此可以把信道估计问题转化为稀疏信号的恢复问题,应用压缩感知理论求解,把现有的恢复算法——广义正交匹配追踪算法（GOMP）运用到信道估计中,并对它加以改进.仿真结果表明,与广义正交匹配追踪算法（GOMP）相比,正交匹配追踪算法（OMP）运行时间少,计算复杂度低,但是估计的最小均方误差略差.为了进一步提高该算法的性能,提出了改进的广义正交匹配追踪算法,性能得到了较大的提高.      

改进的压缩感知重构算法研究

为了对未知稀疏度信号、特殊信号、含噪声信号进行准确重构,提出一种改进的压缩感知重构算法——预测正交匹配追踪算法。提出的算法通过所选支撑集内原子总数、信号间能量差以及残差共同预测并选择所需原子。预测正交匹配追踪算法能够在稀疏度未知的情况下自适应地对块稀疏信号、噪声信号及图片信号进行准确重构。实验结果表明,在相同条件下,改进后的算法提高了重构质量,减少运行时间。     

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.     

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。     

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。     

压缩感知重构SAMP的改进算法

压缩感知提供了一种用于采集在正交基上稀疏信号的新范式,突破了奈奎斯特采样定理对采样率的限制,提高了采样端的效率.国内外学者已经探索出大量过完备词典,能够有效对信号稀疏化采集并且尽量不丢失原信号中所含信息.压缩采样中的主要算法挑战是从观测样本中重构原信号.提出一种称为稀疏度自适应匹配追踪算法(sparsity adaptive matching pursuit,SAMP)的迭代恢复算法的改进方法.相较于原算法的方案,该方法回避了对原信号稀疏度的过估计,采用了在过估计时回溯稀疏度,并调整步长的方法,解决了原方案中恢复速度和恢复精度的矛盾.通过仿真实验比较了在不同稀疏度和采样率的情况下两种算法的精确重构成功率,结果证明了改进算法明显优于原算法.     

基于改进遗传算法和Sin-Chirplet原子的调频雷达信号稀疏分解

为构建合适的时频原子库和信号分解算法,提出一种基于改进遗传算法和Sin-Chirplet原子的调频雷达信号稀疏分解算法.这种新的Sin-Chirplet原子在Chirplet原子的基础上增加正弦调频因子,改善原子时频曲线的弯曲性能,使原子对非线性调频信号具有较强的匹配性能.然后基于原子的匹配特性,改进遗传算法中初始原子种群产生机制,提高了最佳原子搜索速度.理论分析和仿真结果表明,基于改进遗传算法的信号稀疏分解效率高于传统遗传算法和匹配追踪算法.相比现有的3种典型时频原子,Sin-Chirplet原子的匹配性能良好,可以更有效地分解调频雷达信号及其混合信号.     

基于改进恢复算法的双选稀疏信道估计

高速移动情况下,正交频分复用系统(orthogonal frequency division multiplexing,OFDM)无线通信信道可建模为时间-频率双选信道,其响应在时延-多普勒域呈现稀疏性,使压缩感知技术得以应用到稀疏信道估计中。当稀疏度提高时,压缩感知(compressed sensing,CS)中正则化正交匹配追踪恢复算法(regularized orthogonal matching pursuit,ROMP)的复杂度增大。提出了有严格计算约束的改进恢复算法,该算法每次迭代选择固定数目的原子使支撑集为非奇异矩阵来降低原子选择和最小二乘(least squares,LS)法计算上的复杂度,并且每次迭代更新支撑集来保证精度。仿真结果表明,和ROMP算法比较,改进恢复算法的运行时间明显降低,并且在一定的迭代次数下精确度得以保证。     

基于CS的灰度图像压缩

采用较新的压缩感知理论,通过Harr正交稀疏变换和伯务利采样矩阵,实现了对灰度图像的低速压缩采样,并利用正交匹配追踪算法实现压缩数据的恢复.实验结果表明,此算法能较好地实现图像的感知压缩.     

一种加权正交匹配追踪的盲多带信号重建方法

为研究多带信号的时域采样点盲重建该多带信号,将信号在适当大的包含其所有频带的频率区间上离散,信号频域重建归结为稀疏信号恢复问题。基于压缩感知恢复所需采样点少且其恢复稀疏信号要求观测矩阵的限制等距常数足够小,提出了一种改善观测矩阵的条件数,从而改善其限制等距常数的加权方法,以及相应的加权正交匹配追踪的盲多带信号重建方法,该方法对一般的稀疏信号恢复也适用。模拟中,对适当大的频率区间,取满足重建误差范围的适当小的离散间隔。模拟结果验证了对盲多带信号重建和一般的稀疏信号的恢复,提出的方法比直接用正交匹配追踪算法在相同条件下有更高的有效重建率。     

基于树型冗余字典正交匹配追踪的信号稀疏分解

结合树型结构和正交匹配追踪算法,提出一种信号稀疏分解的新方法.该方法的基本思想是在基于树型结构的匹配搜索过程中引入正交化过程,其中树型结构可以快速有效地实现稀疏分解,正交匹配追踪算法提高了信号分解的收敛速度和稀疏性.对语音和地震信号的测试实验结果表明,该算法能以较快的速度收敛到零.     

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.     

基于位置参数二分法控制的信号稀疏分解

研究基于匹配追踪方法实现的信号稀疏分解算法。通过对信号稀疏分解中使用的过完备原子库的结构特性分析,找到中心位置,构造时频原子库,利用二分法控制中心位置参数,将信号快速稀疏分解,应用于基于中心位置参数的改进贪婪匹配追踪算法。该算法与匹配追踪相比,计算速度大约提高了36倍,降低了计算复杂度,提高了稀疏分解的精度。通过对仿真数据的处理验证了所提方法的可行性和有效性。     

一种改进的子空间追踪算法

为了使压缩感知重构算法在稀疏度未知的情况下能够实现信号精确重构,提出了一种新的贪婪匹配追踪重构算法—一种改进的子空间追踪算法。该算法首先通过一种新的柔性方法获得信号的稀疏度,然后将稀疏度估计的结果和子空间追踪算法结合起来对信号进行重构,若子空间追踪不能精确地重构信号,则利用弱匹配原则来获取新的原子。实验结果表明,和同类算法比较,当信号稀疏度相同时,改进的子空间追踪算法重构的精度较高,运行速度也较快。     

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.     

前向预测与回溯结合的正交匹配追踪算法

在基于压缩感知的正交匹配追踪算法中,候选集原子的选取对最终的重建性能至关重要.文中结合前向预测和回溯两种策略更新候选原子集,提出了一种基于预测与回溯的正交匹配追踪(LABOMP)算法.该算法通过设定阈值将所有迭代划分为前后期,在迭代前期,通过预测原子在未来迭代中的性能选择最佳原子;在迭代后期,加入回溯策略,每两次迭代淘汰一个前面错误选择的原子.实验结果表明:LABOMP算法是实用有效的,由于加入回溯策略修正了预测算法LAOMP的不足,使迭代后期高斯稀疏信号与二值稀疏信号的精确重建概率较LAOMP算法分别平均提高了12.5％、18.2％.     

基于ITCSAMP的周期非均匀采样与重构

根据周期非均匀采样的特点,结合联合子空间理论,将信号采样与重构转化为向量运算.并针对自然界中的稀疏信号,结合压缩传感理论,提出采用阈值迭代压缩采样匹配追踪(ITCSAMP)重构算法进行信号重构,并分析了其完整重构条件.最后,借助软件(Matlab)搭建模型,验证该算法可以很好实现稀疏信号的周期非均匀采样与重构.     

基于压缩感知的语音盲稀疏重构算法及其去噪应用

根据传统的正交匹配追踪(OMP)算法和稀疏度自适应匹配追踪(SAMP)算法各自的缺陷,提出可以在盲稀疏状态下重构带噪语音的多匹配正交追踪(MMOP)算法。该算法采用同时匹配多个原子以及同步增大和缩小原子集的办法来解决SAMP算法中原子的过匹配和欠匹配现象,此外,还提出一种新的去噪思想和设置初始步长方法,并且采用分阶段步长来重构原始语音信号。研究结果表明:本文算法不仅修正SAMP算法的过匹配和欠匹配的现象,而且还具有匹配速度快、迭代次数少的优点,同时又提高语音信号在盲稀疏状态下的重构精度,此外,该算法还可以应用在噪声语音中,有较明显的去噪效果,且其重构后的语音主客观质量评价都要好于传统的OMP算法和SAMP算法。     

基于扰动BOMP算法的块稀疏信号重构

给出了测量矩阵受扰动的块正交匹配追踪(BOMP)算法,仿真实验表明:当扰动水平越低、部分扰动元素越少、分块数越小或采样数越多时,重构信号的相对误差越小,即扰动BOMP算法重构性能更好.相比传统的扰动OMP算法,实验结果表明扰动BOMP算法能更加有效地处理块稀疏信号,说明信号结构对于信号恢复至关重要.     

基于改进的后退型最优正交匹配追踪的图像重建方法

摘要：正交匹配追踪OMP(Orthogonal Matching Pursuit)是可压缩传感理论CS(Compressed Sensing)中一种贪婪迭代的图像重建方法,该方法以快速高效而著称。但现有的OMP算法都是在给定迭代次数(待重建图像的稀疏度)的条件下重建,这样强制迭代过程停止的方法使得OMP方法需要非常多的线性测量来保证精确重建。本文提出一种改进的后退型最优OMP算法。该方法首先利用最优正交匹配追踪OOMP (Optimized Orthogonal Matching Pursuit)算法,在迭代过程通过最优的正交化性来约束原子的选择,保证原子的选择在最小化当前冗余误差的意义下最优;利用稀疏度作为适应性迭代次数的标准,给出一种非常简单的原子选择机制对得到的迭代结果进行后处理,向后剔除其中多余的原子从而获得精确重建。实验结果表明,与OMP相比较,改进算法可以获得精确重建并大大降低了对测量数目的要求。