基于广义模式耦合稀疏Bayesian学习的1-Bit压缩感知

在1-Bit压缩感知(compressive sensing,CS)框架下,将信号的稀疏结构先验引入广义稀疏Bayesian学习(generalized sparse Bayesian learning,Gr-SBL),研究基于Gr-SBL的1-Bit CS重构。将广义线性模型与模式耦合稀疏Bayesian学习相结合,提出了一种基于广义模式耦合稀疏Bayesian学习1-Bit CS重构算法,简称为1-Bit Gr-PC-SBL算法。该算法将1-Bit CS重构问题迭代地分解成一系列标准CS重构问题,在信号稀疏模式未知的情况下,基于模式耦合稀疏Bayesian学习实现信号重构。进而,引入阈值自适应的二进制量化,设计了自适应阈值的1-Bit Gr-PC-SBL算法,进一步提升了算法的信号重构性能。

基于变分推断的1比特动态阈值压缩感知

1比特压缩感知(1-bit CS)是压缩感知的一种极限量化情况,即只保留测量值的符号信息。论文针对1-bit CS中阈值常固定不变导致的编码端信息利用率低的问题,构造出1比特动态阈值重构模型,并将贝叶斯推断方法应用到动态阈值重构模型中,提出基于变分推断的1比特动态阈值压缩感知方案。该方案根据已有部分观测数值逐步对信号估计迭代并调整后续观测阈值,信号的一些潜在固有特性从而得以利用,获得了比传统固定阈值方法更优的重构性能。实验表明,提出的算法具有较为准确的恢复效果。

一种基于最优观测矩阵的自适应贝叶斯压缩信道感知联合机制

该文采用基于概率模型的贝叶斯压缩感知方法,从最大后验概率角度,给出了压缩信道感知的一般流程。在此基础上,利用自适应贝叶斯压缩感知将信号的重构和观测矩阵的设计结合,使这两个环节不再相互独立。同时,提出一种基于最优观测矩阵的自适应贝叶斯压缩感知联合机制,通过减少观测矩阵的相关度以及对观测矩阵的自适应设计,使得信道的重构效果更佳。另外可利用重构过程中得到的差错栏,对重构精确度进行衡量。仿真表明:在相同的实验条件下,该联合机制相比传统的重构算法,具有更好的抗噪声能力和重构精度。

结合自适应字典学习的稀疏贝叶斯重构

贝叶斯压缩感知是一种基于统计分析的压缩感知算法,具有很好的鲁棒性,能够充分利用信息间的相关性,它的重构依赖于图像的稀疏性表达.针对贝叶斯压缩感知的深层次稀疏化问题,笔者结合自适应字典学习思想,提出一种冗余自适应字典表示的稀疏贝叶斯学习算法.该算法对图像进行局部分块,从待重建图像的迭代中间图像分块中学习字典,并以该字典作为图像的稀疏变换基,通过稀疏贝叶斯学习算法获得稀疏解.实验结果表明,基于自适应字典的贝叶斯学习算法能提高稀疏化,明显改善图像的重构质量.

基于贝叶斯压缩感知的自适应测量算法

针对传统压缩感知理论无法实现自适应压缩测量的不足,介绍了基于贝叶斯估计的压缩感知重构算法;建立了基于重构信号微分熵的自适应评价指标;构建了基于分块测量方式的自适应压缩测量算法。仿真分析了该算法用于随机阶跃信号的测量效果,实验结果表明:建立的自适应评价指标与被测信号重构误差具有相似的变化趋势,能有效反映随机测量进程,可以实现自适应压缩测量。正是在BCS理论的基础上,提出了一种根据以获取信息的不确定度,进而自适应实现压缩测量的算法,该算法运算简单,适用于实时信号的在线压缩测量。

时空稀疏贝叶斯的多通道降噪方法及在机械故障诊断中的应用

压缩感知利用与稀疏基相独立的观测矩阵将具有稀疏结构的高维度信号投影到低维子空间,对于信号的压缩和降噪有很好的效果,但是稀疏基以及稀疏系数矩阵的获得对于分析的结果有决定性的影响。稀疏贝叶斯学习(sparse bayesian learning,SBL)算法能极大地提高信号稀疏分解的精度,提出了一种改进的基于时空稀疏贝叶斯(Spatio-Temporal Sparse Bayesian Learning,STSBL)的多通道信号降噪算法。首先给出了多通道压缩感知理论模型,然后通过自适应过完备字典求取信号的稀疏基矩阵,最后提出基于STSBL的多通道理论模型获取多通道稀疏系数矩阵,从而实现多通道机械故障信号的有效降噪以及特征成分的精确重构。分别通过数值仿真实验和实测风力发电机轴承内圈故障信号进行分析,结果表明提出的方法有很好的降噪效果,同时能成功地提取信号的故障特征信息。

基于贝叶斯压缩感知的宽带雷达回波处理

宽带雷达回波处理中存在采样速率高、存储压力大、信号处理时间长的问题.压缩感知理论(Compressive Sensing,CS)利用以远低于奈奎斯特速率采样的样本可实现信号高概率重构,有效地降低了数据采样率,缓解了宽带雷达数字信号处理的压力.利用贝叶斯压缩感知(Bayesian Compressive Sensing,BCS),实现对雷达回波信号的压缩采样,减小数据量的同时能够充分恢复信号的目标信息.BCS理论基于相关向量机(Relevance Vector Machine,RVM)原理,采用快速边际似然算法提高了目标信息的重建效率.仿真实验表明,相比于普通压缩感知,贝叶斯压缩感知对低维回波采样样本的重构精度更高,重构信号时域峰值相对误差降低10%以上,并且在相同误差水平下,对信噪比的要求降低5dB,具有更强的抗噪声能力.基于贝叶斯方法的回波信号处理可以实现对目标回波的自适应观测采样,进一步降低了回波信号的采样率.

基于LEACH和压缩感知的无线传感器网络目标探测

为了解决在无线传感器网络监测的区域内进行信号目标源探测的问题,提出了一种联合低功耗自适应集簇分层型协议(LEACH)算法和贝叶斯压缩感知(CS)的方法.LEACH算法对网络节点进行分簇并选择簇头,将簇内节点的信息集中在簇头上,同时仅通过簇头向汇聚节点传递信息,可减少向汇聚节点传输数据的节点数.汇聚节点利用贝叶斯CS算法可从来自簇头的少量数据中恢复出信号源.同时提出了一种阈值机制,以优化在数据量过少情况下CS算法的信号重构性能.仿真结果表明,所提算法能对目标进行准确探测,具有较好的性能.