基于压缩感知CoSaMP算法的精确重构

为有效解决压缩采样匹配追踪(compressive sampling matching pursuit,Co Sa MP)算法对稀疏度K值的依赖问题,提高重构精度,提出了一种根据峰值信噪比增减变化趋势来确定最佳迭代次数的Co Sa MP改进算法。先将PSNR算式进行数学推导演变,将算式中未知的原始信号巧妙转换为已知信号,并证明了此转换式与PSNR算式有相同增减性,在迭代过程中基于此转换式可根据各列稀疏度的不同,自适应地确定不同列的最佳迭代次数,从而保证更高的重构精度。理论分析和实验仿真表明,改进的Co Sa MP算法比原有算法有更理想的重构效果,与其他重构算法相比有更高的重构成功率,并且更具高效性和实用性。

SA-CoSaMP算法在电能质量扰动信号识别中的应用

针对电能质量扰动信号具有实时随机性和稀疏度未知导致识别率低的问题,提出了基于稀疏自适应的压缩采样匹配追踪算法(SA-CoSaMP)进行电能质量扰动信号分类识别的研究,可有效减少数据采集、降低特征值处理量,并提高识别率。首先,针对电能质量扰动信号,利用压缩感知理论(CS)获取降维的测量信号,基于SA-CoSaMP算法获取稀疏向量;然后,针对7类典型电能质量扰动信号的稀疏向量,经过实验对比提出5种特征值,采用BP神经网络作为分类器。实验结果表明,选取需要处理的原始信号长度2048,所提算法特征提取时处理长度平均为40,保存信号全部原始特征,具有重构精度高、抗噪能力强的优点,识别率为98.87%,高于稀疏自适应匹配追踪算法(SAMP)的94.33%和压缩采样匹配追踪算法(CoSaMP)的95.75%,为电能质量扰动信号识别提供了一种新的思路。

基于CoSaMP算法的信号冗余分析

以稀疏表示理论为出发点,分析信号的压缩感知理论与传统Nyquist采样定理的理论对比结果,根据Co Sa MP算法和IFFT信号重构结果,定性和定量地分析了信号内部冗余性与利用这种冗余特征进行减运算量处理的可行性,进一步探讨信号的非均匀化处理,包括分数域和分形等方法在信号处理领域的适应性。

基于压缩感知的MIMO系统稀疏信道估计

在多输入多输出通信系统中,接收端信道均衡与相干检测需要利用信道状态信息.传统信道估计方法如最小二乘法和最小均方误差法均基于多径信道密集型假设,导致频谱利用率低下.为此,该文研究在单载波MIMO系统中的稀疏信道估计,利用多径信道的稀疏特性提出一种基于压缩感知理论的信道估计方法.这种方法能利用较少的导频信号达到与传统方法相比拟的估计性能,从而提高频谱利用率.仿真验证和理论分析表明,基于压缩采样匹配追踪的压缩感知信道估计方法为MIMO系统稀疏信道估计的最优选择.

基于匹配追踪算法阈值改进的MIMO-OFDM信道估计研究

对于MIMO-OFDM系统信道估计的研究在国内外已经取得了一定的成果,其中采用CoSaMP算法进行信道估计时支撑候选集的选择尤为重要。采用CoSaMP算法对MIMO-OFDM信道进行估计,并在此基础上引入原子弱选择标准对候选集进行更进一步的优化,使改进后的CoSaMP算法在达到自适应的同时提高运算速率,达到信道估计算法自适应的目的。实验结果表明,对CoSaMP算法的候选集选择添加阈值后进行重构信号时复杂度降低,提高了运算速率,同时均方根误差较CoSaMP算法和OMP算法都有一定的提高。

基于稀疏度自适应化的DEM压缩采样与重构方法

地形数据量的日益增长迫切地需要高效的存储和传输策略。提出了一种基于稀疏度自适应化的DEM压缩采样与重构方法,并给出了方法具体的实现及详细流程。该方法首先利用小波变换对原始DEM进行稀疏处理,然后利用QR分解后的随机高斯矩阵对稀疏处理结果进行降维观测,实现DEM的压缩。最后针对CoSaMP算法必须提供稀疏度和重构时间长的缺点提出一种稀疏度自适应化的改进算法,利用改进的CoSaMP算法进行重构和小波反变换等步骤获得DEM的重构结果。在保证相似重构精度的前提下,提出的改进的CoSaMP算法与传统的CoSaMP算法相比,在实现稀疏度自适应化的同时有效地提高了收敛速度。仿真实验结果表明与JPEG2000方法相比,提出的方法实现了更高压缩比的数据压缩和高峰值信噪比的数据重构。

一种新的压缩采样匹配追踪算法

提出了实用性更强的完全受噪声扰动理论模型,引入了与原信号相关的乘性噪声;并基于新的模型,提出了一种改进的压缩采样匹配追踪算法。该算法通过构造一个感知测量矩阵,在信号替代阶段中取代随机测量矩阵来减少相关性对支撑集筛选的影响,最后可在乘性噪声存在的情况下实现了信号的精确重建。实验结果表明,在相同测试条件下,该算法的重建效果均优于其他贪婪算法和基匹配法(basic pursuit,BP)。

基于梯度融合规则的医学图像融合方法

为了更好地满足临床诊断和治疗的需要,提出了一种在图像融合阶段对测量值进行自适应梯度加权和图像重建时采用CoSaMP重建算法相结合的方法。该算法首先对两幅源图像分块并进行稀疏表示,同时利用观测矩阵进行测量。在测量数据融合阶段引入图像梯度来反映图像本身的边界信息,先计算每幅分块子图像的梯度;然后利用自适应梯度加权的融合规则得到融合的测量数据,并对融合测量数据进行随机压缩采样;最后通过CoSaMP算法对采样数据进行信息重构实现测量数据的恢复。该方法克服了图像融合时信息畸变的缺陷,并且可以根据不同融合区域自动调整融合规则的权重系数,有效地避免了设置固定权重系数造成的融合误差。实验结果和评价指标验证了该算法的有效性和先进性。

改进的压缩采样匹配追踪算法

针对压缩采样匹配追踪(Co Sa MP)算法重构精度相对较差的问题,为了提高算法的重构性能,提出了一种基于伪逆处理改进的压缩采样匹配追踪(MCo Sa MP)算法。首先,在迭代前,对观测矩阵进行伪逆处理,以此来降低原子间的相干性,从而提高原子选择的准确性;然后,结合正交匹配追踪算法(OMP),将OMP算法迭代K次后的原子和残差作为Co Sa MP算法的输入;最后,每次迭代后,通过判断残差是否小于预设阈值来决定算法是否终止。实验结果表明,无论是对一维高斯随机信号还是二维图像信号,MCo Sa MP算法的重构效果优于Co Sa MP算法,能够在观测值相对较少的情况下,实现信号的精确重构。

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.