基于压缩感知的电力报装信息系统研究

随着用电业务的日益增多,对系统网络性能的要求也逐渐提升,为了提升电力报装系统的传输效率,通过压缩感知(CS)提升无线网络单流数据传输能力。构建以CS为基础的网络单流传输模型,设计测量矩阵,提高其重建性能,通过仿真实验证明相关理论内容。实验结果证实,不管是在无噪声还是有噪声的环境中,其相比于大小相同的伯努利矩阵以及高斯矩阵,提出的矩阵具有更出色的重建性能。对于电力报装系统的传输效率的提升具有一定的参考意义。

空间谱估计中的压缩感知测量矩阵分析

在压缩感知理论中,测量矩阵的选取对信号的采集和重建起着重要的作用。然而目前测量矩阵在不同应用中性能表现不同,没有统一的评价结论,且前人的研究大多集中在时域和频域条件下进行。文中主要研究六种常用的测量矩阵在信号的空间谱估计中的应用效果。采用多个仿真实验,分别在不同测量数,不同稀疏度,以及不同信噪比的条件下,比较各测量矩阵对空域信号波达方向角估计的准确率、均方差以及所需时间。实验结果显示:在空域条件下高斯随机矩阵、伯努利矩阵对信号的普适性较好,对已知稀疏度的空域确定信号能很好的完成空间谱估计。该结论对于压缩感知在信号空间谱估计中的应用有一定意义。

基于ATmega128的连续信号压缩感知实现方法

为了解决硬件对高频模拟信号采集困难的问题,根据连续信号可以在特定的频域有稀疏的特性,在采样节点,根据伯努利观测矩阵分布特点设计采样间隔,利用压缩采样方法采集数据,降低收发芯片CC1000所需发送的数据量,从而降低传感器节点在通信传输时所损耗的能量,延长节点的使用时间;在汇聚节点使用压缩采样匹配追踪算法(Compressive Sampling Matching Pursuit,CoSaMP)对接收到的稀疏数据进行重构,将重构的数据通过串口助手导出到终端,使用Matlab软件绘图分析,验证压缩感知实现方法的可行性。实验结果表明:该方法能够很好的在ATmega128芯片上实现压缩观测。在压缩率达到68%时,通过分析计算原始信号波形和重构信号波形,二者具有99.30%的相似度,显然将压缩感知理论可应用到局域网中,能减少网络传输的数据量,降低网络传输的能耗。

KSVDSAMP自适应稀疏算法在电能质量信号重构中的应用

针对现有固定正交稀疏基不足以灵活表示未知的电能质量信号特征,以及稀疏系数非自适应导致信号重构效果不佳、应用性不强的问题,提出一种基于字典学习的自适应压缩感知信号重构算法（KSVDSAMP）,并将其应用于电能质量信号重构中。算法首先对大量电能质量信号的样本进行K均值分解得到信号特征,根据信号特征自适应的选取合适的稀疏函数表示未知信号,然后构建扰动信号的随机伯努利矩阵作为压缩感知框架下的测量矩阵,同时将回溯思想和逐步搜索原子字典更新相结合,通过设定固定的步长,在反复迭代的过程中,进行残差r的比较,最终重构出原始信号。实验结果表明,当信号压缩率在50%～90%时,提出的KSVDSAMP算法相较于现有的电能质量信号重构算法（FFTOMP、DCT）,算法的重构信噪比均高出10～20 dB,验证了KSVDSAMP算法的有效性和优越性,为电能质量信号重构提供了一种新的方法。

基于压缩感知的小波域地震数据实时压缩与高精度重构

地震数据压缩是解决地震仪无线数据传输的一项关键技术。现有技术方案是对现场数据变换编码,消除其冗余达到压缩效果,再解码反变换恢复原始数据。这类方案需要对完整采集的地震数据进行操作,不仅时效性差,造成了硬件资源浪费,而且数据解码难以高精度恢复。针对以上问题,本文基于压缩感知理论(CS)提出一种新的地震数据压缩重构方案,通过构造混沌伯努利测量矩阵(CBMM)对地震数据小波变换后的稀疏系数进行压缩,在下位机端实时编码;为了提高重构精度,采用贝叶斯小波树结构CS重构算法(BTSWCS),根据小波树结构统计特性,构建一个分层贝叶斯CS先验模型,利用马尔科夫链蒙特卡洛推理对模型参数后验估计,在上位机端恢复原始数据。实际地震数据处理表明,使用本方法对总采样点为2~8的数据压缩,压缩时间可缩短至1.0×10^(-5)s。低信噪比情况下,本文重构算法使峰值信噪比(PSNR)值至少提升5dB。

采用压缩感知的直扩测控信号处理

鉴于扩频测控系统宽带化带来的高速采样压力和高数据率问题,研究了基于压缩感知的直扩测控信号处理方法。通过深入分析直扩测控信号稀疏性,构造了延时-多普勒基字典,提出了基于压缩感知直扩测控信号处理框架,并针对直扩测控信号特点给出了改进正交匹配追踪重构算法,最后针对该信号处理方法的可行性和性能分别进行了仿真实验。仿真结果不仅验证了方法的可行性,同时表明可以在不影响解调性能条件下大幅度降低采样率或数据率,并具有一定的降噪效果,这将为直扩测控通信系统提供一种高效的模数转换和同步解调处理方式。

Bernoulli Numbers ＆ Vandermonde Matrices

Matrix structuring is a very beautiful way to place Bernoulli numbers, by which a new view to the numbers is opened. Natural Numbers are mathematics seeds and Natural Number System （NNS） breeds the whole world mathematically.