权重化QR分解的正交匹配追踪算法硬件实现

为在小型化、低成本的硬件平台实现正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法,针对OMP算法中最小二乘法的问题,该文构造一个确定性的传感矩阵,提出一种低复杂度、低资源的权重化QR分解的OMP(Weighted QR decomposition OMP,WQR-OMP)算法硬件结构,在ZYNQ 7020型号芯片上搭建WQR-OMP SOC系统.WQR-OMP算法在传感矩阵进行QR分解后,根据三角矩阵R中元素的分布特性,通过权重化运算只保留主对角线上的元素而其他余元素归零,得到对角矩阵D,然后近似计算稀疏向量的解.实验结果表明:与基于QR分解的OMP(QR decomposition OMP,QR-OMP)和Batch-OMP算法的硬件结构相比,WQR-OMP算法硬件结构的重构速度更快、存储资源更少.在压缩率为0.25的条件下,WQR-OMP SOC系统对256×256分辨率图像的重构时间为400 ms左右,其速率比仅使用ARM处理器的重构速率提高了约6.3倍.与其他现有研究对比,该系统在Block RAM存储资源消耗较少的情况下,进一步提升了重构速度,适用于存储资源受限的硬件平台.

分段取阈值正交匹配追踪反卷积声源识别算法

正交匹配追踪反卷积声源识别算法(orthogonal matching pursuit deconvolution approach for the mapping of acoustic sources, OMP-DAMAS)具有极高的计算效率、空间分辨率和重构精度,被广泛应用声源识别领域。但在实际的工程运用中,无法满足提前确定声源数目的条件,可能造成识别结果不准确。因此提出了一种分段取阈值的OMP-DAMAS算法,在声源稀疏度未知的情况下,通过对内积和最小二乘解取阈值将伪声源和旁瓣对应的列序号从原子支撑集中删除,直接精确的识别出真实声源的位置。仿真和试验结果表明了所提算法与传统的延时求和算法相比,可以明显的减小主瓣宽度,提高空间分辨率,同样能达到OMP-DAMAS算法的重构效果,对噪声具有较好的鲁棒性,且具有极高的识别稳定性。

一种稀疏度自适应分段正交匹配追踪算法

针对分段正交匹配追踪(St OMP)算法需要信号的稀疏度作为先验信息且重构精度较低的特点,提出一种稀疏度自适应分段正交匹配追踪算法。首先,通过对观测矩阵与初始残差相乘所得的残余相关性向量进行离散余弦变换,估算出支撑集所要扩充的最大原子数;其次,采用与抽样率成正相关的因子对较大的阈值参数进行适当修正,并对通过设定阈值所选取的原子进行优化处理;最后在St OMP算法的框架下采用变步长的方法实现稀疏度的逼近和信号的精确重构。仿真结果表明:本文所提出的算法对信号的稀疏度具有很好的自适应特性,并且在保持了较低重构复杂度的同时具有更稳定的重构质量。

分段正交匹配追踪(StOMP)算法改进研究

信号重构是压缩感知的核心技术之一,而其重构精度和所耗时长直接影响其应用效果。现今分段正交匹配追踪算法(StOMP)因耗时短而得到广泛应用,但也存在着重构精度差、稳定性低的缺点。提出一种基于粒子群优化(PSO)算法且同时具有回溯特性的StOMP改进算法(ba-IWPSO-StOMP),即首先在StOMP算法的一次原子选择上,引入回溯策略,实现原子的二次筛选;在每次迭代计算中,使用具有惯性权重指数递减的PSO(IWPSO)算法对传感矩阵中部分原子进行优化,从而实现更高精度,更少迭代次数的信号重构。对一维信号和二维图像的重构结果表明,在稀疏条件相同的情况下,算法在收敛时间较短的情况下,其重构精度明显优于StOMP等同类算法。

基于压缩感知和分段正交匹配追踪StOMP算法的优化

在分析分段正交匹配追踪StOMP算法迭代过程中多原子匹配方法的基础上,为了进一步减少算法迭代次数,提高重构精度,提出了基于互相关向量的自适应极限因子选取和迭代结束条件重设的优化方法。通过MATLAB编程实验,在随机给定稀疏度为K的测试数据条件下,优化后的算法较StOMP算法迭代次数减少1-2次,重构精度提升约1%,鲁棒性增加,而运行时间开销相差无几。

基于模糊阈值的回溯分段弱正交匹配追踪算法

为提高分段弱正交匹配追踪(Stagewise Weak Orthogonal Matching Pursuit,SWOMP)算法的重构质量,改进SWOMP算法的重构性能,提出一种基于模糊阈值的回溯分段弱正交匹配追踪(Backtracking Stagewise Weak Orthogonal Matching Pursuit Algorithm based on Fuzzy Threshold,FTB-SWOMP)算法。该算法首先通过采用SWOMP算法初始化选取一些大于门限的原子,在每次迭代过程中引入回溯,采用基于模糊阈值的回溯方式删掉个别错误原子,实现自适应的选取原子来更新支撑集,每次迭代的过程不断更新扩大支撑集,逐步逼近信号的稀疏度。实验结果表明,相同实验条件下,新算法能够以高概率恢复原始一维信号,且重构误差小;对于在二维图像上的应用,新算法仍保证重构时间短的优势,并比原算法具有更好的重构精度。

回溯正则化分段正交匹配追踪算法

针对分段正交匹配追踪（STOMP）算法对信号重构效果较差的问题，提出一种回溯正则化分段正交匹配追踪（BR-STOMP）算法。首先，该算法采用正则化思想选取能量较大的原子，以减少阈值阶段候选集中的原子；然后，利用回溯对原子进行检验，并对解的支撑集中的原子重新筛选一次，同时删除对解的贡献较低的原子，提高算法的重构率；最后，对感知矩阵进行归一化处理，使算法更加简单。仿真结果表明：BR-STOMP算法与正交匹配追踪（OMP）算法相比较峰值信噪比提高8％～10％左右，运行时间减少70％～80％；与StOMP算法相比较，峰值信噪比提高19％～35％。BR-StOMP算法能够精确地恢复信号，重建效果优于OMP算法和StOMP算法。

基于正交匹配追踪的并行采样信号重构方法

为解决从超高速并行采样系统的海量数据中提取有效信息进行存储并准确重构信号这一关键问题,提出了一种基于压缩感知的重构方法——基于粒子群优化的预选分段正交匹配追踪(PPStOMP)算法,从少量低维有效信号中精准恢复原始高维信号进行上位机显示。对改进算法本身的主要输入参数进行仿真测试,得到阈值、步长、最大迭代次数在不同采样率下的推荐取值范围。最后利用图像和采样信号作为原始数据,将改进算法与其他正交匹配跟踪算法进行对比实验,实验结果表明PPStOMP算法的重构性能稳定且良好。

基于差分正交匹配追踪和Prony算法的低频振荡模态辨识

根据实测数据对电力系统低频振荡模态进行辨识,有助于实现电力系统有效的阻尼控制,从而提高电网的稳定性。文中介绍了利用Prony算法辨识低频振荡模态参数的原理,针对Prony算法对噪声干扰敏感以及模型阶数辨识困难导致出现伪模态的缺点,提出了一种基于差分正交匹配追踪(DOMP)和Prony算法相结合的低频振荡模态参数辨识方法。EPRI-36节点系统和实际系统相量测量单元数据算例的仿真结果表明,所述方法能够准确地辨识出系统低频振荡模态参数。通过与Prony算法结果对比验证表明,该方法辨识结果更加准确,能够满足低频振荡模态参数辨识要求。

基于改进遗传算法的正交匹配追踪信号重建方法

针对压缩传感现有重建算法的缺陷:重建速度慢,在给定迭代次数的条件下进行重建,缺乏自适应性等,提出了一种改进的遗传算法与正交匹配追踪算法相结合的方法来构造重建矩阵。首先采用改进的遗传算法从测量矩阵的列中以最优染色体的形式选出与当前冗余向量最大程度相关的列,然后从测量矩阵中减去最优染色体部分并反复迭代,直到满足重建精度。实验结果表明,与现有的重建算法相比,在满足相同的重建精度条件下,该方法所需要的重建时间减少了5s左右,所需要的测量矩阵规模减小了约10%,而且能在待重建信号稀疏度未知时自适应地控制迭代停止时间。

齿轮箱故障诊断中的正交匹配追踪算法

为通过齿轮箱的振动信号进行故障诊断,应用正交匹配追踪算法对振动信号进行处理.齿轮箱的振动信号包含了齿轮箱运行状态特征,但同时也掺杂了大量噪声信号,总体呈现出非平稳性.齿轮箱故障诊断的关键是从齿轮箱的振动信号中剔除冗余信息,用少量特征信息准确的表达信号,完成对信号中故障特征的提取.传统的频域分析法,只能从频域图上定性的判断故障,无法做到定量判断.正交匹配追踪算法是一种定量提取特征的方法,在傅里叶正交基下对振动信号进行时域向频域的映射,在频域上定量的得到主要特征,再根据主成分分析思想,提取出3组主要特征点,将已知故障分类的信号特征与待检测信号的特征进行对比,通过频域的位置和幅值的两次比较,判断故障状态,实验证明该方法可以准确的判断出齿轮箱从正常状态到100%磨损的5个不同形态的特征,完成对齿轮箱的故障诊断和分类.

基于相干累积量分段正交匹配追踪方法的轴承早期故障稀疏特征提取

低速重载机械出现早期故障时,振动信号中体现故障特征的微冲击成分具有稀疏性。根据振动动力学模型建立的故障信号过完备冗余字典,能实现对振动信号的稀疏逼近。分段正交匹配追踪(Stagewise orthogonal matching pursuit,StOMP)在正交匹配追踪(Orthogonal matching pursuit,OMP)的基础上,采用框架的思想对信号进行稀疏分解,不但克服了OMP方法导致的过匹配现象,也提高了算法的收敛速度,但在计算残差在子原子库的表示时计算量很大。基于相干累积量的StOMP方法根据故障信号过完备字典中各原子的相关性,分析了内置相干累积量和外置相干累积量的关系,并通过故障信号在字典中的内、外置相干累积量的值快速确定原子的位移因子和频率因子,进而为StOMP方法提供更为高效的子原子库选取策略,最后结合原子淘汰算法对影响不大的原子进行筛选,最终选出最能稀疏表示信号的一组原子。

基于局部随机化哈达玛矩阵的正交多匹配追踪算法

针对现有测量矩阵的优缺点,采用具有良好相关性、随机独立性及快速计算的局部随机化哈达玛矩阵作为测量矩阵,同时针对标准正交匹配追踪算法在测量过程中受扰或在稀疏信号情况下难以稳定精确重构问题,提出了一种基于局部随机化哈达玛矩阵的正交多匹配追踪算法。该算法利用局部随机化哈达玛矩阵的结构特性,能够快速精确重构原信号。仿真结果表明,测量过程中存在噪声或无噪,无论处理一维信号还是二维图像信号时,该算法性能均超过同类其他贪婪算法和凸优化基匹配法。

稀疏度自适应分段正交匹配追踪算法改进

在基于压缩感知的信号重构问题中,有一类常见情况——未知信号稀疏度.针对此类情况,提出稀疏度自适应分段正交匹配追踪(Sparsity Adaptive Stagewise Orthogonal Matching Pursuit,SAStOMP)算法,该算法将自适应思想、变步长迭代思想与分段正交思想相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,最终实现信号的精确重构.仿真结果表明,针对长度为256位的原始信号,该算法重建效果优于正交匹配追踪算法、正则化正交匹配追踪算法和分段正交匹配追踪算法等.

基于块A~＊正交匹配追踪的多传感器数据联合重构算法

针对A*正交匹配追踪(A*OMP)算法计算复杂高,且不能利用信号的结构稀疏性这一缺陷,该文提出了块A*OMP算法并将其用于解决分布式压缩感知中的信号联合重构问题。该算法用原子块取代单个原子作为搜索树中的节点,在计算路径代价时用搜索树中所有路径的最大长度取代信号的稀疏度。然后在块A*OMP算法的基础上,选择与残差矩阵投影误差最小的原子块作为新的节点,得到了一种用于解决MMV(Multiple Measurement Vector,MMV)问题的块A*OMP算法,并利用该算法对相邻区域内的多个传感器所测的温度信号进行了联合重构。实验结果表明,该算法的重构性能优于MMV正交匹配追踪(OMPMMV)算法。

基于改进果蝇优化算法正交匹配追踪的超声信号降噪方法

降噪是超声信号处理的重要环节,正交匹配追踪是一种常用的降噪方法,传统正交匹配追踪算法计算量大、分解精度不高,无法提取强噪声背景下的超声信号.本文提出了一种结合果蝇优化算法和正交匹配追踪的超声信号降噪算法,将正交匹配追踪中的“贪婪”搜索转换为Gabor函数的参数优化问题,利用果蝇优化算法估计Gabor函数的最优值,采用自适应步长以提高果蝇优化算法的全局遍历性,同时引入高维广义CAT映射以跳出局部最优,最后由寻找到的最佳原子重构超声信号.为验证算法的有效性,对仿真的多频超声回波信号和实验采集的锻件试块超声回波信号进行了降噪处理,结果表明,本文提出的方法能有效提取强噪声背景下的超声信号.

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。

基于正交匹配追踪算法的谐波源定位方法

为了在系统非全局可观时,仍能对节点注入谐波电流进行估算,对电网中的谐波源进行有效定位,文章提出了一种基于正交匹配追踪算法的谐波源定位方法。提出方法根据已知量测量和量测矩阵,基于压缩感知理论中的正交匹配追踪算法对欠定的系统谐波状态方程进行求解,估算了节点注入谐波电流,实现了系统一定程度非全局可观时的谐波源有效定位。通过与其他方法的仿真对比分析,验证了在改变谐波源数目和位置以及考虑测量误差时,提出方法具有更好的定位效果,说明了提出方法具有较高的适用性和抗干扰能力。

基于随机支撑挑选的广义正交匹配追踪算法

针对广义正交匹配追踪(GOMP)算法复杂度高、重构时间长的问题,提出了一种基于随机支撑挑选的GOMP(StoGOMP)算法。首先引入随机支撑挑选的策略,在每次迭代中随机生成一个概率值。然后通过比较此概率值与预设概率值的大小来决定候选支撑集的挑选方式:若此概率值小于预设概率值,则采用匹配计算方式;否则,采用随机选择方式。最后根据得到的候选支撑来更新残差。这种方式充分考虑了算法单次迭代复杂度和迭代次数之间的平衡,减少了算法的计算量。一维随机信号重构实验结果表明,在预设概率值为0.5、稀疏度为20时,StoGOMP算法相较GOMP算法达到100%重构成功率所需的采样数减少了9.5%。实际图像重构实验结果表明,所提出的算法具有与GOMP算法相当的重构精度,且在采样率为0.5时,所提算法的重构时间相较于原算法减少了27%以上,这说明StoGOMP算法能够有效减少信号的重构时间。

采用双正交小波和分段正交匹配追踪实现压缩感知图像重构研究

采用B样条双正交小波实现图像的稀疏化,用低采样率对高频子带进行压缩感知采样,通过分段正交匹配追踪重建算法实现图像重构.实验结果表明:方案具有较好的图像重构效果,在低通滤波器消失矩相同的情况下,高通滤波器的消失矩越高,图像的压缩感知重构效果越好.随着高通滤波器消失矩的增加,重构图像的效果改善程度减缓,计算复杂性增加.