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。

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。

基于改进压缩采样匹配追踪算法的机械振动信号恢复

为了解决压缩感知重构算法对于机械振动信号的残缺数据恢复不佳的问题,提出一种改进压缩采样匹配追踪算法,对缺失信号进行修复重构。对比几种同类的贪婪重构算法恢复缺失信号的效果。通过仿真数据和实测数据验证算法对信号的恢复效果。结果表明:改进方法能够很好地实现对缺损信号的修复,且重构概率远远高于其他重构算法,比较压缩采样匹配追踪算法与其改进算法发现:在稀疏度为50时,改进算法的重构概率可以达到100%,而未改进的压缩采样匹配追踪算法重构概率为0,说明改进算法的重构效果优于原算法,重构出来的信号可以准确地表现原始信号的全部信息。

基于变步长分阶自适应匹配追踪算法的振动数据重构方法研究

在处理多维海量振动数据时,存在极大的存储和传输压力问题,针对这一问题,对压缩感知理论进行了研究,在选择最优测量矩阵的基础上,提出了一种变步长分阶自适应匹配追踪(VSSStAMP)算法。该算法将匹配追踪、变步长迭代及自适应思想相结合,通过双重阈值和可变步长控制信号的重构精度,弥补了传统的重构算法需提前得到信号的稀疏度,以及稀疏度自适应匹配追踪算法(SAMP)重构结果与步长关联较大的不足,从而实现了步长自适应的振动信号重构。研究结果表明:相对于传统的重构算法和SAMP算法,VSSStAMP算法在均方误差和运行时间等方面均有所改善,有效地提高了振动信号重构的精度和效率。

阈值稀疏自适应匹配追踪图像重构算法

针对稀疏度自适应匹配追踪算法(SAMP)在进行图像重构时存在重构精度低及计算复杂度高的问题,本文提出了一种基于阈值控制的稀疏度自适应匹配追踪(T-SAMP)算法.基于回溯迭代的正交匹配追踪(BAOMP)算法在原子选择阶段,采用阈值核查所选的可靠原子及删除不可靠原子,将核查可靠原子步骤作为SAMP算法迭代前的预处理步骤,以寻找到信号的最大近似系数,以提高重构精度以及降低算法复杂度.仿真结果表明,与SAMP算法相比,所提出的T-SAMP算法能平均提高3dB峰值信噪比,算法平均运行时间降低约60%.

电能质量信号重构的广义–正则化正交匹配追踪算法

提出了一种基于压缩感知理论的广义–正则化正交匹配追踪(GROMP)算法、并用于电能质量信号重构。这种GROMP算法先基于广义正交匹配追踪算法选择原子并形成原始支撑集,再增加正则化方法对原始支撑集进行二次挑选形成最终支撑集,然后借助最小二乘法更新残差、重构出原信号。它既弥补了广义正交匹配追踪算法精度较低的不足,又克服了正则化正交匹配追踪算法稳定性差和计算量大的缺点。对暂态和稳态电能质量信号重构的仿真结果表明,新的GROMP算法对多种测量矩阵的适应度好。与传统的广义正交匹配追踪算法和正则化正交匹配追踪算法相比,这种新的GROMP算法不仅对各种电能质量信号重构的精度高,而且在压缩比较小时稳定性好。

语音自适应压缩采样匹配追踪重构算法

基于小波分解下的语音压缩编码与重构框架,研究分析了含噪情况下贪婪算法的重构性能和抗噪性能,提出了一种改进的自适应压缩采样匹配追踪算法(ACoSaMP)。该算法可在稀疏度未知的情况下,通过设置可变步长分阶段实现对稀疏度的逼近。同时,在每次迭代过程中,用最小二乘法对残差信号进行估计,代替传统CoSaMP算法对整个信号的估计。最后用小波去噪法对合成语音进行处理。实验结果表明:不同压缩比下,该算法的主客观重构效果均优于现有同类算法,对噪声有较强的鲁棒性。

改进的正交匹配追踪超声图像重构算法

针对正交匹配追踪(OMP)算法中超声图像重构时间较长、重构质量不佳的问题,通过结合SP算法的思想,采用共轭梯度算法替换OMP算法中的最小二乘法求取估计值进行图像重构的仿真实验,采用图像的PSNR值以及重构时间进行质量分析,实验结果表明:改进算法能够有效减少重构时间,提高图像的重构质量。

多候选集广义正交匹配追踪算法

针对压缩感知中贪婪类信号重构算法精度不高的问题,提出一种多候选集广义正交匹配追踪算法.按照测量矩阵与残差内积的相关性选出多个原子作为多个候选集,然后在迭代时分别将多个原子加入对应候选集,以提高算法收敛速度.从多个候选集中选出残差最小的一个作为最终支撑集,实现信号的精确重构.实验表明,该算法与已有的同类算法相比能更好地重构原始信号,且算法复杂度较低.

一种改进的稀疏度自适应匹配追踪算法

压缩感知理论是一种充分利用信号稀疏性或可压缩性的全新信号获取和处理理论。针对未知稀疏度信号重构,提出了一种改进的稀疏度自适应匹配追踪算法。该算法首先利用一种基于原子匹配测试的方法得到信号稀疏度的初始估计,然后在稀疏度自适应匹配追踪(SAMP)框架下采用变步长分阶段思想实现稀疏度的逼近,在初始阶段利用大步长实现稀疏度的快速粗接近,以提高收敛速度,在随后的迭代中逐渐减小步长,实现稀疏度的精逼近,最终实现信号的精确重构。理论分析和仿真结果表明,该算法在一定程度上解决了SAMP算法在大稀疏度条件下运算量较大以及固定步长导致的欠估计和过估计问题,较好地实现了未知稀疏度信号的精确重建,且重建性能和重建效率均优于现有的同类算法。

一种基于变步长的稀疏度自适应匹配追踪算法

压缩感知(Compressed Sensing,CS)理论突破了传统的采样定率,对于稀疏的或可压缩的信号,可同时进行采样和压缩。其中重构算法是压缩感知理论的研究热点之一,对采样过程的正确性验证有着重要意义。稀疏度自适应匹配追踪算法(Sparsity Adaptive Matching Pursuit,SAMP)在迭代过程中采用固定步长,容易导致过估计和欠估计。为解决该问题,根据相邻信号能量差的变化规律,在迭代过程中采用对数型的"变步长",即迭代的初始阶段步长增长速度较快,当能量差达到一定阈值时,则步长增长速度较慢,并设置双阈值严格控制逼近的精确度。实验表明,改进后算法提高了重构质量,尤其是在当采样率较低时,仍有较好的重构效果。

正则化自适应匹配追踪电能质量数据重构方法

为了有效改善传统方法应用在电能质量信号的采集和压缩方面所面临的资源浪费以及重构性能较差等问题,提出了一种基于正则化自适应匹配追踪的电能质量数据重构方法,此方法利用压缩感知理论,对电能质量信号进行采样和压缩并行处理。首先,对感知矩阵中的原子进行一次挑选并且计算相关系数,将挑选出的原子索引值存入至候选集中。然后,在电能质量信号稀疏度K不作为先验条件的前提下,对候选集中原子的数目进行自适应地调节,并运用正则化的处理过程完成支撑集的二次挑选,用步长逐步逼近信号的稀疏度进而准确重构出电能质量原始信号。仿真实验结果表明,信号的重构精度高于98.2%,并且能够保存原始电能质量信号大部分能量,重构信噪比高,均方误差小。

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。

基于压缩感知OMP改进算法的图像重构

正交匹配追踪(OMP)算法中迭代次数严格依赖信号的稀疏度K值,迭代次数选取适当会重构出高精确的图像,反之则会对图像重构质量造成严重影响。针对这一问题,提出了一种根据残差值的相对极差来确定最佳迭代次数的新方法。该方法要求在同一次迭代中对一幅图像的所有列同时进行迭代计算,根据极差的相对差值与门限值比较来确定最佳迭代次数,从而达到提高重构精度,消除对稀疏度K值依赖的目的。理论分析和仿真结果表明,改进的OMP算法比原有算法有更理想的重构效果,有更高的重构精度。

基于OMP算法的图像重构研究与FPGA实现

针对高分辨率的图像在采集过程中存在数据量较大的问题,提出了一种基于正交匹配追踪(OMP)算法的图像重构方法,设计了OMP算法的硬件结构,并在FPGA平台上进行了仿真验证;首先,研究了压缩感知算法的基本原理;然后,分别基于匹配追踪算法(MP)和正交匹配追踪算法实现了图像的重构;最后,通过仿真对比分析了这两种方法的图像重构结果,OMP算法误差在10^(-15)量级,明显优于MP算法的10^(3)误差量级,并且OMP算法的迭代收敛性也优于MP算法。

基于StOMP算法的WSN压缩感知数据重构

分段正交匹配追踪算法(StOMP)运算速度快、计算量小,适用于无线传感器网络(WSN)压缩感知数据重构。为此,分析并研究StOMP算法的门限阈值选取对WSN压缩感知数据重构精度的影响,提出一种StOMP算法门限阈值的自适应调整方法。基于比例-积分-微分方法的思想,根据StOMP算法的当次重构误差计算门限阈值的调整值,并使用调整后的门限阈值重新进行数据重构,重复该过程以提高重构精度。实验结果表明,该方法能快速找到满足误差要求的门限阈值,与采用固定门限阈值的调整方法相比,重构精度更高。

基于免疫匹配追踪的语音稀疏分解算法

针对标准匹配追踪(MP)算法在寻找最佳原子时计算量大的问题,提出一种基于免疫匹配追踪(IA-MP)的语音稀疏分解算法。该算法采用免疫克隆优化机制搜索最佳原子,利用抗体的种群规模控制冗余字典的大小,选择实数交叉与非均匀变异方法保证字典的完备性。仿真实验结果表明,与标准MP算法和遗传匹配算法相比,IA-MP算法可明显降低匹配追踪的计算量,算法性能较稳定,利用该算法分解后的稀疏信号具有较高的重构精度。

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。

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)。

应用分层自适应匹配追踪重构MEMS陀螺信号

对含噪微机械系统(MEMS)陀螺信号进行小波分解重构时,真实信号对应的小波系数很难选取,故本文提出一种分层自适应匹配追踪算法(LAMP)来解决上述问题。建立了含噪MEMS陀螺信号中信号小波系数稀疏提取架构,将信号小波系数提取问题转化为含噪信号中信号小波系数稀疏性的恢复问题。比较已有稀疏重构算法,采用一种新的LAMP算法,在各种可能的小波系数组合中挑选出分解系数最为稀疏的一组,以此消除信号中的噪声小波系数,进而重构MEMS陀螺信号。实验表明:提出的LAMP算法的稀疏重构效果优于其他迭代贪婪重构算法;基于LAMP的信号稀疏小波重构方法,可以有效去除MEMS陀螺信号的大量噪声;去噪前后,纯MEMS陀螺数据解算的方位角平均累积误差由10.060 2(°)/h减小到5.034 6(°)/h,优于传统小波阈值重构法平均累积误差8.596 8(°)/h,显示了较好的应用效果。