重建误差Huber范数最小化约束的压缩感知方法

地震数据中存在异常强噪声,基于重建误差L2范数最小化约束的压缩感知方法假设重建误差满足高斯分布。因此,上述压缩感知方法不能去除满足超高斯分布的异常噪声。为了更好地消除异常噪声并提高插值精度,提出采用Huber范数代替L2范数对重建误差施加最小化约束,Huber范数的最小化约束实际上等价于对大重构误差(异常噪声)的L1范数最小化约束和对小重构误差(高斯随机噪声)的L2范数最小化约束,因此对异常噪声具有很好的鲁棒性。通过引入理论上构建的伪地震数据将Huber范数最小化问题转化为L2范数最小化问题,可以有效地求解基于重建误差Huber范数最小化约束的压缩感知方法的Huber-L0最优化问题。另外,还讨论了高斯随机噪声的强度、异常噪声强度和参数选取对插值精度的影响。模型数据和实际数据的处理结果表明:与基于重建误差L2范数最小化约束的压缩感知方法相比,基于重建误差Huber范数最小化约束的压缩感知方法可以更好地消除异常噪声,并保护有效信号。

基于受限玻尔兹曼机的压缩感知方法研究

该文提出了一种心电信号的压缩感知方法,该方法利用受限玻尔兹曼机的表征能力来模拟同一类信号的稀疏模式的先验分布。然后,将确定的概率分布用于最大后验方法以重构信号。从训练数据集中学习先验分布的参数。此方法的旨在是模拟稀疏表示系数之间的高阶统计依赖关系,最终达到改进重构的目的。在Physikalisch-Technische Bundesanstalt(PTB) Diagnostic心电信号数据库上验证了所提出的方法的性能。

压缩感知伪随机动态功率信号的电能测量方法

针对压缩感知检测方法不能准确测量伪随机动态测试信号电能量值的问题,该文首先分析了动态测试信号的频域稀疏性,证明动态测试信号满足压缩感知检测的条件;然后采用系统稳态优化的方法,构造了一种确定型压缩感知测量矩阵,证明其符合限制等距特性(RIP)条件,最后提出了一种新型压缩感知动态测试信号电能量的测量方法。实验结果表明:该文压缩感知测量方法的理论相对误差优于传统的采样功率电能测量方法,能够实现m序列动态测试信号的电能量值准确测量。

基于多层分块自适应压缩感知的图像编解码方法

压缩感知中,测量矩阵对图像进行单一采样率的压缩采样。传统的测量矩阵虽然能够获得比较好的重构效果,但因采样数目较多,故而资源耗费也较多。为了解决上述问题,提出了多层分块自适应编码算法(multi-layered block adaptive coding algorithm,MLBA)以及多层分块自适应压缩感知编解码方法(multi-layered block adaptive compressed sensing codec method,MLBACS)。MLBACS编解码方法基于MLBA编码算法,能够根据图像局部结构进行不同层数和大小的分块,并自适应分配采样率。仿真结果表明,在同等重构性能的前提下,相对于单一采样率下的压缩感知,MLBACS编解码方法能够不同程度地降低重构图像所需的采样数目。

上海佘山地震台阵远震记录的压缩感知分析

将压缩感知方法应用于上海佘山地震台阵远震定位,对于该台阵记录的M_S 5.5以上全球地震事件,根据震级大小、地震波走时、事件分布,筛选得到45个远震事件记录,采用分析压缩感知及传统方法,计算最优反方位角和慢度值,发现压缩感知方法在地震台阵的远震定位中表现良好;对于震相较为复杂的地震,在求取能量最大及超过最大能量95%以上的点,得到最终源信号,也就是震源位置,压缩感知方法具有更高的分辨率。

m序列伪随机动态测试信号建模与压缩检测方法

针对智能电网中动态负荷对电能计量的影响问题,建立了m序列伪随机动态测试信号的参数模型,并分析了该测试信号的统计特性;证明了该动态测试信号的频域稀疏性,采用压缩感知理论建立了伪随机动态测试信号的压缩感知检测系统模型,采用稳态优化方法构建了压缩感知测量矩阵;在此基础上,针对m序列伪随机动态测试信号,提出了电能量值的压缩感知测量方法;仿真分析了长度为255位、511位、1023位单周期和多周期m序列动态测试信号的相对误差,误差均小于10^(-12),可忽略不计,表明所提压缩感知测量方法能够准确测量伪随机动态测试信号的电能量值。