基于深度学习的两阶段多假设视频压缩感知重构算法

传统视频压缩感知重构算法重构时延过长,新发展的基于神经网络的视频压缩感知重构算法虽解决了高耗时的问题但未能充分利用视频的时空相关性,重构质量较差。为了解决上述问题,文中提出了基于深度学习的两阶段多假设视频压缩感知重构算法(2sMHNet)。首先,采用时域可变形卷积对齐网络实现基于像素的深度学习多假设预测,在避免了块效应的同时通过自适应参数学习提高了假设集的匹配准确性与权重的计算精度,充分地挖掘了时间相关性得到高质量的预测帧;然后,构建残差重构模块以实现预测帧残差的观测域重构,进一步提升重构质量;最后,为了充分利用图像组帧间相关性,提出了两阶段串行式重构模式,在第一阶段利用细节信息丰富的关键帧提升非关键帧重构质量,在第二阶段利用相关性更强的相邻帧再次进行运动补偿重构,适应运动快且复杂的序列。仿真结果证明,2sMHNet相比于目前优秀的视频压缩感知重构算法具有更加优良的重构性能。

改进的离散混合蛙跳算法压缩感知信号重构及应用

针对工程离散优化问题特点,定义了具有普遍意义的青蛙编码方式,设计了编码位调换更新机制,提出了自适应权重因子和双模子族群策略。在此基础上,将改进的离散混合蛙跳算法（Discrete shuffled frog leaping algorithm,DSFLA）应用于压缩感知重构算法中,将未知重构信号理解为青蛙编码方式,利用DSFLA算法全局寻优能力得到次最优信号重构信息,从而实现了稀疏度未知情况下的信号重构。最后对典型TSP（Travelling salesman problem）问题算例和WSNs多目标定位问题进行仿真,仿真结果表明：改进的DSFLA具有更强的复杂问题求解能力,基于改进DSFLA压缩感知重构算法的WSNs目标定位精度优于传统信号重构算法,且抗噪能力达到25~45dB。

基于压缩感知重构算法的哈达玛鬼成像

将压缩感知重构算法应用到哈达玛鬼成像中,以实现在较低采样率下恢复出待测物体的信息。该方案比哈达玛鬼成像的重构次数更少,所需要的采样次数也减少。使用观测时间和计算结构相似性指标这两个参数作为评价图像质量的客观标准,比较SP算法和OMP算法下哈达玛鬼成像的重构结果。经过模拟仿真和实验验证后,发现在哈达玛鬼成像的基础上,采用OMP算法与哈达玛鬼成像相结合,可以得到成像速度更快,成像质量较好的重构图像。