基于运动估计与回溯自适应正交匹配追踪的视频压缩传感

为了解决传统视频压缩传感方法中对视频逐帧单独重构所产生的图像模糊,将压缩传感理论与MPEG标准视频编码的相关技术相结合,提出了一种基于运动估计与运动补偿的视频压缩传感方法,以消除视频信号在空域和时域上的冗余。该方法在充分考虑视频序列时域相关性的同时,首先对视频图像进行前、后向和双向预测和补偿,然后采用回溯自适应正交匹配追踪(BAOMP)算法,对运动预测残差进行重构,最后实现当前帧的重构。实验结果表明,该方法较逐帧重构的视频图像质量有较大改善,且可获得更高的峰值信噪比。

基于正交匹配追踪的深度波数谱分解及其在含油气储层预测中的应用

常规时间域地震属性分析是利用由叠前深度偏移数据转换至时间域的数据,这种转换将造成有效高频信息的损失,为了充分利用深度域资料成像精度高的优势,有必要开展深度域资料属性分析工作。由于深度域波数与频率和波速有关,如何获得高分辨率深度波数谱是深度域地震属性分析的关键。采用基于稀疏反演的谱分解方法,通过建立深度域过完备子波库,利用正交匹配追踪算法提高深度波数谱计算分辨率,通过理论模型的深度波数谱属性计算,并与时频谱属性进行对比,分析含油气储层的深度波数谱变化特征,通过实际资料的深度波数谱属性分析应用,验证利用深度波数谱进行含油气性预测的实用性。结果表明,基于正交匹配追踪算法的深度波数谱分解方法具有较高分辨率,可作为深度域含油气储层预测的高精度手段之一。实际数据应用表明,深度波数谱含油气储层下方出现低波数伴影现象,可作为深度域指示油气储层存在的标志,基于正交匹配追踪的深度波数谱分解方法可有效识别低波数伴影异常,对深度域地震资料进行含油气储层预测。

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.

正交匹配追踪优化稀疏频散Radon变换多模式导波分离方法

原始频散Radon变换(DRT)方法中的有限孔径效应以及算子非正交性影响了DRT导波信号参数提取的精度,因此提出了一种稀疏频散Radon变换方法以实现更精确的导波混叠模式分离和参数估计。该方法基于导波信号的参数域稀疏性,引入正交匹配追踪算法构造代价函数,经多次迭代在频散Radon域中获得稀疏能量谱,可精确分离阵列导波信号中的混叠模式并去噪。对不同信噪比下各模式仿真信号,稀疏DRT方法的信号重建误差较原始频散Radon变换方法下降51.1%。仿真和实验验证了所提算法在导波模式参数提取和混合模式分离方面的可靠性。

一种基于正交匹配追踪算法的表面肌电信号重建方法

针对表面肌电信号(Electromyography,EMG)重建问题,提出一种基于正交匹配追踪算法的表面肌电信号重建方法.首先,介绍压缩感知模型,并结合稀疏表示理论进行分析.然后,采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对肌电信号进行重建,并详细探讨该算法在不同信号压缩比和信噪比条件下的性能表现.最后,进行实验验证.仿真结果表明,压缩感知在表面肌电信号重构中是一种有效且可行的方法.

基于改进正交匹配追踪的FBG传感信号处理方法

针对光纤布拉格光栅(FBG)传感信号易受外界噪声干扰从而导致信号丢失的问题,提出了一种改进型正交匹配追踪(OMP)算法。围绕FBG传感信号波长随应力漂移的本质特征,在压缩感知理论的框架下,通过去除稀疏系数中的虚部,并利用指数饱和法对非零元素进行拟合与排序,从而获取FBG信号的有效稀疏度。在此基础上,通过改进经典OMP算法迭代过程中的原子选择策略与终止条件,有效降低算法复杂度并提高信号的重构精度。对比实验结果表明,所提出的算法在时间复杂度、信噪比与信号重构精度等方面均具有突出的优势。

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。

基于近红外光谱的小波变换结合正交匹配追踪建立秦艽中龙胆苦苷的定量分析模型

针对近红外光谱高维小样本数据以及信号具有稀疏先验的特点,提出了小波变换(WT)结合正交匹配追踪(OMP)建立秦艽中龙胆苦苷定量分析模型的方法。将204个秦艽样品按照Kennard-Stone法以3∶1的比例进行划分,得到153个校正集样品和51个测试集样品,利用傅里叶变换近红外光谱仪采集样品的近红外光谱,采用WT对原始近红外光谱数据进行预处理,选择小波基函数为Daubechies(db5),小波分解层数为5,小波阈值为0.1,采用OMP建立龙胆苦苷的定量分析模型。结果表明:该模型预测性能较好,校正集对应的决定系数(R_(C)^(2))为0.9940,校正均方根误差(RMSEC)为0.0819,测试集对应的决定系数(R_(P)^(2))为0.9854,预测均方根误差(RMSEP)为0.1124;利用所建模型分析204个秦艽样品,龙胆苦苷预测值与参考值基本一致。

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。

前向预测与回溯结合的正交匹配追踪算法

在基于压缩感知的正交匹配追踪算法中,候选集原子的选取对最终的重建性能至关重要.文中结合前向预测和回溯两种策略更新候选原子集,提出了一种基于预测与回溯的正交匹配追踪(LABOMP)算法.该算法通过设定阈值将所有迭代划分为前后期,在迭代前期,通过预测原子在未来迭代中的性能选择最佳原子;在迭代后期,加入回溯策略,每两次迭代淘汰一个前面错误选择的原子.实验结果表明:LABOMP算法是实用有效的,由于加入回溯策略修正了预测算法LAOMP的不足,使迭代后期高斯稀疏信号与二值稀疏信号的精确重建概率较LAOMP算法分别平均提高了12.5%、18.2%.

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。

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。

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。

分段弱选择自适应正交匹配追踪算法

为提高压缩感知图像的重构质量,提出一种分段弱选择自适应正交匹配追踪算法(SWAMP)。结合维纳滤波器,采用光滑PL分块压缩感知恢复算法(BCS-SPL),提高重构效率。通过自适应设定阈值对残差与观察矩阵的相关性进行判定,使得不再受经验影响构建初始候选集。通过引入弱选择标准,使算法能自适应地更新支撑集,重构原信号。仿真结果表明,在相同的测试环境下,SWAMP算法在稀疏一维信号和图像二维信号方面整体优于其它同类算法,具有用时少稳定性高的特点。

基于改进正交匹配追踪算法的振动信号修复方法

当振动信号数据成段连续丢失,实现压缩感知理论解决丢失信号数据修复时,在信号重构阶段,正交匹配追踪算法(OMP)的迭代误差会在下一次迭代循环中继续传导,导致该算法的稳定性变得更差。由此提出了一种改进的正交匹配追踪算法(IOMP),利用离散余弦变换得到完备字典矩阵,设计了一种适应于缺失振动信号的观测矩阵,最后分别利用OMP算法与IOMP算法完成缺失振动信号的重构。通过数据仿真和实测数据的实验对比,结果表明IOMP算法在振动信号的损失为10%和20%时,均能够减小重构信号与原始信号之间的绝对误差。对信号损失20%时进行定量数据分析,重构信号的统计特性更接近原始信号的统计特性。

正交匹配追踪和BIC准则的自适应双频段预失真模型优化算法

针对双频段预失真模型复杂度高以及当前的模型优化算法不具有自适应性的问题,提出一种自适应的模型优化算法.采用双频段广义记忆多项式作为预失真模型,通过正交匹配追踪算法对原始模型的基函数项进行排序,每次迭代时用所有已挑选的基函数项构成备选模型,推导了模型输出向量元素服从非独立同分布情况下的贝叶斯信息准则(Bayesian Information Criterion,BIC),并将BIC值最小的备选模型作为优化后模型,从而在原始模型稀疏度和拟合误差门限未知情况下,实现了模型的自适应优化.结果表明:优化后模型与原始模型相比,二者分别预失真后的信号在邻道功率比和归一化均方误差方面均非常接近,预失真效果良好,而模型的系数量减少了75%以上.

改进的回溯正则化自适应匹配追踪算法及应用

针对压缩感知重构时存在的回溯过度问题,研究了一种改进的回溯正则化自适应匹配追踪(IBRAMP)算法。首先,利用自适应阈值随机地进行原子选取,并通过回溯剔除错误原子的方法来提高重构的正确率。其次,在回溯的同时,通过更新剔除原子序数对应的观测矩阵列来避免回溯过度问题。最后,对观测矩阵进行归一化处理,减少重构时间。实验结果表明,该算法在具备更高成功重构率的同时,能够大幅度减少重构时间。将其用于实际故障轴承信号的重构中,重构结果无论在时域还是在频域中,都能准确地反映实际轴承故障信号中的故障特征。

一种稀疏度自适应广义正交匹配追踪算法

针对压缩感知(Compressive Sensing,CS)在信号重构时稀疏度往往未知,导致过估计及重构误差变大、复杂度高等问题,通过分析重构残差与支撑集原子数目之间的变化关系,提出一种稀疏度自适应广义正交匹配追踪算法,该算法无需原始信号稀疏度的先验知识。首先,算法采用分阶段变步长的方式扩充支撑集原子数,然后在迭代后期重构残差变化缓慢时改变原子搜索策略精确估计稀疏度,完成原始信号的重构。仿真实验将完成重构所需迭代的次数作为算法复杂度衡量标准,将重构精度、准确重构率及重构运行时间作为评判算法性能的指标。结果表明,该算法重构概率远高于传统的OMP、gOMP算法,重构图像视觉效果更佳,且运算时间低于同类盲稀疏度算法。

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。

基于二次筛选的回溯广义正交匹配追踪算法的稀疏信号重构

压缩感知是一种新型的信号采样及重构理论,高效的信号重构算法是压缩感知由理论转向实际应用的枢纽。为了更精确地重构出原始稀疏信号,本文提出一种基于二次筛选的回溯广义正交匹配追踪算法。首先采用内积匹配准则选出较大数目的相关原子,提高原子的利用率。其次利用广义Jaccard系数准则对已选出的原子进行二次筛选,得到最匹配的原子,优化原子选取方式。实验结果表明,在不同稀疏度和观测值下进行信号重构,相比于回溯广义正交匹配追踪算法、正交匹配追踪算法及子空间追踪算法,本文算法在重构误差及重构成功率方面有较大的优越性。