噪声情形下块稀疏信号恢复的充分条件

压缩感知是一种有效的信号采集技术,利用信号的可压缩性,通过采样与非线性算法完美地恢复信号.基于压缩感知理论,本文通过块正交匹配追踪算法,研究在l_(∞)有界噪声影响下恢复块稀疏信号和强衰减块稀疏信号的约束等距性质,给出保证该算法准确恢复原信号的充分条件,并通过数值实验对影响稀疏信号性能的因素进行分析比较.

多测量向量块稀疏信号重构ISAR成像算法

为实现有限脉冲快速逆合成孔径雷达(inverse synthetic aperture radar,ISAR)稀疏成像,利用ISAR目标块状结构特征,提出一种基于多量测向量(multiple measurement vectors,MMV)模型的块稀疏信号重构ISAR成像算法。首先,构建MMV稀疏成像模型,将ISAR成像转化为MMV块L0范数的稀疏重构问题。其次,选用负指数函数序列作为平滑函数去近似块L0范数,通过构建一个递减的参数序列,对平滑函数优化求解,采用梯度投影方法将所求解投影到可行解空间。最后,增加修正步骤,确保沿着最速下降方向对块稀疏信号优化求解。仿真结果验证了本文算法在成像时间和成像质量方面具有优势。

基于块稀疏信号重构的高分辨率ISAR成像算法

为实现快速高分辨率逆合成孔径雷达(Inverse synthetic aperture radar,ISAR)成像,充分利用目标的内在块稀疏结构信息,提出一种块平滑l_0范数稀疏重构ISAR成像算法.首先,将ISAR稀疏成像转化为块l_0范数的优化问题,采用一阶负指数函数趋近块l_0范数.其次,采用单循环步骤代替平滑l_0范数算法中的双循环结构,减小控制参数的间隔,实现对块稀疏信号的优化重构.该算法能够在块稀疏度未知时利用ISAR目标固有的内在结构特征进行高分辨率成像.仿真实验结果证实该算法的成像质量高且快于其它算法.

采用正交多项匹配的块稀疏信号重构算法

压缩感知,通过测量矩阵将原始信号从高维空间投影到低维空间,然后求解优化问题,从少量投影中重构出原始信号,是一种有效的信号采集技术。块稀疏信号是具有特殊结构的稀疏信号,其非零值是成块出现的。针对该信号的特点,提出一种采用正交多项匹配的块稀疏信号重构算法。该算法每次迭代选择多个最大相关子块,然后更新块索引集,以及迭代余量,最后求广义逆运算重构出原始信号。仿真结果表明,相比于大多数的现有算法,本文算法重构成功率较高,运行时间较短,复杂度较低。

基于非凸优化模型的块稀疏信号恢复条件

压缩感知(compressed sensing,CS)是一种全新的信息采集与处理理论,它表明稀疏信号能够在远低于Shannon-Nyquist采样率的条件下被精确重构.现从压缩感知理论出发,对块稀疏信号重构算法进行研究,通过混合l2/lq(0 <q≤1)极小化方法,利用块-限制等距性质建立一类改进的精确恢复条件(无噪声情形),并给出有噪声情形下的误差分析结果.

交替方向块稀疏信号快速重构算法

研究模型压缩感知中的块稀疏信号重构问题.在l2/l1模型基础上,提出一种基于交替方向法的块稀疏信号重构算法.在该算法中,首先对目标函数进行变量分裂,然后利用交替方向法对各变量进行交替更新,直至满足收敛条件.仿真实验中,将该算法与块正交匹配追踪和块压缩采样匹配追踪算法进行比较,结果表明该算法能够在保持高重构精度的前提下获得更快的计算速度.

通过混合l_(2)/l_(1)范数最小化实现块稀疏信号恢复

块稀疏信号恢复问题在很多领域都有非常重要的应用.将Karmalkar用于处理稀疏信号问题的方法推广至块稀疏信号,研究带噪声的块稀疏信号恢复问题,通过混合l_(2)/l_(1)范数最小化和高斯矩阵的性质,可以得到最小测量误差,精确地恢复块稀疏信号.

基于混合l_2/l_1范数极小化方法的块稀疏信号重构条件

研究压缩感知中的块稀疏信号重构问题,主要对混合l_2/l_1极小化方法建立了一类改进的可重构条件.具体地说,本文证明若测量矩阵满足条件δ_k+θ_(k,k)<1,则混合l_2/l_1极小化方法可精确重构(无噪声情形)或鲁棒重构(有噪声情形)原始块k-稀疏信号.进而表明本文给出的新条件弱于现有文献所给出的条件.

基于迭代重赋权最小二乘算法的块稀疏压缩感知

压缩感知是一种新颖的信号处理理论.它突破了传统香农采样理论对采样的限制,以信号的稀疏性或可压缩性为基础,实现了信号的高效获取和精确重构.然而在现实中,部分稀疏信号还表现出一些其他结构,典型的例子就是一类块稀疏信号,其非零元素以块的形式出现.针对这类信号,本文研究了求解块稀疏压缩感知的迭代重赋权最小二乘算法(IRLS),给出了该算法的理论分析:误差估计和局部收敛性分析.大量试验验证了基于迭代重赋权最小二乘算法的块稀疏压缩感知策略的有效性.

基于块稀疏度估计的压缩感知自适应重构算法

块稀疏信号是一类具有特殊结构的稀疏信号。针对块稀疏信号块稀疏度未知的情况,提出了一种基于块稀疏度估计的自适应重构算法,并将其应用于压缩感知。首先对信号的块稀疏度进行初步估计,计算得到一个支撑块索引集合的估计值,利用得到的估计值对残差进行初始化;然后对测量矩阵的子块和当前残差进行相关性匹配操作,以选取信号的支撑块集合,依据正则化原则再次对由相关性匹配操作得到的信号支撑块集合进行筛选;最后通过迭代过程获得信号最终的支撑块集合。仿真实验结果表明,提出的算法与现有的块稀疏信号自适应重构算法相比,具有较好的重构成功概率且算法的平均运行时间更短。

基于互交替投影的块稀疏正交匹配追踪算法

针对块稀疏信号,理论分析和实验验证均表明算法精确重构的充分条件与矩阵块相关性和子相关性有关。在此基础上,提出了一种基于互交替投影的块稀疏正交匹配追踪算法(mutual alternating projection-block or-thogonal matching pursuit,MAP-BOMP)。该算法利用互交替投影方法不断构造新的测量矩阵和感知矩阵,使得矩阵块相关性和子相关性都很小,从而提高重构概率,并给出明确的算法收敛条件,降低了计算复杂度。通过与大多数已有块稀疏信号重构算法进行实验仿真对比,该算法在重构效果和重构速度上均优于其他算法。

基于冗余紧框架的?2/?1极小化块稀疏压缩感知

压缩感知是(近似)稀疏信号处理的研究热点之一,它突破了Nyquist/Shannon采样率,实现了信号的高效采集和鲁棒重构.本文采用l2/l1极小化方法和BlockD-RIP理论研究了在冗余紧框架下的块稀疏信号,所获结果表明,当BlockD-RIP常数δ2k/τ满足0<δ2k/τ<0.2时,l2/l1极小化方法能够鲁棒重构原始信号,同时改进了已有的重构条件和误差上界.基于离散傅里叶变换(DFT)字典,执行了一系列仿真实验充分证实了理论结果.

基于块稀疏快速重构的MISO活跃用户集与信道联合估计

针对多用户多输入单输出(Multiple input single output,MISO)系统的用户选择与信道估计问题,引入基于用户分布式自选择的信道接入策略,设计一种新的结合该策略的时分双分复用(Time division duplex,TDD)模式数据传输帧结构。利用用户活跃模式自然稀疏性和信道冲激响应时延域稀疏性,将基站接收上行随机导频序列建模为块稀疏线性模型。基于凸松弛的l2/l1模型提出一种快速的块稀疏重构算法求解问题模型。算法首先对目标函数进行变量分裂,然后利用交替方向法对各变量进行交替更新,直至满足收敛条件。交替更新中,对于无法获得闭式解的信号变量项,采取块坐标下降法求解。计算机仿真表明,与块正交匹配追踪和块压缩采样匹配追踪比较,新算法能够在保持高重构精度的前提下获得更快的计算速度。

块稀疏广义正交匹配追踪算法

基于广义正交匹配追踪,提出了一种在压缩感知框架下,适用于任意块稀疏信号重构的算法。该算法以贪婪迭代为核心,在迭代过程中利用一种新的方法寻找非零块,达到了非零块估计方法优化的目的,提升了算法重构概率。理论分析表明在恰当的受限等距特性常数约束下,该算法能够保证重构原始信号。仿真实验从稀疏度、算法估计步长、测量值数目、迭代次数等方面证明了该算法的有效性与优越性。

基于前向预测策略的块正交匹配追踪算法研究

在块正交匹配追踪算法中,候选集匹配原子块的选择策略对信号重建具有重要作用,但是该算法在迭代选择原子块的过程中,每次选择当次最优迭代的原子块,并不能保证最终迭代性能是最优的。为此,提出一个基于前向预测的最优匹配原子块选择策略的块正交匹配追踪算法,通过预测原子块在未来迭代过程中的性能选择最优匹配的原子块。实验结果表明,与块正交匹配追踪算法相比,该算法的重建误差随前向预测参数的增大而减小。