基于稀疏支撑集先验的压缩感知图像序列重建算法

针对现有压缩感知图像序列重建算法重建精度不高、模型参数设置较多的问题,提出了一种结合稀疏支撑集先验和残差补偿的算法。在已知前一帧图像重建结果的基础上,通过求解1个最小化加权l1范数问题得到当前帧图像的初始估计。通过对估计残差进行压缩感知重建并对初始估计加以补偿,得到当前帧图像的最终重建结果。与其他同类算法相比,该算法减少了阈值参数的设置。实验结果表明,在相同的测量值数目下,该算法重建图像的相对误差、峰值信噪比和结构相似度指标均优于同类比较算法。

CS-MRI中稀疏信号支撑集混合检测方法

针对磁共振成像技术采样过程过慢的问题,给出一种新的基于压缩感知的图像重建方法。通过分析一种特殊的基于奇异值分解(SVD)的信号稀疏表示方法,提出一种结合稀疏信号位置和大小信息的支撑集混合检测方法,并根据该方法改进稀疏信号重建算法FCSA。实验结果证明,在相同的欠采样率下,改进FCSA算法重建图像的峰值信噪比(PSNR)比传统的基于小波稀疏基的FCSA算法重建图像的PSNR高2.21 dB^12.72 dB,比基于SVD稀疏基的FCSA算法重建图像的PSNR高0.87 dB^2.05 dB,且重建时间从基于小波稀疏基的FCSA算法的103.21 s下降至改进FCSA算法的36.91 s。

一种使用支撑集的区域型模糊聚类算法

使用支撑集和模糊待分集的概念来描述数据集的分布。在此基础上提出了一种基于类别融合的区域型模糊聚类算法 (regionalfuzzyclusteringalgorithm ,RFCA) ,并就该模型的两个聚类参数 (δ和ε)对聚类性能的影响进行了分析。仿真结果表明 ,该算法有比常用的模糊C均值更好的聚类性能。

图像局部弹性变换中径向基函数紧支撑集的选取

弹性图像配准中常常需要采用紧支撑的径向基函数来实现局部弹性变换,径向基函数的支撑集大小决定了图像局部扭曲的范围,而如何选取基函数的支撑集大小是一个一直没有解决的问题。该文利用弹性变换模型,针对Wendland基函数,从理论上分析了双标志点空间位置与基函数支撑集的关系,并对任意标志点集合通过构造Delaunay三角剖分来确定基函数支撑集大小,文中给出了径向基函数支撑集的选取原则。人工网格图像和医学图像的局部弹性变换实验验证了该文的结论。

一种混合支撑集模型的联合半迭代硬阈值追踪重构算法

无线传感网络中,由于混合支撑集模型对信号(群)值的公共部分不存在约束,给网络框架提供了额外的自由度。考虑到改进的半迭代硬阈值追踪(Semi-Iterative Hard Thresholding Pursuit,SHTP)算法引入了半迭代的思想,其近似解为n次迭代结果的线性组合,修正了目标函数寻求最优解的搜索方向,避免了锯齿效应,在求解l1范数凸优化问题时具有稳定性和鲁棒性。论文将SHTP算法应用于混合支撑集模型,提出一种基于SHTP算法的联合重构算法来求解分布式压缩感知问题,称为联合半迭代硬阈值追踪算法(joint Semi-Iterative Hard Thresholding Pursuit,joint SHTP)。该算法对信号群进行压缩采样,利用信号间的相关性来求解公共部分,将公共部分的支撑集作为重构特有部分时的初始支撑集,并通过信号内部的相关性求解特有部分,适用于无线传感网络中所有的传感器节点将感知到的数据传输到簇头节点进行的联合重构。仿真结果表明,与其他联合重构算法相比,如联合正交匹配追踪(joint Orthogonal Matching Pursuit,joint OMP)算法、联合子空间追踪(joint Subspace Pursuit,joint SP)算法,无论是无噪声情形还是有噪声的情况下,联合半迭代硬阈值追踪算法将具有较大的信号重构噪声比和较小的平均支撑势误差,可实现信号值的精确重构。

基于支撑集保护的回环匹配算法

针对部分压缩感知贪婪迭代类重构算法中误删正确支撑集元素的缺点,提出了一种基于支撑集保护的回环匹配算法(LM-P)。该算法依据最小残差内积初始化非受保护支撑集元素,然后依据观测向量在非受保护支撑集对应观测子矩阵上的投影,选择对应投影绝对值最大的元素添加到受保护支撑集,迭代获得受保护支撑集,从而重构原始信号。实验结果表明,对于非零值服从正态分布且稀疏度小于观测值一半数目的稀疏信号,LM-P算法的重构准确率超过86%;对于低信噪比稀疏信号,该算法的重构准确率能够维持在99%以上;与OMP、Co Sa MP、SP和GPA算法相比,LM-P精确重构所需观测值数更少;此外,LM-P算法在二维图像信号的重构中也有较好性能。

基于连通支撑集的无线传感网数据聚合调度算法

为提高无线传感网数据聚合调度算法基于最短路径思想进行聚合树构造时的时延性能,基于连通支撑集理论,提出一种改进的调度算法CGTA。该算法将网络中的节点划分为骨干节点和普通节点,在进行时隙分配时,结合节点在树中的层数,采用贪心策略依次针对不同角色的发送节点集合构造可行调度子集。实验结果表明,与SPTS,M WFS等算法相比,CGTA算法能够将聚合时延降低15%以上。

基于部分支撑集的L1范数稀疏重构算法

针对压缩感知理论中,现有的优化L1范数稀疏重构算法在重构源信号时,当且仅当稀疏度小于等于观测信号长度一半时才能够正确重构源信号的问题,提出了部分支撑集的L1范数稀疏重构算法。改进算法采用线性规划方法最小化源信号"尾部"支撑集的L1范数,能够在稀疏度大于观测信号长度一半时正确重构出源信号。仿真结果表明,在不同信噪比和稀疏度条件下,所提算法的重构精度优于现有的优化L1范数的稀疏重构算法和正交匹配追踪的稀疏重构算法。

面向混合支撑集模型的分布式压缩感知重构算法

针对混合支撑集模型,研究了分布式压缩感知(DCS)的信号联合重构,提出了一种联合向前变步长正交匹配追踪(joint LAVSOMP)算法,该算法在信号重构过程中根据相邻次迭代重建信号的能量差,自适应地对向前参数进行动态调整,在信号重建精度与算法运行时间上取得平衡。进而,在该算法的基础上,提出了一种联合向前向后的变步长正交匹配追踪(joint FBVSOMP)算法,该算法有效降低了原子误选的几率,提高了信号重建的精度。试验结果表明,joint LAVSOMP算法的重构性能优于向前参数固定的联合向前正交匹配追踪joint LAOMP算法,而joint FBVSOMP算法具有更高的信号联合重构性能。

基于支撑集估计的压缩扩频接收机

为了提升压缩扩频接收机的误码率性能,提出一种基于支撑集估计的改进压缩扩频接收机。改进的接收机首先估计稀疏信号的支撑集,然后通过求解闭合表达式代替原有的重构算法来获取发送的信息序列,从而达到降低系统误码率的目的。将改进的压缩扩频接收机应用于m W复合序列扩频信号的接收,通过检测m W复合序列的循环谱峰值来估计稀疏信号的支撑集。研究结果表明:对于m W复合序列,在低信噪比下,通过循环谱检测能有效实现支撑集的估计,且改进的压缩扩频接收机比现有的压缩扩频接收机具有更好的误码率性能。

基于支撑集先验的脑电信号正则化子空间重构

子空间追踪算法(Subspace Pursuit, SP)利用回溯修剪提高了重构准确率,且迭代过程中原子选取更少,复杂度更低,但其性能易受初始支撑集的影响。针对该问题,提出一种基于支撑集先验的多通道脑电信号重构算法。分析了同类别多通道脑电信号支撑集的时空相关性,将同类前一通道的支撑集作为当前通道重构支撑集的先验信息,提升支撑集选取的准确度,进而加快信号重构速度,提高重构的精度。仿真结果表明,在同等采样率下,相较于子空间追踪算法和自适应正则化子空间追踪算法,该算法对多通道脑电信号的重构时间更短,精度更高。

基于部分支撑集检测的WBAN数据处理机制

在利用无线体域网监测生理信号的过程中,直接运用已恢复信号的支撑集会降低网络能量的有效性。为此,提出一种基于部分支撑集检测的数据处理机制。根据信号的多尺度小波系数衰减特征,以迭代支撑集检测的方式求解初始支撑集,结合已恢复信号的支撑集并采取交集运算分离出正确支撑集信息。在此基础上,通过正交多匹配追踪(OMMP)算法恢复数据。仿真结果表明,与OMP、OMMP算法相比,该机制在保证信号恢复质量的同时可以提高数据压缩率。

对支撑集搜索法约定的一些标注(英文)

实际工程应用的很多非线性规划(NLP)模型都是非光滑问题,传统优化技术如拟牛顿法或最速下降法无法很好地求解这些问题.不依赖于方向导数计算或逼近的直接搜索法(Direct Searches)或支撑集搜索法GSS(Generating Set Searches)在近几年来得到较多的关注和研究.本文对GSS约定的一些要求,如充分下降和简单下降条件对步长接受准则的影响,如何避免较差的下降方向和迭代步长,为什么必须给定步长收缩因子的上界等进行标注,以便为该领域的进一步深入研究提供参考.

Plateaued函数谱支撑集的性质

本文对Plateaued函数的谱支撑集的结构与性质进行了深入研究,给出了r阶Plateaued函数的全体非0谱值点集合与线性结构集的维数之间的关系.利用谱指标对2阶Plateaued函数和4阶Plateaued函数的自相关性进行了详细分析,给出了其自相关系数的分布.分析了r阶Plateaued函数的谱支撑集和零谱值点集的结构特征,给出了多个r阶Plateaued函数的谱支撑集在不相交时自相关系数之间的关系以及谱支撑集与函数平衡性的关系.

正则化递增支撑集子空间追踪算法的目标定位

为提高压缩感知子空间追踪(SP)算法用于多目标定位的重建精度,并考虑到子空间追踪算法用于多目标定位环境的特殊性,提出一种正则化递增支撑集子空间追踪算法用于定位。该算法保留了SP算法中迭代回溯的思想,将正则化方法融入到子空间追踪算法中,加入正则化约束条件进行缩减筛选,在原子剔除阶段递增保留候选原子,降低原子错选概率,算法以更高概率得到真正支撑集。实验结果对比表明,相比于SP算法和其他压缩感知重构类算法用于多目标定位,该算法在目标数K>25时,平均定位误差在0. 45 m上下波动,在信噪比为5 dB时,平均定位误差也能控制在0. 457 m范围内,具有更好的鲁棒性和抗噪性。

用于图像重构的基于行间支撑集相似度的CoSaMP算法

压缩采样匹配追踪(CoSaMP)算法的性能受初始支撑集选择的制约,初始支撑集选择不准确不仅影响重构精度,还会降低重构速度。针对该问题,将图像在稀疏域的结构特性引入到CoSaMP算法中,提出了支撑集相似度的概念;利用数字图像相邻行之间原子支撑集的相似性,提出了基于行间支撑集相似度的CoSaMP算法。实验结果表明,在同等采样率的条件下,与传统的CoSaMP算法相比,所提算法在不增加算法时间复杂度的同时提高了重构质量,峰值信噪比提高了0.6~2.5dB。

广义支撑集归结原理

广义归结是对Ｊ．Ａ．Ｒｏｂｉｎｓｏｎ普通归结的推广．支撑集策略是提高归结效率的有效方法．本文将支撑集策略引入广义归结中，提出了广义支撑集归结方法，并证明了它的完备性．

关于三元系支撑集的谱

本文证明，任给λ≥９，若λ０（ｍｏｄ６），则对所有的ｖ≥４λ＋１１，Ｃｏｌｂｏｕｒｎ与Ｍａｈｍｏｏｄｉａｎ关于三元系支撑集的猜想成立；若λ０（ｍｏｄ６），则对所有ｖ≥４λ＋２０，ｖ８（ｍｏｄ１２），猜想也成立。

紧拓扑半群上概率测度的简单半群及其支撑集

本文讨论一类拓扑半群上概率测度的极限性质．首先在紧半群上研究测度的简单半群和它的支撑集的相依关系；然后讨论测度的卷积幂ｕｎ收敛到Ｈａａｒｒ测度的充要条件．

M-模糊化非支撑集族

定义了M-模糊化非支撑集族,研究了它的截集性质,得到Sc:2E→M是E上的M-模糊化非支撑集族的充分必要条件是它的水平截集是相对应的非支撑集族。