基于改进压缩采样匹配追踪算法的机械振动信号恢复

为了解决压缩感知重构算法对于机械振动信号的残缺数据恢复不佳的问题,提出一种改进压缩采样匹配追踪算法,对缺失信号进行修复重构。对比几种同类的贪婪重构算法恢复缺失信号的效果。通过仿真数据和实测数据验证算法对信号的恢复效果。结果表明:改进方法能够很好地实现对缺损信号的修复,且重构概率远远高于其他重构算法,比较压缩采样匹配追踪算法与其改进算法发现:在稀疏度为50时,改进算法的重构概率可以达到100%,而未改进的压缩采样匹配追踪算法重构概率为0,说明改进算法的重构效果优于原算法,重构出来的信号可以准确地表现原始信号的全部信息。

强噪背景下基于改进匹配追踪算法的桥梁缆索缺陷识别

为降低噪声对磁致伸缩导波信号的干扰,实现强噪背景下的桥梁缆索缺陷识别,提出了一种基于改进匹配追踪算法的桥梁缆索缺陷识别方法。首先,采用构建非对称Gabor函数作为原子字典,将相邻残差比作为迭代终止条件,对强噪背景下的导波信号进行匹配追踪。然后,通过缺陷回波包络峰值时刻,对桥梁缆索缺陷进行了定位。最后,对采用不同降噪方法时的桥梁缆索缺陷定位误差进行了比较。结果表明:未添加噪声时,采用缺陷回波包络峰值时刻定位桥梁拉索缺陷,最大误差仅为0.28%。当缺陷回波的信噪比高于-5 dB时,采用本文方法进行降噪,均方差E_(MSE)几乎为0,信噪比E_(SNR)增加到7.56 dB以上。采用本文方法对含噪导波信号进行降噪,其降噪精度和缺陷定位精度均优于小波阈值降噪、小波-EMD降噪和传统匹配追踪降噪。当导波信号信噪比为-5 dB及以下时,本文方法的优越性更为显著。即使导波信号信噪比达到-10 dB,采用本文方法进行降噪处理,拉索缺陷定位误差仍能达到1.5%以内。可见所提出的方法可以有效降低强噪声对实测导波的干扰,提高桥梁缆索缺陷识别精度。

一种改进的压缩采样匹配追踪算法

针对正交频分复用(OFDM)系统中,压缩采样匹配追踪(CoSaMP)算法在进行信道估计时选择原子更新残差过程中采用最小二乘(LS)估计忽略了噪声影响的问题,文章利用信道时域的稀疏性提出了一种改进的CoSaMP算法。首先利用CoSaMP算法进行初始信道估计,然后再采用线性最小均方误差(LMMSE)算法对结果进行降噪处理,提高了估计精度。仿真结果表明,在OFDM系统中,改进的CoSaMP算法比传统CoSaMP算法具有更好的均方误差和误码率(BER)估计性能。

改进的压缩采样匹配追踪算法

针对压缩采样匹配追踪(Co Sa MP)算法重构精度相对较差的问题,为了提高算法的重构性能,提出了一种基于伪逆处理改进的压缩采样匹配追踪(MCo Sa MP)算法。首先,在迭代前,对观测矩阵进行伪逆处理,以此来降低原子间的相干性,从而提高原子选择的准确性;然后,结合正交匹配追踪算法(OMP),将OMP算法迭代K次后的原子和残差作为Co Sa MP算法的输入;最后,每次迭代后,通过判断残差是否小于预设阈值来决定算法是否终止。实验结果表明,无论是对一维高斯随机信号还是二维图像信号,MCo Sa MP算法的重构效果优于Co Sa MP算法,能够在观测值相对较少的情况下,实现信号的精确重构。

一种改进的自适应压缩采样匹配追踪算法

针对稀疏度未知的信号,提出一种改进的自适应压缩采样匹配追踪算法(IACoSaMP)。首先在压缩采样匹配追踪算法(CoSaMP)的基本框架下,以原子相关系数最大值的一半作为一个阈值,对每次迭代中预选阶段选入的原子进行二次筛选;然后结合稀疏性自适应匹配追踪算法(SAMP),分阶段逼近实际支撑集。实验结果表明,在相同条件下,相比较于CoSaMP和SAMP,本文算法具有较优的重构性能。

基于约束等距的块稀疏压缩采样匹配追踪算法

为提高块稀疏信号重构算法性能,利用测量矩阵块相干特性对块稀疏约束等距常数进行估计和讨论。在此基础上,将联合子空间的分块思想引入压缩采样匹配追踪(compressive sampling matching pursuit,CoSaMP)算法,提出了基于约束等距的块稀疏压缩采样匹配追踪(block CoSaMP,BCoSaMP)算法,以子矩阵为单位更新重构支撑集,放宽了约束等距条件。在高斯随机测量矩阵条件下,证明分块尺寸越大、最优相干块更新数量在适当范围内越少,重构误差收敛性越好且信号临界稀疏比越大。最后,利用某型预警雷达多批次回波信号进行重构仿真,验证了本文算法比目前其他块稀疏重构算法具有更高的重构成功率、更优的误差稳定性和更好的应用价值。

一种新的压缩采样匹配追踪算法

提出了实用性更强的完全受噪声扰动理论模型,引入了与原信号相关的乘性噪声;并基于新的模型,提出了一种改进的压缩采样匹配追踪算法。该算法通过构造一个感知测量矩阵,在信号替代阶段中取代随机测量矩阵来减少相关性对支撑集筛选的影响,最后可在乘性噪声存在的情况下实现了信号的精确重建。实验结果表明,在相同测试条件下,该算法的重建效果均优于其他贪婪算法和基匹配法(basic pursuit,BP)。

采用压缩采样匹配追踪算法的频谱感知

频谱资源的匮乏成为无线电发展的瓶颈,解决频率匮乏有两类方法:一是提高频谱利用率;二是扩大可利用的频率范围。频谱感知技术能提高频谱利用率,但在高频的应用中会面对过高的采样速率、较大的数据量,这对硬件实现提出了艰巨的挑战。本文根据无线电频谱稀疏性介绍一种基于调制宽带转换器的压缩采样匹配追踪(CoSaMP)算法。本文利用调制宽带转换器对无线电信号进行亚奈奎斯特采样,再利用CoSaMP算法对采样后的自相关矩阵求解。本文的方法不仅能应用在更高的频谱,且能提高频谱利用率。仿真结果表明:该方法能以一个较低的采样速率对信号进行采样,且CoSaMP算法的恢复误差要小于OMP和ROMP算法。

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。

基于斜投影算子的压缩采样匹配追踪算法

斜投影匹配追踪算法较正交匹配追踪算法针对非正交字典的重构能力有了大幅提高,但受噪声影响大。该文通过投影矩阵迭代公式导出斜投影匹配追踪算法,并引入回溯的思想,提出基于斜投影算子的压缩采样匹配追踪算法,有效降低了噪声的影响和非正交投影产生的误差,提高了重构精度。仿真结果表明,算法的重构效果优于其它同类算法。

一种最优选择的压缩采样匹配追踪算法

为了解决压缩采样匹配追踪(CoSaMP)算法在观测值固定时重构概率随着稀疏度的增加急剧下降问题,基于最优选择思想和回溯思想设计一种最优选择的压缩采样匹配追踪(OSCoSaMP)算法。在每次迭代过程中,从支撑集中选出最优的支撑,同时采用回溯思想剔除错误原子,分别测试不同稀疏度和不同观测值下的重构概率。仿真结果表明,该算法重构概率与OMP和CoSaMP算法相比有所提升。OSCoSaMP算法在稀疏度50时的重构概率保持在90%以上,当观测值大于70时重构概率在90%以上。OSCoSaMP算法能够有效提高一维信号的重构概率。

IP追踪技术压缩边分片采样算法的改进

IP追踪技术是防御拒绝服务攻击(DoS)的重要措施.文中针对用于IP追踪的压缩边分片采样算法(CEFS)存在的不足,提出了标注分片自适应概率包标记算法(LFAPPM).该算法通过扩大标记空间和采用自适应概率的方法,减少了重构路径所需包数,并通过给分片加标注,减少了重构路径的计算量和误报数,而且通过初始化没被边界路由器标记的包标记空间,加强了抗干扰性.与其他算法进行比较,LFAPPM算法各种性能指标较优.

用于压缩采样信号重建的回溯正则化自适应匹配追踪算法

正则化正交匹配追踪算法是一种广泛被使用的压缩感知重构算法,但其需要已知信号的稀疏度。针对这一缺点,本文提出一种回溯正则化自适应匹配追踪算法。该算法基于正则化正交匹配追踪算法进行改进,首先采用设置模糊阈值的方式初始化选取一些原子,然后对其进行正则化,最后采用回溯的方式删掉个别错误的原子。在每次迭代中,不断更新支撑集的同时扩大支撑集,以逐步逼近信号的稀疏度。实验结果表明,在相同的测试条件下,改进后的算法与其他贪婪算法相比,无论是对一维稀疏信号还是二维图像,均取得了更好的重建效果,且运行时间也比较适中。

一种自适应压缩采样匹配追踪算法

压缩采样突破了奈奎斯特采样定理的限制,以低于奈奎斯特率对信号进行采样,通过相关算法精确恢复信号。依据重建算法需要稀疏度这一先验信息,提出一种自适应压缩采样匹配追踪信号重建算法,该算法摆脱对稀疏度的依赖,通过自适应调整步长逐步逼近原始信号。仿真结果表明,该算法能精确地对信号进行重建,重建概率和计算复杂度均有所改善。

基于CS的稀疏度变步长自适应压缩采样匹配追踪算法

通过对压缩感知(CS)理论进行研究和分析,在传统的重构算法的基础上,提出稀疏度变步长自适应压缩采样匹配追踪算法(CSVssAMP)。采用压缩采样和可变步长自适应变换的思想,解决了稀疏性未知信号的重构问题,有效地提高了数据的重构效率。相比传统的重构算法,该算法不需要预先已知稀疏度,并且每次迭代选择多个原子可以更精准地恢复低噪声信号。采用自适应变步长替换固定步长,提高了重构速率和目标精度。仿真结果表明,与现有重构算法相比,该算法的重构效果更好。

改进匹配追踪算法及其在图像压缩中的应用

压缩传感,是近年来新出现的一种采样定理。它的特点是对信号进行采样所需要的条件远远小于Nyquist采样速率。这种采样定理要求信号是稀疏的或者是可压缩的,并能在采样时对信号数据进行压缩,然后通过非线性重建算法完美重建信号。它突破了Nyquist采样定理,因此具有广阔的发展前景。重建算法中有一类称为匹配追踪算法,文中围绕改进的匹配追踪算法在图像压缩中的应用展开了研究,对OMP算法、ROMP算法进行了实现,并对算法本身以及其重构效果做出了比较;针对按列处理速度较慢的缺点,使用了分块处理的方法,降低运算时测量矩阵的规模,实验表明,分块处理确实能够加快运算速度。由于自然信号进行稀疏变换后,稀疏度不确定,造成重构时迭代次数不够合理。针对这个现象,文中提出了如何确定合适的迭代次数的方法,提高重建的精确度。这个方法本身会消耗时间,可以在权衡了重构精确度要求和时间要求后确定是否使用。

基于压缩采样匹配追踪算法的混合场信道估计方案

针对现有的远场和近场信道估计方案不能直接用于精确估计混合场信道状态信息的问题,提出了一种有效的基于压缩采样匹配追踪(compression sampling matching pursuit, CoSaMP)算法的混合场信道估计方案。通过精确建模混合场信道模型来捕捉其远场和近场区域可能存在不同的散射体这一特征,分别对其远场和近场路径分量进行估计。结果表明,所提方案与现有其他信道估计方案相比,在相同低导频开销情况下,该方案能获得更高的归一化均方误差性能和更高的系统和速率,计算复杂度较低。可见,所提出的方案具有很好的参考价值。

语音自适应压缩采样匹配追踪重构算法

基于小波分解下的语音压缩编码与重构框架,研究分析了含噪情况下贪婪算法的重构性能和抗噪性能,提出了一种改进的自适应压缩采样匹配追踪算法(ACoSaMP)。该算法可在稀疏度未知的情况下,通过设置可变步长分阶段实现对稀疏度的逼近。同时,在每次迭代过程中,用最小二乘法对残差信号进行估计,代替传统CoSaMP算法对整个信号的估计。最后用小波去噪法对合成语音进行处理。实验结果表明:不同压缩比下,该算法的主客观重构效果均优于现有同类算法,对噪声有较强的鲁棒性。

用于压缩感知信号重建的正则化自适应匹配追踪算法

压缩感知理论是一种充分利用信号稀疏性或者可压缩性的全新的信号采样理论。该理论表明,通过采集少量的信号值就可实现稀疏或可压缩信号的精确重建。该文在研究和总结已有重建算法的基础上,提出了一种新的基于正则化的自适应匹配追踪算法(Regularized Adaptive Matching Pursuit,RAMP)用于压缩感知信号的重建。该算法可在信号稀疏度未知的情况下,通过自适应过程自动调节候选集原子的个数,利用正则化过程实现支撑集的二次筛选,最终实现了信号的精确重建。实验结果表明,在相同测试条件下,该算法的重建效果无论从主观视觉上还是客观数据上均优于其它同类方法。

基于改进OMP算法的多目标高速机动检测方法

针对多目标高速机动检测问题,提出了一种基于改进正交匹配追踪(OMP)算法的多目标检测方法。根据高速机动目标运动特性建立信号模型;利用改进OMP算法对脉冲压缩后的回波信号进行运动参数估计;构建相位补偿函数对距离徙动和多普勒徙动进行校正;通过快速傅里叶变换(FFT)完成相参积累,实现对多目标的检测。改进算法适用于多目标高速机动检测场景,可有效避免盲速旁瓣现象及信号交叉项的影响,且具有参数估计精度高和抗噪声能力强等优点。仿真实验验证了改进算法的有效性与可靠性。