稀疏随机矩阵有限等距性质分析

稀疏随机矩阵由于具有存储容量小、编码和重构复杂度低、易于更新等优良特性而适用于分布式应用。为确保稀疏随机矩阵可作为压缩感知观测矩阵,该文证明了稀疏随机矩阵的有限等距性质(RIP)。首先,证明了测量矩阵满足有限等距性质等价于其子矩阵的格拉姆矩阵特征值分布于1附近;在此基础上,证明了当测量值个数满足特定条件时,稀疏随机矩阵以接近于1的概率满足有限等距性质。仿真实验表明,稀疏随机矩阵在保证稀疏信号精确重建的同时,大大节约了测量和重建所需的时间。

准Toeplitz测量矩阵的有限等距性质分析

Toeplitz测量矩阵的卷积特性使压缩感知理论在线性时不变系统辨识问题中得到广泛应用。但在信号频率较高的场合往往需要对测量结果进行欠采样,以利用压缩感知理论降低系统对采样频率的要求,这导致测量模型中的测量矩阵变为由Toeplitz矩阵中等间隔抽取若干行组成的子矩阵(准Toeplitz矩阵)。为此讨论了准Toeplitz矩阵作为测量矩阵的可行性。通过理论推导证明了准Toeplitz矩阵的有限等距性质,在仿真中比较了使用准Toeplitz矩阵与其他测量矩阵的重构效果。结果表明,准Toeplitz满足有限等距性质,使用准Toeplitz矩阵的重构效果与其他测量矩阵相近,可以作为压缩感知测量矩阵。

Toeplitz矩阵有限等距特性研究

在压缩感知热潮的影响下,观测矩阵的有限等距特性(restricted isometry property,RIP)也受到广泛关注。大多数理论研究表明高斯随机矩阵是满足RIP特性的,但由于其存储成本较高,物理实现较复杂,在实际使用中托普利兹(Toeplitz)随机矩阵由于可以使用快速离散傅里叶变换实现而受到青睐。该文将图论中点均匀着色定理和盖尔圆盘定理应用于压缩感知中,对托普利兹观测矩阵的RIP特性进行了证明,证明结果表明,由服从某种特定概率分布的项构造的Toeplitz矩阵以较大概率满足有限等距特性。最后,对最小二乘算法(least square,LS)、线性最小均方误差(linear minimum mean square error,LMMSE)算法和高斯观测矩阵的压缩感知算法以及Toeplitz观测矩阵的压缩感知算法进行了对比分析,Toeplitz观测矩阵的压缩感知算法在性能方面要优于高斯观测矩阵的压缩感知算法和传统算法,运算复杂度方面要优于高斯随机矩阵,为压缩感知实现无失真地重构原始信号提供了理论和应用参考。

压缩感知测量矩阵的有限等距常数估计方法

有限等距常数是评价压缩感知测量矩阵的重要参数之一,例如压缩感知精确重构须保证有限等距常数满足一定的条件,因此求出有限等距常数具有重要意义。然而,有限等距数的求解是一个NP难的问题。提出了广义有限等距常数,可以作为有限等距常数的一个下限估计值,并给出了一种广义有限等距常数的估计方法。实验结果表明估计结果稳定,可用于进一步研究有限等距常数在压缩感知中的作用。

基于模拟退火算法的有限等距常数估计

有限等距常数是压缩感知测量矩阵的重要参数之一,例如采用正交匹配追踪精确重构稀疏信号须保证有限等距常数满足一定的条件。但有限等距常数的求解是NP难问题,限制了理论结果的实际应用。将有限等距常数求解视为组合优化问题,采用模拟退火算法得到局部最优解,该解是有限等距常数的下限估计值。实验结果表明估计结果稳定,并发现常见几类测量矩阵有限等距常数大于1,这意味着这些矩阵不满足有限等距性质,此现象需进一步研究解释。

关于有限Ⅲ─等距曲面的一个结果

本文利用拟解析函数的方法得到了一个关于有限Ⅲ─等距问题的结论．是文［１］、［２］的结果的补充和推广．

用不等距有限差分法及有限元法计算电机的温度场

采用不等距有限差分法及有限元法 ,根据电机的导线及槽形的实际尺寸划分网格 ,把节点尽可能地放在网格的中心 ,能更接近真实情况 ,并可减少节点数。使用 FORTRAN语言编程 。

压缩感知中测量矩阵构造综述

压缩感知测量矩阵构造方式多样并不断发展,为梳理现有研究成果,掌握测量矩阵发展动态,对压缩感知测量矩阵构造进行系统介绍。首先,针对传统信号采集理论存在的信息冗余问题,阐述了压缩感知理论在信号采集过程中资源利用率高、存储空间小的优势;其次,以压缩感知理论框架为基础,从测量矩阵构造原则、测量矩阵产生方法、测量矩阵结构设计、测量矩阵优化方法四个方面,对压缩感知测量矩阵构造进行分析,讨论了测量矩阵构造过程中不同原则、结构、方法的优势;最后,在总结现有研究成果的基础上,对测量矩阵的发展方向进行了展望。

压缩感知中确定性测量矩阵构造算法综述

测量矩阵在压缩感知中起着关键性的作用,其性能会影响原始信号的压缩与重构.现有的测量矩阵多数为随机的,它们在实际应用中有存储量大、效率低等缺点,且在硬件上难以实现,故构造确定性测量矩阵对压缩感知理论的推广与应用具有重要的意义.本文回顾了国内外学者在确定性测量矩阵构造方面的研究,着重对目前已有的构造算法进行详细的介绍和分类,最后根据多种指标综合评述了各种算法的性能.

基于滤波的压缩感知信号采集方案

压缩感知中常选择随机矩阵作为测量矩阵来进行随机线性投影采样,但过多自由元素使得随机矩阵硬件实现、存储和计算困难,因此设计易于硬件实现的测量矩阵是将压缩感知推向实用化的关键。根据信号通过有限脉冲响应滤波器的差分方程,提出一种新的基于滤波的压缩感知信号采集方案,实现了信号在托普利兹测量矩阵下有用信息的高效获取。仿真实验说明托普利兹测量矩阵比随机矩阵更易实现信号采样和重构,并具有硬件实现简单、存储量小、计算复杂度低的优点。

基于压缩感知的超分辨率图像重建

压缩感知(CS)利用图像稀疏表示的先验知识,从少量的观测值中重建出原始图像。将CS理论应用于单幅图像超分辨率(SR),提出一种基于两步迭代收缩算法和全变分(TV)稀疏表示的图像重建方法。该方法无需任何训练集,仅需单幅低分辨率实现图像重建。算法在测量矩阵里加入下采样低通滤波器以使SR问题满足应用CS理论的有限等距性质;采用TV正则化函数,利用两步迭代法引入TV去噪算子,可以更好地重建图像边缘。实验结果证明,与已有的超分辨率方法相比,在不同的放大倍数下所提方法重建图像视觉效果更好,在峰值信噪比(PSNR)的评价指标上有显著的提高(4～6 dB),且实验证实滤波器的引入决定算法的重建质量。

压缩感知理论中的广义不相关性准则

压缩感知理论(Compressed Sensing,CS)是对信号压缩的同时进行感知的新理论,而如何分析观测矩阵(Sensing Matrix)的稳定性是压缩感知理论中的一个非常重要研究方向。不相关性(Incoherence)准则是分析观测矩阵稳定性的一个重要准则,该准则的研究需要假设观测矩阵行向量是一组标准正交基的子集,这大大限制了不相关性准则的应用。本文针对这一局限性,提出了广义不相关性准则,即仅要求观测矩阵行向量是一组普通基的子集。首先推广了相关度定义,称为广义相关度;然后提出了广义不相关性准则,即推导并证明了压缩观测值(Compressive Measure)个数与广义相关度之间的满足某一关系式时,信号能够完全重构;最后把不相关性准则应用到高斯随机观测矩阵和随机±1构成的Rademacher矩阵的稳定性分析。数值仿真表明高斯随机观测矩阵和随机±1构成的Rademacher矩阵具有较好的稳定性。

随机混沌感知矩阵及其在成像雷达中的应用

根据压缩感知理论提出了一种适用于成像雷达的新算法,在成像目标分布满足稀疏性前提下,利用发射的随机混沌序列(SCS)形成卷积矩阵,然后通过随机行抽取构造随机感知矩阵(SCSM)。给出了完整的算法实现框架,从理论上证明了SCS的随机性和统计独立性以及SCSM的有限等距性(Restricted Isometry Property,RIP)。仿真结果验证了算法的有效性,同时分析了影响算法性能的主要因素。与匹配滤波法相比,所提算法重构误差小,输出旁瓣低。SCSM与其他随机矩阵具有相同的性能,然而,SCSM容易在硬件上实现,且更适用于要求保密性高和抗干扰能力强的场合。

托普利兹矩阵在压缩多径信道估计中的应用

可靠的无线通信需要准确地知道下层信道的信息,因此需要进行信道估计。而许多真实信道表现为仅有一些相对较少的非零信道系数的稀疏多径信道。对于稀疏多径信道的估计,传统方法例如最小二乘法,没有利用稀疏信道本身的低维度特性,所需训练序列的长度较长,因此估计代价较大。基于压缩感知的信道估计方法,利用稀疏先验信息,能较大地缩短所需训练序列的长度,获得较好的估计效果。该文结合压缩感知观测矩阵的特点,证明了当训练序列的长度不长于信道冲激响应的长度,且托普利兹观测矩阵的行数小于列数时,观测矩阵仍然满足有限等距性质;明确提出了稀疏多径信道估计中所使用的观测矩阵的构造条件。实验结果验证了这种优化了的托普利兹观测矩阵的可行性和实用性。

稀疏随机矩阵的观测次数下界

压缩感知理论中的稀疏重构问题,要将一个高维信号从它的低维投影中恢复出来,通常选用稠密随机矩阵作为观测矩阵来解决这一问题。而某些稀疏随机矩阵作为观测矩阵也可以达到这一目的。稀疏随机矩阵的特点是,在编码和重构过程中都具有较低的计算复杂度,更新方便,且对存储容量的要求较低。该文基于压缩感知理论,分别对列重固定、行重固定以及一般的稀疏随机矩阵进行了研究,当这些稀疏随机矩阵满足有限等距性质时,推导了观测次数应满足的下界条件,并对三种矩阵的性能进行了分析。以二值稀疏随机矩阵为特例,进行了仿真实验。实验结果显示,结论给出的观测次数下界是比较紧的,并验证了列重固定、行重固定的稀疏随机矩阵作为观测矩阵的可行性和实用性。

易于硬件实现的压缩感知观测矩阵的研究与构造

在压缩感知过程中,观测矩阵在信号采样及重构中具有重要作用,构造易于硬件实现、结构简单且占内存较小的观测矩阵是压缩感知理论能否实际应用的关键问题之一。提出两种易于硬件实现的观测矩阵,即顺序部分哈达玛观测矩阵和循环伪随机观测矩阵,其中循环伪随机观测矩阵可分为循环m序列和循环gold序列,并证明了伪随机序列所构造的观测矩阵满足有限等距准则。为验证上述两种观测矩阵性能,对二维图像信号进行仿真,结果表明,在较低的采样率下顺序部分哈达玛观测矩阵的重构效果最优,但是采样信号长度必须是2的k次幂;循环伪随机观测矩阵的重构效果虽然弱于顺序部分哈达玛观测矩阵,但是明显优于高斯随机观测矩阵,克服了顺序部分哈达玛矩阵观测信号必须是2的k次幂的限制。提出的两种观测矩阵易于硬件实现,避免了随机矩阵的不确定性且克服了随机矩阵浪费存储资源的缺陷,具有良好的实际应用价值。

基于RSAMP算法的OFDM稀疏信道估计

为了提高稀疏度自适应贪婪迭代(sparsity adaptive greedy iterative,SAGI)算法的重构性能,缩短重构时间,提出了一种基于有限等距性质(restricted isometry property,RIP)的稀疏度预测自适应匹配追踪(RIP based prediction-sparsity adaptive matching pursuit,RSAMP)算法,并成功将其应用于正交频分复用(orthogonal frequency division multiplexing,OFDM)系统信道估计。首先,提出一种基于RIP的稀疏度预测方法,可以在稀疏度未知的情况下快速精确地逼近真实稀疏度,大大缩短了算法的运行时间。其次,利用主成分分析法对观测矩阵采取了优化处理,提高了算法的重构性能。仿真实验显示,相较于SAMP、SAGI算法,本文提出的RSAMP算法可以获取更好的估计性能和更短的运行时间。

基于光流拓扑稀疏加权的同步运动去混叠

针对欧式距离加权的稀疏子空间聚类在对多个同步运动刚体进行运动分割时不考虑刚体流形结构的局限性,提出了一种由光流轨迹流形拓扑结构加权的稀疏子空间聚类算法,在光流轨迹的时空相似度邻接矩阵里计算各轨迹相似度的流形距离并嵌入稀疏子空间字典表达的权值矩阵进行稀疏系数求解,使得流形距离较近的轨迹优先成为稀疏自表达字典,从而减少对欧式空间相距较小但不属于同一物体的同步运动刚体轨迹的聚类混叠,经过同步移动和同步摆动两种情况算法对比实验表明:本文提出算法可以将混叠降低到1%以下,最后,在双针床经编机贾卡针同步摆动的运动分割结果表明算法具有进一步的工业视觉应用前景。

基于反馈神经网络的稀疏信号恢复的优化算法

针对稀疏信号的重构问题,提出了一种基于反馈神经网络(RNN)的优化算法。首先,需要对信号进行稀疏表示,将数学模型化为优化问题;接着,基于l0范数是非凸且不可微的函数,并且该优化问题是NP难的,因此在测量矩阵A满足有限等距性质(RIP)的前提下,提出等价优化问题;最后,通过建立相应的Hopfield反馈神经网络模型来解决等价的优化问题,从而实现稀疏信号的重构。实验结果表明,在不同观测次数m下,对比RNN算法和其他三种算法的相对误差,发现RNN算法相对误差小,且需要的观测数也少,能够高效地重构稀疏信号。

联合感知矩阵优化的穿墙MIMO阵列稀疏成像方法

采用压缩感知理论的穿墙稀疏成像恢复算法需要感知矩阵满足有限等距性质(RIP),最直接的验证方法是判定感知矩阵的相干系数是否较小。针对现有的穿墙多输入多输出(MIMO)阵列稀疏成像方法没有验证感知矩阵是否满足RIP性质而容易出现重构失败并导致成像模糊的问题,提出一种联合感知矩阵优化的穿墙MIMO阵列稀疏成像方法。该方法首先依据配置指标将阵元配置为两端发中间收和分时复用的模式,既能使感知矩阵的相干系数最小,又能获得均匀而不冗余的等效虚拟阵元;然后,从中选取部分能够满足感知矩阵相干系数最小的虚拟阵元组合,使用可分离逼近结构稀疏恢复算法充分考虑扩展目标信号的结构稀疏先验信息对其进行稀疏成像重构;最后,选取成像性能指标较好的一组作为成像结果。仿真和实验结果表明,该方法降低了运算量和虚拟阵元间的干扰,节约了硬件成本,提高了算法的稀疏重构性能,获得了高分辨的穿墙扩展目标成像。