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.

分段正交匹配追踪(StOMP)算法改进研究

信号重构是压缩感知的核心技术之一,而其重构精度和所耗时长直接影响其应用效果。现今分段正交匹配追踪算法(StOMP)因耗时短而得到广泛应用,但也存在着重构精度差、稳定性低的缺点。提出一种基于粒子群优化(PSO)算法且同时具有回溯特性的StOMP改进算法(ba-IWPSO-StOMP),即首先在StOMP算法的一次原子选择上,引入回溯策略,实现原子的二次筛选;在每次迭代计算中,使用具有惯性权重指数递减的PSO(IWPSO)算法对传感矩阵中部分原子进行优化,从而实现更高精度,更少迭代次数的信号重构。对一维信号和二维图像的重构结果表明,在稀疏条件相同的情况下,算法在收敛时间较短的情况下,其重构精度明显优于StOMP等同类算法。

基于参数化正交匹配追踪算法的高分辨雷达距离像重构

雷达线性调频信号调频率误差会导致传统匹配滤波模型失配,显著降低一维距离像成像效果.针对调频率误差模型下的宽带雷达高分辨一维距离像稀疏成像问题,提出了一种基于参数化正交匹配追踪算法的高分辨雷达一维成像方法.该方法首先确定调频率参数取值范围,构建调频率参数可选集合;然后基于回波数据观测矩阵与调频率的解析关系,针对每一个可选值构建参数化的稀疏观测矩阵,并进行单步正交匹配追踪迭代;最后基于每一个参数可选值对应的单步残差能量逐步筛选出调频率参数.仿真和实测数据实验验证了所提方法的有效性.

基于压缩感知和分段正交匹配追踪StOMP算法的优化

在分析分段正交匹配追踪StOMP算法迭代过程中多原子匹配方法的基础上,为了进一步减少算法迭代次数,提高重构精度,提出了基于互相关向量的自适应极限因子选取和迭代结束条件重设的优化方法。通过MATLAB编程实验,在随机给定稀疏度为K的测试数据条件下,优化后的算法较StOMP算法迭代次数减少1-2次,重构精度提升约1%,鲁棒性增加,而运行时间开销相差无几。

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.

基于改进广义正交匹配追踪的低地球轨道卫星MIMO-OTFS系统的信道估计方法

针对基于多输入多输出(MIMO)技术和正交时频空间(OTFS)调制的低地球轨道卫星系统的复杂性带来的信道估计困难问题,提出一种基于改进广义正交匹配追踪(GOMP)的信道估计方法。根据单输入单输出(SISO)-OTFS系统的输入输出关系和低地球轨道卫星信道的传播特性,建立一种基于MIMO-OTFS的低地球轨道卫星信道模型,并将系统的信道估计问题转化为稀疏信号的恢复问题。考虑到传统的GOMP算法存在对稀疏度的过度依赖和对稀疏信号的重构精度差等问题,所提方法结合了分段弱正交匹配追踪(SWOMP)的弱选择思想和广义Jaccard系数的相似性准则,以快速准确地重建稀疏信号。仿真结果表明,当天线数为16且导频开销比为0.5时,与正交匹配追踪(OMP)算法相比,所提方法的归一化均方误差(NMSE)降低了约2.5 dB,误码率(BER)降低了约5 dB。

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。

基于改进正交匹配追踪算法的压缩感知雷达成像方法

运算复杂度高是基于压缩感知(CS)的雷达成像方法走向实用亟待克服的难题。该文利用雷达目标散射率分布的稀疏性,研究了基于改进正交匹配追踪(OMP)算法的2维联合压缩成像方法。首先建立了步进频雷达回波的稀疏表示模型,根据稀疏字典和压缩测量的2维可分离特性,提出一种改进的OMP算法用于雷达图像形成,大大提高了计算效率,并很容易扩展到其他贪婪类算法中。从理论上对几种CS成像算法的性能及资源需求进行了分析比较,表明所提供的算法相比常规的CS算法在存储量和计算量上均具有显著的优势,仿真及暗室数据实验验证了所提成像算法的有效性。

信号压缩重构的正交匹配追踪类算法综述

压缩感知(Compressed sensing,CS)技术是近几年出现的一种新兴的信号采样和压缩技术,基于该理论所获得的原始信号采样值,不仅数量大大低于基于传统的Nyquist准则的采样值,而且CS技术还具有对未知信号边感知边压缩的特性。重构算法的设计是CS技术的核心,成为学者研究的重点。本文在对国内外已经出现的重构算法进行系统地研究后,在深入地研究了贪婪追踪算法和其重构模型的基础上,给出了正交匹配追踪(OrthogonalMatching Pursuit,OMP)类算法的基本原理、优缺点及针对各种算法的缺点的改进方案。此外,为了读者更好地定位OMP类算法,本文还简要介绍了其他几种经典的重构算法。最后,把各种算法应用于图像重构,通过仿真实验分析了各种算法的重构性能、鲁棒性和复杂度,并进一步验证了各种算法的优缺点。

基于正交匹配追踪的压缩感知信号检测算法

在不重构信号的情况下,利用检测算法直接处理压缩感知信号获得的采样值可以完成信号检测任务。目前的检测算法中,作为判决依据的特征量仅由一次迭代过程决定。在感兴趣信号存在时,算法获得的特征量波动较大,影响检测性能。基于这种原因,本文提出一种改进算法,在每次迭代中基于正交匹配追踪思想修正特征量,降低特征量的波动,提高检测性能。实验结果表明,与原算法相比,本文算法获得的特征量波动小,相同检测阈值下,检测成功率高,相同检测成功率要求下,需要的采样点数少,允许的信噪比低。

基于差分正交匹配追踪和Prony算法的低频振荡模态辨识

根据实测数据对电力系统低频振荡模态进行辨识,有助于实现电力系统有效的阻尼控制,从而提高电网的稳定性。文中介绍了利用Prony算法辨识低频振荡模态参数的原理,针对Prony算法对噪声干扰敏感以及模型阶数辨识困难导致出现伪模态的缺点,提出了一种基于差分正交匹配追踪(DOMP)和Prony算法相结合的低频振荡模态参数辨识方法。EPRI-36节点系统和实际系统相量测量单元数据算例的仿真结果表明,所述方法能够准确地辨识出系统低频振荡模态参数。通过与Prony算法结果对比验证表明,该方法辨识结果更加准确,能够满足低频振荡模态参数辨识要求。

基于改进遗传算法的正交匹配追踪信号重建方法

针对压缩传感现有重建算法的缺陷:重建速度慢,在给定迭代次数的条件下进行重建,缺乏自适应性等,提出了一种改进的遗传算法与正交匹配追踪算法相结合的方法来构造重建矩阵。首先采用改进的遗传算法从测量矩阵的列中以最优染色体的形式选出与当前冗余向量最大程度相关的列,然后从测量矩阵中减去最优染色体部分并反复迭代,直到满足重建精度。实验结果表明,与现有的重建算法相比,在满足相同的重建精度条件下,该方法所需要的重建时间减少了5s左右,所需要的测量矩阵规模减小了约10%,而且能在待重建信号稀疏度未知时自适应地控制迭代停止时间。

齿轮箱故障诊断中的正交匹配追踪算法

为通过齿轮箱的振动信号进行故障诊断,应用正交匹配追踪算法对振动信号进行处理.齿轮箱的振动信号包含了齿轮箱运行状态特征,但同时也掺杂了大量噪声信号,总体呈现出非平稳性.齿轮箱故障诊断的关键是从齿轮箱的振动信号中剔除冗余信息,用少量特征信息准确的表达信号,完成对信号中故障特征的提取.传统的频域分析法,只能从频域图上定性的判断故障,无法做到定量判断.正交匹配追踪算法是一种定量提取特征的方法,在傅里叶正交基下对振动信号进行时域向频域的映射,在频域上定量的得到主要特征,再根据主成分分析思想,提取出3组主要特征点,将已知故障分类的信号特征与待检测信号的特征进行对比,通过频域的位置和幅值的两次比较,判断故障状态,实验证明该方法可以准确的判断出齿轮箱从正常状态到100%磨损的5个不同形态的特征,完成对齿轮箱的故障诊断和分类.

基于局部随机化哈达玛矩阵的正交多匹配追踪算法

针对现有测量矩阵的优缺点,采用具有良好相关性、随机独立性及快速计算的局部随机化哈达玛矩阵作为测量矩阵,同时针对标准正交匹配追踪算法在测量过程中受扰或在稀疏信号情况下难以稳定精确重构问题,提出了一种基于局部随机化哈达玛矩阵的正交多匹配追踪算法。该算法利用局部随机化哈达玛矩阵的结构特性,能够快速精确重构原信号。仿真结果表明,测量过程中存在噪声或无噪,无论处理一维信号还是二维图像信号时,该算法性能均超过同类其他贪婪算法和凸优化基匹配法。

基于更贪心策略的快速正交核匹配追踪算法

为了得到信号的稀疏表达结果,正交核匹配追踪采用贪婪算法,在逐步回归建模过程中,每步只寻求当前最优原子,这使得计算效率大大降低.针对此局限性,提出了一种新的更加贪心的策略:在每次回归时,选择超过阈值的一个或者多个原子.为了更好的提高算法精度和稀疏度,再利用原子相似度对所挑选的原子做进一步筛选.实验结果和计算复杂度的分析说明:较传统的方法,新的基于更贪心策略的方法不仅能够提高计算效率,而且所得到的模型具有稀疏性好,泛化能力高等优点.

基于相关正交匹配追踪算法的风电机组滚动轴承稀疏故障诊断方法

针对风电机组滚动轴承故障信号的非平稳、强噪声污染等导致的有效冲击特征难以检测的问题,提出了一种基于相关正交匹配追踪(COMP)算法的稀疏故障诊断方法。基于COMP算法,在每次迭代后,首先根据内积大小依次计算原子与残差的相关系数,将相关系数最大的原子与其他符合条件的原子合并,将合并后的原子作为一个新原子;然后,利用这些新原子重新构成一个与信号相关度较强的新字典,对信号进行稀疏表示;最后,通过分析稀疏表示结果的包络谱实现滚动轴承故障的准确诊断。由于该方法重构的新原子与残差的相关性较强,因此只需较少的迭代次数就可得到较高的稀疏表示精度。仿真试验和工程应用验证了所提方法的有效性和实用性。

基于改进果蝇优化算法正交匹配追踪的超声信号降噪方法

降噪是超声信号处理的重要环节,正交匹配追踪是一种常用的降噪方法,传统正交匹配追踪算法计算量大、分解精度不高,无法提取强噪声背景下的超声信号.本文提出了一种结合果蝇优化算法和正交匹配追踪的超声信号降噪算法,将正交匹配追踪中的“贪婪”搜索转换为Gabor函数的参数优化问题,利用果蝇优化算法估计Gabor函数的最优值,采用自适应步长以提高果蝇优化算法的全局遍历性,同时引入高维广义CAT映射以跳出局部最优,最后由寻找到的最佳原子重构超声信号.为验证算法的有效性,对仿真的多频超声回波信号和实验采集的锻件试块超声回波信号进行了降噪处理,结果表明,本文提出的方法能有效提取强噪声背景下的超声信号.

基于块A~＊正交匹配追踪的多传感器数据联合重构算法

针对A*正交匹配追踪(A*OMP)算法计算复杂高,且不能利用信号的结构稀疏性这一缺陷,该文提出了块A*OMP算法并将其用于解决分布式压缩感知中的信号联合重构问题。该算法用原子块取代单个原子作为搜索树中的节点,在计算路径代价时用搜索树中所有路径的最大长度取代信号的稀疏度。然后在块A*OMP算法的基础上,选择与残差矩阵投影误差最小的原子块作为新的节点,得到了一种用于解决MMV(Multiple Measurement Vector,MMV)问题的块A*OMP算法,并利用该算法对相邻区域内的多个传感器所测的温度信号进行了联合重构。实验结果表明,该算法的重构性能优于MMV正交匹配追踪(OMPMMV)算法。

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。

改进的正交匹配追踪语音增强算法

本文根据语音信号在离散余弦变换(discrete cosine transform,DCT)域上的近似稀疏性,将压缩感知(compressed sensing,CS)应用于语音增强。提出了一种基于压缩感知的语音增强新算法。算法采用对语音信号具有一定鲁棒性的行阶梯矩阵,对含噪语音进行压缩观测,通过改进的正交匹配追踪OMP(orthogonal matching pursuit,OMP)算法重构语音信号,最后用低通滤波器对重构语音进行平滑滤波,实现语音增强。实验结果表明:本文所提语音增强算法在提高输出信噪比的同时,减少了重构时间,具有较强的鲁棒性。