Generation and Display System of Measurement Matrix Based on DMD

A measurement matrix is the key to sampling and signal reconstruction during the process of compressed sensing.On the basis of digital light processing(DLP)technology,ageneration and display system of measurement matrix based on digital micro-mirror device(DMD)is proposed and well designed.In this system,the generation and controlling of measurement matrix are implemented on a PC,which reduces the hardware requirement to generate a random matrix and overcomes the difficulty of the hardware implementation for the random matrix.It can set up the display number of the measurement matrix,the mode of display and display time according to the requirements from users.The display information can be designed to complete the display of measurement matrix with a better adaptability.The system can be easily embedded into a variety of compressed sensing applications,which can be used to generate and display the corresponding measurement matrice with strong portability.In addition,the DMD of this system will be used as a spatial optical modulator to manipulate near-infrared light in a fast,accurate and efficient way in several applications such as in 3D scanning devices and spectrometers.

基于群结构集成势均衡多目标多伯努利滤波器的群目标跟踪算法

群目标跟踪已被广泛应用于作战对抗、自动驾驶、低空防御等各个军民领域。群目标是指由多个单目标组成,并以相同的速度或方向进行移动的一组或多组目标集群。鉴于随机有限集(Random Finite Set,RFS)滤波器在处理多目标数据关联方面的优势,现有的群目标跟踪算法大多基于RFS滤波器。然而,这些滤波器在对群目标进行跟踪时大多忽略了各目标之间的关联、依赖关系等问题,为此,提出了一种基于群结构集成的势均衡多目标多伯努利(Cardinality Balanced Multi-target Multi-Bernoulli,CBMeMBer)滤波器的群目标跟踪算法。具体而言,首先通过邻接矩阵对目标群结构进行估计,即将群目标看作无向图,利用各目标之间的距离来估计群目标的邻接矩阵,进而将群目标划分为多个子群。并根据各子群中目标的运动状态,将其划分为群中心和群成员两种类别,分别建立了运动方程。而后在预测步骤中,利用估计的群结构来对目标状态进行预测。特别地,在滤波器的高斯混合实现步骤中,多个高斯分量被用来拟合相对应的各伯努利分量,但过多高斯分量的存在会降低对群目标状态估计的准确性,从而降低群结构估计的准确性,因此,在状态提取阶段,本文所提算法对高斯分量进行修剪,即对更新步骤后的每个伯努利分量中所包含的高斯分量进行筛选,只保留一个权重最大的高斯分量。最后,仿真结果表明,本文所提算法实现了对群目标的稳定跟踪,且跟踪性能优于传统的CBMeMBer滤波器。

基于亚高斯随机投影的图像重建方法

将亚高斯随机投影引入可压缩传感CS(compressed sensing)理论,给出了两种新类型的CS测量矩阵:稀疏投影矩阵和非常稀疏投影矩阵.利用亚高斯分布尾部的有界性,证明了这两种矩阵满足CS测量矩阵的必要条件.同时,进一步说明由于这两种矩阵构成元素的稀疏性可以简化图像重建过程中的投影计算,从而提高重建速度.实验结果表明新的测量矩阵均有较好的测量效果,在满足一定测量数目要求的条件下可以精确重建.最后给出了这两种矩阵与一般采用的高斯测量矩阵的重建结果比较和分析.

基于NSST的CS与区域特性相结合的图像融合方法

针对多聚焦图像和多模态医学图像的成像特性,结合剪切波变换可以捕捉图像更多的方向和其他几何信息的特点,提出一种利用非下采样剪切波变换的压缩感知与区域特性相结合的图像融合方法。利用非下采样剪切波变换将源图像进行多方向、多尺度的分解,将得到的低频子带系数采取区域能量与区域方差加权的自适应融合方式处理。由于分解后的高频子带系数具有高稀疏性,可将高频子带系数通过高斯随机测量矩阵进行压缩处理之后,采用基于压缩感知的绝对值取大的融合方式处理;然后利用正交匹配追踪算法重构,经过非下采样剪切波变换逆变换得到融合图像。仿真实验结果表明,该方法的图像融合效果无论是在主观感觉还是客观指标评价方面较传统的融合方法都具有较大优势。

基础矩阵估计的聚类分析算法

提出一种基于聚类分析的Robust基础矩阵估计算法.该算法用高斯混合模型描述匹配点估计余差,采用改进的分裂合并EM算法对匹配点估计余差进行聚类分析,根据分类结果及平均余差最小规则筛选出正确匹配点类别,抛弃错误匹配点;最后,用M估计算法对筛选出的正确匹配点进行迭代求精.大量实验结果表明,文中算法比随机抽样一致性算法的估计精度高,且计算效率高.

基于特征级数据融合木材纹理分类的研究

为了提高对木材纹理识别的精度,提出了一种基于融合灰度共生矩阵与高斯-马尔可夫随机场纹理参数的特征级数据融合木材纹理模式识别方法。首先,分别获取了以上两种木材纹理特征参数;然后,使用模拟退火算法将两种不同类型的纹理特征量在特征层上进行了融合。利用融合后的特征对木材纹理样本进行识别,BP神经网络分类器的识别率达到97.00%,表明数据融合后的特征参数对木材纹理识别是十分有效的。

一种改进的高斯逆威沙特概率假设密度扩展目标跟踪算法

假设扩展目标(ET)的扩展和量测数目分别为椭圆和泊松模型,高斯逆威沙特概率假设密度(GIW-PHD)能够估计扩展目标的运动和扩展状态。然而,该滤波器对空间邻近目标的数目、非椭圆目标和受到遮挡目标的扩展估计不够准确。针对这些问题,该文提出一种改进的GIW-PHD。首先,假设目标扩展为一个相同尺寸的参考椭圆,通过设计新的散射矩阵得到改进的随机矩阵(RM)方法。然后,将改进的RM方法与假设量测数目服从多伯努利分布的ET-PHD结合,得到改进的GIW-PHD滤波器。仿真和实验结果表明,与传统GIW-PHD相比,改进的GIW-PHD估计的目标数目和量测数目较多,扩展较大的椭圆和非椭圆目标的扩展更准确。

亚高斯随机矩阵的稀疏恢复

对于一般的压缩感知模型,当模型中系数矩阵的每一项都是亚高斯随机变量并且稀疏矩阵满足限制等距性质时,在测量值满足最优条件m≥csln(e N/s)的情况下,模型的s稀疏解也可以通过?1最小化得到.文章中首先借助概率分布范数给出了三个重要的辅助定理,最后给出主要结论的证明并且通过一个简单的实验验证了最后的定理.

高斯随机观测矩阵的改进

在压缩感知理论中,要想精确地重构信号,观测矩阵必须满约束等距性条件,大部分随机矩阵都具备此条件,并可作为观测矩阵,如高斯随机矩阵、傅里叶矩阵和贝努利随机矩阵等。其中高斯随机矩阵是研究较多的观测矩阵。然而,该类矩阵重构信号时的效果并不十分理想,恢复后的信号相对误差较大。主要针对高斯随机矩阵的上述问题,对其进行改进。改进的观测矩阵保留了高斯随机矩阵的随机独立性,很好的满足约束等距性条件。先通过对时域稀疏信号的压缩感知重构,来验证改进后的观测矩阵的性能,然后将其扩展到变换域信号的压缩感知重构。实验结果表明,改进后的观测矩阵比原高斯随机矩阵具有更好的性能。

基于压缩感知的图片压缩与加密GUI系统

利用Matlab平台设计了基于压缩感知的图片压缩和加密GUI系统,主要解决海量图片的存储空间利用率低和图片数据安全问题.本系统采用小波变换基将图片系数稀疏化,将使用高斯随机矩阵进行压缩测量后得到的数据存储在服务器中,以减少存储空间,提高服务器空间利用率;同时将测量矩阵作为密钥进行加密,增加了图片信息的安全性,在需要访问时使用密钥矩阵和重构算法重构出原始图片.该GUI系统能够直观反映基于压缩感知的图片压缩与加密系统的工作过程.并且通过MCC将代码独立化为可执行exe文件,以便于直接对图片进行压缩、加密、存取和重构.

空间谱估计中的压缩感知测量矩阵分析

在压缩感知理论中,测量矩阵的选取对信号的采集和重建起着重要的作用。然而目前测量矩阵在不同应用中性能表现不同,没有统一的评价结论,且前人的研究大多集中在时域和频域条件下进行。文中主要研究六种常用的测量矩阵在信号的空间谱估计中的应用效果。采用多个仿真实验,分别在不同测量数,不同稀疏度,以及不同信噪比的条件下,比较各测量矩阵对空域信号波达方向角估计的准确率、均方差以及所需时间。实验结果显示:在空域条件下高斯随机矩阵、伯努利矩阵对信号的普适性较好,对已知稀疏度的空域确定信号能很好的完成空间谱估计。该结论对于压缩感知在信号空间谱估计中的应用有一定意义。

基于压缩传感和自适应Lp范数的ECT图像重建算法研究（英文）

针对传统电容层析成像存在流型辨识方法识别率较低和需要大量数据的问题,提出一种基于压缩感知理论的流型识别方法。首先利用离散余弦DCT基对原始图像灰度信号进行稀疏化处理,再利用随机高斯矩阵进行观测。可以利用少量数据精确重构出原始信号,减少了采样时间;同时在成像算法中为避免L1范数正则化需要大量数据和L0范数优化的NP问题,引入自适应Lp(0<p<1)范数正则化作为惩罚项,可以根据输入数据不同自主选择最优参数,既可以产生一个稀疏的解,又能减少数据冗余。实验仿真数据表明:基于压缩传感和自适应Lp范数算法的图像质量优于正则化和SVD方法,在节省采样时间的基础上提高了图像质量。

紧框架算法下的语音信号压缩感知

压缩感知,近年来在信号处理领域取得非常多的成果。在基于压缩感知进行语音压缩重构时,测量矩阵在重构原始信号的过程中发挥着重要的作用.为了提高重构语音质量,从观测矩阵着手,基于紧框架算法构造测量矩阵,并与传统的高斯随机观测矩阵进行重构语音质量的比较。实验结果表明,紧框架矩阵相对于传统常用的高斯随机矩阵,在语音重构过程中取得更好的效果。

基于压缩采样的电力系统负荷频率自动控制研究

为降低新能源接入对电力系统的影响,研究了基于压缩采样的电力系统负荷频率自动控制方法。利用匹配追踪算法对采集到的新能源发电输出功率信号进行稀疏表示,并将稀疏表示后的信号投射至测量矩阵得到低维的测量值。在测量值范围内,运用L1范数优化方法得到重构后新能源发电输出功率。将该功率与期望功率的偏差作为扰动项,接入基于比例积分(PI)控制器的负荷频率控制模型。利用变论域方法调节PI控制器输入与输出论域。根据模糊推理定义伸缩因子,构建变论域模糊PI控制器使之作用于负荷频率控制模型,完成电力系统负荷频率的自动控制。试验结果证明:该方法控制后的输出功率稳定,负荷扰动下区域控制偏差和频率偏差小,电力系统负荷频率自动控制的精度最高可达99%,具有实用性。

Eigen模型中误差阈展宽机制的研究

物种演化本质上是生物群体与他们周围环境之间相互作用的一个随机过程.即演化模型中的一些物理参量是受外界环境涨落的影响.本工作中,是把模型中的适应度和突变率这2个物理参量同时处理为高斯分布随机变量,当二者同步耦合随机化时,转变区域的宽度与适应度和突变率的涨落强度分别呈线性和指数型关系;二者在非同步耦合随机化的情况下,转变区域的宽度与变量涨落强度间的关系与之前相一致.此时,不同的涨落强度下,变量与转变区域的宽度呈现出不同的趋势.当适应度和突变率二者同时随机化时,突变率随机化占据了主导地位,这就需要将突变概率矩阵中矩阵元作进一步的分析,进而研究误差阈的展宽机制.

随机赋值权重的深度网络具有物体分类能力

一些文献中报道,即使深度网络的权重参数随机赋值,对应的深度网络仍有一定的分类能力.以AlexNet为模式网络,从3个侧面分析探讨了随机深度网络是否具有图像物体分类能力.首先,将AlexNet的权重随机赋值;然后,对多类不同的图像物体刺激下的神经元响应的表达不相似矩阵(RDM)与原AlexNet的RDM进行了相关性分析,发现这2类RDM具有显著相关性;鉴于深度卷积网络每层的卷积操作为加权求和,且根据中心极限定理,大量随机变量的和近似服从正态分布,进一步分别拟合了在同一输入图像下原AlexNet神经元响应的分布和随机AlexNet神经元响应的分布与高斯分布的拟合优度,并对上述2种优度进行了相关性分析.大量模拟实验表明,对于来自真实世界的样本,对应高斯拟合优度呈现显著相关性.最后,直接利用赋以随机权重的AlexNet输出的高层响应进行K近邻分类,发现其分类精度高于直接对原始彩色图像进行K近邻分类的精度.因此,与文献报道相似,实验结果再次表明随机深度网络的确具备一定的物体分类的能力.

高斯矩阵测度集中不等式的相关证明

Simon Foucart和Holger Rauhut在他们的著作中证明了高斯随机矩阵奇异值的测度集中不等式,相应的复高斯随机矩阵奇异值和亚高斯随机矩阵奇异值是否有类似的测度集中不等式也是值得思考的.著作中还给出了高斯随机矩阵测度集中不等式的一个修正定理但未给出证明.本文通过证明得出了这两个测度集中不等式,并且补充了高斯随机矩阵测度集中不等式修正定理的证明.

特征融合与约简的纹理分类方法研究

提出了一种新的基于多特征融合的纹理分类算法.首先,通过灰度共生矩阵(GLCM)、高斯马尔科夫随机场(GMRF)和二进制小波(Wavelet)抽取纹理特征,采用基于K近邻域(K-NN)分类器的留一法交叉验证错误率作为顺序前向搜索算法(SFS)的评估函数进行特征约简,从而有效地将多特征进行融合,最后利用K-NN分类器对融合后的特征进行分类.对Brodaz纹理库的测试结果证实:(1)GCLM,GMRF和Wavelet方法提取的纹理特征具有互补性与协同性;(2)与单独的纹理特征提取方法相比,多特征融合与约简的方法取得了更高的识别精度;(3)与简单的特征联合方法相比,文中提出的方法识别率可提高约4%;(4)与经典特征降维方法(主成分变换(PCA)、Fish-er判别(LDA)法)相比,文中提出的方法在识别精度和识别效率方面更具有优势,是一种实用的纹理分类方法.

次高斯复随机矩阵的算子范数估计

在傅里叶光学、量子力学等物理领域,研究对象可用复随机矩阵描述,而复随机矩阵的算子范数估计是研究这些物理问题的重要工具,故对次高斯复随机矩阵的算子范数估计进行了研究。首先将实随机变量的性质推广到复随机变量上,并在此基础上证明了复随机变量的Hoeffding不等式和Bernstein不等式,然后利用ε-网技术给出了次高斯复随机矩阵算子范数的一个双侧界估计,最后用次高斯复随机矩阵范数估计的数值模拟实验验证了结论的准确性。

一种基于椭圆随机超曲面模型的群目标高斯混合PHD滤波器

在弹道导弹防御系统中,群目标跟踪是目前较为困难的问题之一。这些目标不仅具有相似的运动特性,且相互邻近,又由于红外光学探测器的特性和分辨率的影响,使得它们在像平面不再是点目标而是簇状像斑。因此,"一个目标至多产生一个量测"的传统多目标跟踪方法不再适用。为了实现对该类目标的有效跟踪,提出了一种新型滤波算法。该算法视群目标为一个整体,用椭圆随机超曲面模型描述其扩散程度,并将其与扩展目标高斯混合概率假设密度(PHD)滤波器相结合,通过跟踪群质心和扩散程度实现对像平面群目标的跟踪。通过仿真对比,所提算法在质心状态和扩散程度的估计精度方面均明显优于基于随机矩阵的高斯逆韦氏分布的概率假设密度滤波器。