基于CS的正则化稀疏度变步长自适应匹配追踪算法

压缩感知(CS)能够突破Nyquist采样定理的瓶颈,使得高分辨率信号采集成为可能。重构算法是压缩感知中最为关键的部分,迭代贪婪算法是其中比较重要的研究方向。对压缩感知理论进行了详细分析,并在现有重构算法的基础上提出了一种新的迭代贪婪算法——正则化稀疏度变步长自适应匹配追踪(RSVss AMP)算法,可在信号稀疏度未知的情况下,结合正则化和步长自适应变化思想,快速精确地进行重构。相比于传统迭代贪婪算法,本文算法不依赖于信号稀疏度,并且应用正则化以确保选取支撑集的正确性。此外,应用自适应变化步长代替固定步长,能够提高重构速率,而且达到更高的精度。为了验证本文算法的正确性,选取高斯稀疏信号和离散稀疏信号分别进行仿真,并与现有算法进行比较。仿真结果表明,本文算法相比于现有算法可以实现更加精确快速的重构。

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。

改进的稀疏度自适应多路径匹配追踪算法

在信号重构算法中,针对基于树的多路径匹配追踪深度优先算法计算量大和多路径匹配追踪信号稀疏度未知等问题,本文提出了一种改进的稀疏度自适应多路径匹配追踪算法。该算法将自适应思想引入多路径匹配追踪算法中,自适应选择支撑集原子个数,并利用剪枝技术选择原子匹配概率最大的路径,使算法搜索路径更为有效,且大大降低了计算量。该算法改进了内积匹配准则,能在测量矩阵中更准确高效地挑选与残差信号匹配的原子,并在迭代过程中采用支撑集原子回溯和指数变步长方法提高重构精度。与传统MMP算法相比,本文提出的算法运算时间短,重建精度高,更具有实际应用价值。

基于变步长分阶自适应匹配追踪算法的振动数据重构方法研究

在处理多维海量振动数据时,存在极大的存储和传输压力问题,针对这一问题,对压缩感知理论进行了研究,在选择最优测量矩阵的基础上,提出了一种变步长分阶自适应匹配追踪(VSSStAMP)算法。该算法将匹配追踪、变步长迭代及自适应思想相结合,通过双重阈值和可变步长控制信号的重构精度,弥补了传统的重构算法需提前得到信号的稀疏度,以及稀疏度自适应匹配追踪算法(SAMP)重构结果与步长关联较大的不足,从而实现了步长自适应的振动信号重构。研究结果表明:相对于传统的重构算法和SAMP算法,VSSStAMP算法在均方误差和运行时间等方面均有所改善,有效地提高了振动信号重构的精度和效率。