低相关性压缩感知表示基学习算法

压缩感知理论作为一种新的信息压缩与采样理论,广泛用于各种信号的压缩与采样.提出一种低相关压缩感知稀疏表示基学习算法,用于实现稀疏投影下的自适应稀疏表示基设计,从而有效提高在稀疏采样压缩情况下的压缩感知数据信号的恢复性能.实验结果表明本文提出的方法可以有效提高数据恢复性能.     

基于梯度下降法与特征值分解的测量矩阵优化方法

压缩感知理论突破了香农采样定律中对信号采样频率的限制.测量矩阵的构造是压缩感知理论中一个重要的部分.减小传感矩阵的互相干系数,选择性能较好的测量矩阵,能够提高重构质量.设计了EigGrd算法,Gram矩阵是由测量矩阵和稀疏变换矩阵乘积构成,使用特征值分解对Gram矩阵进行初始化,在稀疏变换矩阵固定的情况下,利用梯度下降...     

基于变换域的压缩感知快速重构算法

压缩感知是信号处理领域热门研究课题,其应用前提为原信号是稀疏或可压缩的。时域非稀疏信号可以变换为频域稀疏信号,但变换后的信号和传感矩阵表示形式为复数,增加了重构复杂度。为了降低复杂度,提高信号重构效率,提出一种基于实变换的重构算法,该算法将复数形式的稀疏信号和传感矩阵的实部和虚部分离后再参与重构。与传统重构算法相比,该算法改善了重构信号的均方误差,明显缩短了重构时间,极大提高了信号重构效率。     

一种基于小波压缩感知的藏族壁画图像处理

针对藏族壁画特点在采集图像时采用一种基于小波压缩的感知算法,利用改进的小波变换,分解图像高频分量和低频分量,并进行稀疏变换,达到采样压缩。图像重构利用压缩感知OMP算法重构图像,实验表明,原始图像分块数和随机矩阵不变时,采样率越大,PSNR越小,重构的图像也越清晰,针对藏族壁画算法有效。     

稀疏度自适应回溯追踪算法改进

针对压缩感知重构算法中信号稀疏度未知和步长大小固定的问题,提出一种新的压缩感知信号重构算法,即基于弱选择的稀疏度自适应回溯追踪（SPWAMP）算法。该算法将自适应思想、变步长迭代思想与回溯思想相结合,在未知信号稀疏度的情况下,利用阈值方法选取预选集,通过变步长更新支撑集原子个数并结合回溯思想剔除不可靠原子,最终实现信号精确重构。仿真结果表明,当信号稀疏度K达到65时,该算法重构精度相对稀疏度自适应匹配追踪（SAMP）算法提高了40%,而此时正交匹配追踪（OMP）算法、子空间追踪（SP）算法和分段弱选择正交匹配追踪（SWOMP）算法已无法实现重构。因此,该算法相对其它同类算法提高了信号重构精度。     

一种基于压缩感知的目标DOA估计方法

对于水下目标的波达方向估计(DOA)问题,提出一种基于压缩感知的估计方法。压缩感知(CS)是近年来出现的一种新的数据获取方法,能以低于Nyquist的采样率对稀疏数据或可压缩数据进行采样并以高概率对采样数据恢复重构。以水下目标的方位信号为估计对象,采用CS的正交匹配跟踪(OMP)技术估计稀疏信号中能量较强的位置,从而实现对目标的定向。为了验证基于CS技术的DOA估计方法的性能,将其与传统的MUSIC算法进行了对比,仿真验证的结果表明,新方法在估计角分辨率和有效性方面均优于MUSIC算法。     

电能质量信号的KSVD-NRAMP归一化自适应稀疏重构算法

针对稀疏重构算法在电能质量重构中存在实时性差、重构精度低的问题,提出一种基于特征向量归一化的K奇异值分解(KSVD-NRAMP)自适应稀疏重构算法。算法针对电能质量信号的非线性非稳态特征,采用迭代式匹配追踪得到信号稀疏特征矩阵,然后对矩阵进行归一化处理,量化特征向量,加快函数收敛速度。接着对得到的矩阵原子进行奇异值分解,改善迭代步长波动造成信号重构精度低的问题,最后构建信号的高斯随机矩阵并重构信号。当信号压缩率在50%~90%时,该算法重构信噪比其它重构算法的重构信噪比高出26dB~28dB。实验结果表明,该算法重构精度更高且计算时间短,为电能质量信号的研究提供了一种新思路。     

基于小波变换的压缩感知算法在交通监控中的应用研究

针对交通监控各个节点数据采集压缩环节存在数据量大、采样压缩存储负荷大等问题,提出了基于小波变换的压缩感知算法在远低于奈奎斯特采样率的情况下能够大幅降低采样压缩图像数据量,并采用了多种其他小波变换改进算法进行对比实验,对比重构图像的PSNR值和各还原图像数据,验证了此改进型算法能够降低并缓解监控数据采集压缩等环节负荷大的问题。     

基于双树复数小波的快速二步迭代混合范数算法

以双树复数小波基为稀疏基,局部哈达玛矩阵为观测矩阵,在IST算法的基础上提出一种改进的快度二步迭代混合范数算法,目标函数采用混合范数模型,二步迭代加速了目标函数的优化,二步迭代混合范数算法收敛于混合目标函数的最小值。改进的算法重构速度高于IST算法的2.5倍,图像的均方误差减小50%以上。与以DCT为稀疏基、高斯矩阵为观测矩阵、快速二步迭代混合范数算法为重构算法的压缩感知重构系统相比,改进算法的峰值信噪比提高了约1dB,表明改进算法具有更好的图像重构质量和重构速度。     

基于小波变换的暂态电能质量扰动的检测法

该文研究了基于小波变换的暂态电能质量扰动的检测算法,利用快速小波变换算法即Mallat算法检测和提取扰动信号,并在MATLAB环境下进行了仿真,采用db4小波、3尺度进行小波分解与重构并对信号进行检测,验证了小波变换能够实现电能质量扰动信号的准确定位。     

基于非凸低秩优化的压缩感知植株图像重构

目标植株图像压缩重构对于图像的高效传输及存储意义重大,同时为后期植株生长状态检测及病虫害识别奠定了基础。传统图像压缩感知方法大多是针对信号在某个特征空间的稀疏性进行的,并没有考虑信号的局部特征与结构化特性,存在重构效率不高、重构精度较低等问题。针对以上情况,提出一种基于非凸低秩优化的压缩感知植株图像重构算法。首先通过KinectV2.0采集植株图像深度数据并进行预处理,结合K-means与Mean-shift聚类算法提取目标植株有效区域,再考虑图像的非局部自相似性,采用加权[lp]范数最小化算法（WSNM）求解低秩优化问题,较好地保留了图像结构细节,最后采用Dog-leg最小二乘算法取代最快下降法进行迭代优化。试验结果证明,该算法在不同采样率下的植株图像重构质量优于其它同类算法,尤其在低采样率下重构效果更为突出。     

基于ESMD与SVM的电能质量混合扰动识别

针对实际电能质量扰动种类繁多、扰动信号差异不明显、存在多种混合扰动,导致识别电能质量非常困难的情况,提出一种基于极点对称经验模式分解方法（ESMD）和支持向量机（SVM）的电能质量混合扰动信号分类识别新方法。首先,对加入白噪声的混合扰动信号利用小波软阈值去噪处理|其次,利用ESMD将信号分解为不同信号分量,对每类扰动的不同信号分量分别提取样本熵和互样本熵特征值,所有分量特征值构成特征向量|最后利用SVM对扰动信号特征向量进行分类和混合扰动识别。研究表明,该方法对混合扰动识别正确率很高,是一个有效的方法。     

Joint compressive spectrum sensing scheme in wideband cognitive radio networks

In this paper, a distributed compressive spectrum sensing scheme in wideband cognitive radio networks is investigated. An analog-to-information converters (AIC) RF front-end sampling structure is proposed which use parallel low rate analog to digital conversions (ADCs) and fewer storage units for wideband spectrum signal sampling. The proposed scheme uses multiple low rate congitive radios (CRs) collecting compressed samples through AICs distritbutedly and recover the signal spectrum jointly. A general joint sparsity model is defined in this scenario, along with a universal recovery algorithm based on simultaneous orthogonal matching pursuit (S-OMP). Numerical simulations show this algorithm outperforms current existing algorithms under this model and works competently under other existing models.     

数字信号处理教学演示系统设计

数字信号处理课程是一门理论性较强的专业基础课,针对学生在学习此课程的过程中存在对抽象知识点难以理解等问题,基于Matlab GUI仿真平台设计了一款数字信号处理教学演示系统。该系统涵盖了运算、卷积、傅里叶变换、信号采样与重构、数字滤波器设计等经典算法以及语音信号处理综合案例。在教学演示过程中,该系统可灵活地进行参数调整,并可生成可执行文件,方便教学应用演示,同时有利于师生互动,帮助学生加深对重点、难点知识的理解,提高课堂效率。     

小波包分解在迎角传感器信号预处理中的应用

针对基于四象限压力传感器阵列的迎角测量方法中传感器信号受到干扰的问题。讨论了在其预处理中应用小波包变换进行信号分离提取的方法。根据小波包分解理论,对信号进行小波包分解,信号中频率不同的部分落在不同的尺度上,剔除反映干扰的变换尺度,提取出有用信息。结果表明,该方法可很好地提取信号的主要特征信息,也有效地去除了确定性干扰和随机噪声,与传统的信号滤波方法相比较具有明显的优点,同时为后续的信号处理奠定了基础。     

基于协方差矩阵重构的稳健波束形成算法

当期望信号导向矢量失配以及采样协方差矩阵中包含期望信号时,传统自适应波束形成器性能会下降。对此问题,提出了一种基于协方差矩阵重构的稳健波束形成算法。该算法首先通过对期望信号和干扰的大致来波方向范围进行积分以估计出导向矢量,然后利用主模式抑制去除信号间多余的相干性,并重构出最终的协方差矩阵。仿真实验表明,该算法提高了期望信号导向矢量失配时的稳健性,降低了对快拍数的敏感性。