CN101640541A - 一种稀疏信号的重构方法 - Google Patents
一种稀疏信号的重构方法 Download PDFInfo
- Publication number
- CN101640541A CN101640541A CN200910023785A CN200910023785A CN101640541A CN 101640541 A CN101640541 A CN 101640541A CN 200910023785 A CN200910023785 A CN 200910023785A CN 200910023785 A CN200910023785 A CN 200910023785A CN 101640541 A CN101640541 A CN 101640541A
- Authority
- CN
- China
- Prior art keywords
- reconstruction
- signal
- sparse signal
- reconstruct
- objective function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明公开了一种稀疏信号的重构方法,主要解决从观测向量重构原始稀疏信号速率低的问题。该方法利用约束目标函数的可分解性,将优化约束目标函数问题分解为一系列小的约束目标函数来优化,提高重构速率。它包括获取原始数据部分、重构原始稀疏信号部分和重构准确度评价部分,其中:获取原始数据部分包括产生原始稀疏信号、观测矩阵和观测向量;重构原始稀疏信号部分主要包括设定无约束目标函数,推导约束目标函数、使用序列最小优化方法分解约束目标函数、计算重构信号和对重构信号进行除偏处理;重构准确度评价是比较均方误差的大小。本发明的重构方法可在保证重构准确率的前提下,提高重构速率,可应用于压缩感知等领域的稀疏信号重构问题。
Description
技术领域
本发明属于信号处理技术领域,特别是涉及稀疏信号重构,可用于压缩感知或者相反问题上。
背景技术
随着数字化信息时代的发展,信息来源的模拟化和信息处理工具的数字化越来越占有主导地位,信号的采样是两者联系的桥梁。傅立叶变换和奈奎斯特采样定理表明,欲无失真从离散信号中恢复信号,其采样速率必须是信号带宽的2倍。然而随着人们对信息需求量的增加,携带信息的信号的带宽越来越宽,据此理论为基础的信号处理框架,要求的采集速率和处理速度越来越高,对宽带信号处理的困难也越来越大,给信号采集、存储、传输和处理等带来了巨大的压力。
近几年来出现的一种新颖的理论——Compressed sensing,也称为Compressivesampling,得到了快速发展。该理论异于近代奈奎斯特采样定理,它指出:利用随机观测矩阵可以把一个稀疏或可压缩的高维信号投影到低维空间上,然后再利用这些少量的投影通过解一个优化问题就可以以高概率重构原始稀疏信号,并证明了这样的随机投影包含了原始稀疏信号的足够信息。于是一个可压缩信号能够用比奈奎斯特采样要求的信号长度小得多的信号来准确表示。该理论利用其它变换空间描述信号,建立新的信号描述和处理的理论框架,使得在保证信息不损失的条件下,用远低于奈奎斯特采样定理要求的速率采样信号而又可以完全恢复信,可极大地降低信号的采样频率、极大地减少数据存储和传输代价、极大地减少信号处理时间和计算成本。它带领信号处理进入一个新的革命时代。
在压缩感知理论中,由于观测数量K远小于信号长度N,因此不得不面对求解欠定方程组y=Ax∈RK,K<N的问题。乍一看,求解欠定方程组似乎是无望的,但是,人们发现由于信号x∈RN是稀疏的或可压缩的,也就是说,它在某个固定基ψ下可以精确地写成少量的基向量的叠加。这个前提从根本上改变了问题,使得求解压缩感知理论中欠定方程组问题可解,而观测矩阵具有RIP性质也为从K个观测值中精确恢复信号提供了理论保证。目前,存在很多压缩感知中重构原始稀疏信号的方法,例如:GPSR、state-of-the-art、IST、l1_ls和OMP等方法。
IST最初应用于反卷积方面,对于解决压缩感知问题,观测矩阵的行数一般小于列数,IST并不有效。l1_ls是基于共轭梯度下降算法提出的一种方法,每一次循环都需要寻找下降方向,浪费了时间。OMP方法虽然节约了大量时间,但是对于压缩感知中不一致情况,它对噪声的鲁棒性太低。GPSR和state-of-the-art当循环次数多时,浪费了时间。
发明内容
本发明的目的在于克服上述技术的不足,提出一种稀疏信号重构方法,以提高重构原始稀疏信号的速率和准确度。
为实现上述目的,本发明包括如下步骤:
(1)利用计算机得到原始稀疏信号f∈RN、观测矩阵A∈RK×N和观测向量y∈RK;
(2)从含有K个元素的观测向量y中,按如下步骤重构含有N个元素的原始稀疏信号f:
2a)设定重构原始稀疏信号f的无约束目标函数:
式中,x∈RN为重构信号,ε为惩罚因子,通过调节ε的大小,控制重构原始稀疏信号f的准确度;
2b)将无约束目标函数中重构信号x的N个元素用βi-βi *,i=1,...,N代替,得到约束目标函数,令 i=1,...,N,其中μ∈R2N,初始化向量μ的所有元素都为零;
2c)求取约束目标函数的Lagrange对偶函数;
2d)由约束目标函数和Lagrange对偶函数得到满足Karush-Kuhn-Tucker,即KKT条件的最优解;
2e)以KKT条件作为重构稀疏信号的终止条件判断,判断当前向量μ中所有元素是否满足KKT条件,若有违反KKT条件的元素,执行步骤2f),否则跳至步骤2h);
2f)设定一个工作集work,使得工作集work中元素个数为nwork,并且选用当前向量μ中最大违反KKT条件的前nwork个元素作为工作集work中元素;
2g)计算工作集work中元素的最优解,更新向量μ中与工作集work中元素相对应的元素;
2h)计算重构信号的当前值xi=ui-ui+N,i=1,...,N;
2i)对重构信号进行除偏处理,得到有除偏处理的重构信号x*;
(3)计算重构原始稀疏信号f的准确度,用 评价重构信号的无除偏处理准确度,其中符号δ表示重构信号的无除偏处理均方误差,用重构信号的有除偏处理均方误差 评价重构信号的有除偏处理重构准确度。
本发明与其他技术相比具有以下优点:
1、本发明在无约束目标函数的基础上,推导出一种约束目标函数,并且通过调整参数ε使重构信号的准确度和重构速率达到预想结果。
2、本发明考虑到约束目标函数的可分解性,将约束目标函数分解为一系列小的线性方程组来解决,节约了存储空间。
3、本发明将序列最小优化方法应用到重构原始稀疏信号的约束目标函数上,并且使用KKT条件作为重构稀疏信号的终止条件判断,具有很好的收敛性和快速性。
4、本发明在重构原始稀疏信号的过程中,通过人工设定当前工作集中元素的个数,控制重构原始稀疏信号过程的循环次数,提高了重构速率。
附图说明
图1是本发明对稀疏信号重构的过程图;
图2是用本发明方法和三种GPSR方法进行目标函数值随时间的仿真曲线图;
图3是用本发明方法和一种GPSR方法进行目标函数值和均方误差值随时间的仿真曲线图;
图4是用本发明方法、GPSR方法和两种OMP方法进行均方误差值和时间随原始稀疏信号中包含非零元素个数的仿真曲线图。
具体实施方式
参照图1,本发明包括原始数据获取过程、重构原始稀疏信号过程和准确度评价过程。具体实现如下:
步骤1:利用计算机得到原始稀疏信号f∈R4096、观测矩阵A∈R1024×4096和观测向量y∈R1024。
(1a)利用计算机产生包含θ个±1元素的原始稀疏信号f∈R4096,其他4096-θ个元素为零;
(1b)利用计算机产生满足均值为0、方差为1和独立同分布的1024×4096高斯矩阵AA,将矩阵AA按行进行正交化处理,得到观测矩阵A∈R1024×4096;
(1c)根据原始稀疏信号f和观测矩阵A,利用计算机按照等式y=Af+n计算观测向量y∈R1024,其中n是方差为σ2=10-4的高斯白噪声。
步骤2:从含有1024个元素的观测向量y中精确重构含有4096个元素的原始稀疏信号f。
(2a)设定重构原始稀疏信号f的无约束目标函数;
式中,x∈R4096为重构信号,ε为惩罚因子,通过调节ε的大小,控制重构原始稀疏信号f的准确度;
(2b)将无约束目标函数中重构信号x的4096个元素用βi-βi *,i=1,...,4096代替,初始化向量μ的所有元素都为零,得到约束目标函数;
st ui≥0,i=1,...,8192
式中, H=ATA, i=1,...,4096;
(2c)求约束目标函数b)的Lagrange对偶函数;
st. ui≥0,ωi≥0,i=1,...,8192
式中ω为Lagrange乘子;
(2d)由约束目标函数b)和Lagrange对偶函数c)得到最优解满足的KKT条件(Karush-Kuhn-Tucker);
d-ω=0
ωi≥0
d)
μi≥0
μiωi=0,i=1,...,8192
式中d=Hbμ+c,为约束目标函数b)的梯度,d=ω;将式d)分解为两个条件:如果μi=0,则要求di≥0;如果μi>0,则要求μi=0;
(2e)以KKT条件作为重构稀疏信号算法的终止条件判断,判断当前向量μ中所有元素是否满足KKT条件,若有违反KKT条件的元素,继续步骤(2f),否则跳至步骤(2h);
(2f)设定一个工作集work,使得工作集work中元素个数为nwork,并且选用当前向量μ中最大违反KKT条件的前nwork个元素作为工作集work中元素;
(2g)根据H值,找到当前工作集work中元素所对应的二次项系数矩阵Q和常数项系数向量b,得到一个nwork元线性方程组,求解该线性方程组,得到工作集work中元素的最优解,更新向量μ中与该工作集work中元素相对应的元素;
(2h)计算重构信号当前值xi=ui-ui+N,i=1,...,4096;
(2i)对重构向量进行除偏处理,得到有除偏处理的重构信号x*。
步骤3:计算重构原始稀疏信号f的准确度。
用 评价重构信号的无除偏处理准确度,其中符号δ表示重构信号的无除偏处理均方误差,用重构信号的有除偏处理均方误差 评价重构信号的有除偏处理重构准确度。
本发明的效果通过以下仿真进一步说明:
1、仿真条件与内容
对压缩感知领域中稀疏信号的重构按照上述具体实施过程进行仿真。在我们的实验中,考虑一种比较典型的压缩感知问题。目的是从含有1024个元素的观测向量y中精确重构含有4096个元素的原始稀疏信号f。
仿真1,利用计算机产生包含160个值为±1的原始稀疏信号,并且在满足等式y=Af+n的条件下,取ε=0.08,从含有1024个元素的观测向量y中精确重构含有4096个元素的原始稀疏信号f。
用本发明方法进行循环次数、时间和均方误差值随原始稀疏信号中包含非零元素个数的10次仿真,记录下每次仿真的结果,计算10次的平均结果,结果如表1所示。
表1.用本发明方法进行10次仿真的平均结果
非零元素个数 | 循环次数 | 时间 | 均方误差值 |
1 | 374 | 2.43 | 0.007 |
2 | 213 | 1.48 | 0.007 |
3 | 152 | 1.13 | 0.007 |
4 | 117 | 0.97 | 0.007 |
5 | 97 | 0.91 | 0.007 |
6 | 83 | 0.83 | 0.0068 |
7 | 74 | 0.88 | 0.0068 |
8 | 65 | 0.87 | 0.007 |
9 | 59 | 0.91 | 0.0068 |
10 | 53 | 0.93 | 0.0067 |
11 | 50 | 0.99 | 0.007 |
12 | 45 | 1.01 | 0.007 |
13 | 42 | 1.07 | 0.007 |
14 | 41 | 1.15 | 0.007 |
15 | 39 | 1.21 | 0.007 |
16 | 37 | 1.27 | 0.0067 |
17 | 35 | 1.38 | 0.0067 |
18 | 33 | 1.43 | 0.007 |
19 | 32 | 1.5 | 0.0067 |
20 | 30 | 1.55 | 0.0067 |
仿真2,利用计算机产生包含160个值为±1的原始稀疏信号,并且在满足等式y=Af+n的条件下,取nwork=6和ε=0.08,从含有1024个元素的观测向量y中精确重构含有4096个元素的原始稀疏信号f。
用本发明方法和三种GPSR方法进行目标函数值随时间的仿真曲线图,如图2所示。
用本发明方法和一种GPSR方法进行目标函数值和均方误差值随时间的仿真曲线图,如图3所示。
用本发明方法、l1_ls、IST和三种GPSR方法进行10次仿真,计算平均结果,结果如表2所示。
表2.用本发明方法、l1_ls、IST和三种GPSR方法进行10次仿真的平均结果
方法 | 时间(秒) | 均方误差值 |
本发明方法 | 1.1 | 0.0068 |
GPSR_BB monotone | 1.93 | 0.007 |
GPSR_BB nonmonotone | 1.86 | 0.0067 |
GPSR_Basic | 2.05 | 0.007 |
l1_ls | 8.22 | 0.0067 |
IST | 6.28 | 0.007 |
仿真3,利用计算机产生包含5-250个值为±1的原始稀疏信号,并且在满足等式y=Af+n的条件下,从含有1024个元素的观测向量y中精确重构含有4096个元素的原始稀疏信号f。
用本发明方法、GPSR方法和两种OMP方法进行均方误差值和时间随原始稀疏信号中包含非零元素个数的仿真曲线图,如图4所示。
2、仿真结果分析
从表1所示的循环次数、时间和均方误差值随原始稀疏信号中包含非零元素个数的变化情况可以看出,当nwork=6时,本发明方法所需时间最低。
从图2中可以看出,与三种GPSR方法相比,本发明方法的目标函数值随时间下降比较快。
图3(a)给出了用本发明方法和一种GPSR方法进行目标函数值随时间的仿真曲线图,图3(b)给出了用本发明方法和一种GPSR方法进行均方误差值随时间的仿真曲线图。从图3(a)中可以看出有除偏处理重构方法的目标函数值比无除偏处理重构方法的目标函数值大,是由有除偏处理过程与无除偏处理过程优化的目标函数不同所致。
从表2中可以看出,与l1_ls、IST和三种GPSR方法相比,在保证准确度的情况下,本发明方法的重构速率比较快。
图4(a)给出了用本发明方法、GPSR方法和两种OMP方法进行均方误差值随原始稀疏信号中包含非零元素个数的仿真曲线图。图4(b)给出了用本发明方法、GPSR方法和两种OMP方法进行时间随原始稀疏信号中包含非零元素个数的仿真曲线图。从图4可以看出,与GPSR方法和两种OMP方法相比,在保证准确度的情况下,本发明方法的重构速率比较快。
上述结果表明,本发明与三种GPSR方法、IST、l1_ls和两种OMP方法相比,具有明显的优点。首先,它只有一个参数,并且易于调节;其次,它的重构速率高于其他方法;最后,它的重构准确度并没有低于其他方法。
Claims (7)
1、一种稀疏信号的重构方法,包括如下步骤:
(1)利用计算机得到原始稀疏信号f∈RN、观测矩阵A∈RK×N和观测向量y∈RK;
(2)从含有K个元素的观测向量y中,按如下步骤重构含有N个元素的原始稀疏信号f:
2a)设定重构原始稀疏信号f的无约束目标函数:
式中,x∈RN为重构信号,ε为惩罚因子,通过调节ε的大小,控制重构原始稀疏信号f的准确度;
2b)将无约束目标函数中重构信号x的N个元素用βi-βi *,i=1,...,N代替,得到约束目标函数,令 i=1,...,N,其中μ∈R2N,初始化向量μ的所有元素都为零;
2c)求取约束目标函数的Lagrange对偶函数;
2d)由约束目标函数和Lagrange对偶函数得到满足Karush-Kuhn-Tucker,即KKT条件的最优解;
2e)以KKT条件作为重构稀疏信号的终止条件判断,判断当前向量μ中所有元素是否满足KKT条件,若有违反KKT条件的元素,执行步骤2f),否则跳至步骤2h);
2f)设定一个工作集work,使得工作集work中元素个数为nwork,并且选用当前向量μ中最大违反KKT条件的前nwork个元素作为工作集work中元素;
2g)计算工作集work中元素的最优解,更新向量μ中与工作集work中元素相对应的元素;
2h)计算重构信号的当前值xi=ui-ui+N,i=1,...,N;
2i)对重构信号进行除偏处理,得到有除偏处理的重构信号x*;
(3)计算重构原始稀疏信号f的准确度,用 评价重构信号的无除偏处理准确度,其中符号δ表示重构信号的无除偏处理均方误差,用重构信号的有除偏处理均方误差 评价重构信号的有除偏处理重构准确度。
2、根据权利要求1所述的重构方法,其中步骤(1)所述的利用计算机得到原始稀疏信号、观测矩阵和观测向量,包括如下步骤:
(a)利用计算机产生包含θ个非零元素的原始稀疏信号f,其他N-θ个元素值为零;
(b)利用计算机产生满足独立同分布、均值为0和方差为1的K×N高斯矩阵AA,将矩阵AA按行进行正交化处理,得到观测矩阵A∈RK×N;
(c)根据原始稀疏信号f和观测矩阵A,利用计算机按照等式y=Af,或者按照等式y=Af+n计算观测向量y∈RK,其中K<N,n是方差为σ2的高斯白噪声。
3、根据权利要求1所述的重构方法,其中步骤2b)中的约束目标函数,用矩阵表示如下:
st ui≥0,i=1,...,2N
式中, H=ATA,
4、根据权利要求1所述的重构方法,其中步骤2c)中的Lagrange对偶函数,用矩阵表示如下:
st.ui≥0,ωi≥0,i=1,...,2N
式中ω为Lagrange乘子。
5、根据权利要求1所述的重构方法,其中步骤2d)中的KKT条件为:
d-ω=0
ωi≥0 (5A)
μi≥0
μiωi=0,i=1,...,2N
式中d=Hbμ+c,为目标函数(3A)的梯度,d=ω;将式(5A)分解为两个条件:如果μi=0,则要求di≥0;如果μi>0,则要求μi=0。
6、根据权利要求1所述的重构方法,其中步骤2g)中所述的计算该工作集work中元素的最优解,是根据H值,找到当前工作集work中元素所对应的二次项系数矩阵Q和常数项系数向量b,得到一个nwork元线性方程组,求解该线性方程组,得到工作集work中元素的最优解。
7、根据权利要求1所述的重构方法,其中步骤2i)中所述的对重构向量进行除偏处理,是采用共轭梯度下降算法对无约束目标函数(1A)的二次项||y-Ax||2 2进行优化,得到有除偏处理的重构信号x*。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910023785A CN101640541A (zh) | 2009-09-04 | 2009-09-04 | 一种稀疏信号的重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910023785A CN101640541A (zh) | 2009-09-04 | 2009-09-04 | 一种稀疏信号的重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101640541A true CN101640541A (zh) | 2010-02-03 |
Family
ID=41615363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910023785A Pending CN101640541A (zh) | 2009-09-04 | 2009-09-04 | 一种稀疏信号的重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101640541A (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101895297A (zh) * | 2010-07-30 | 2010-11-24 | 哈尔滨工业大学 | 一种面向压缩感知的块稀疏信号重构方法 |
CN101908889A (zh) * | 2010-07-30 | 2010-12-08 | 哈尔滨工业大学 | 一种块稀疏度未知的稀疏信号压缩感知重构方法 |
CN101908890A (zh) * | 2010-07-30 | 2010-12-08 | 哈尔滨工业大学 | 分块大小未知的块稀疏信号的盲重构方法 |
CN101931814A (zh) * | 2010-09-03 | 2010-12-29 | 北京工业大学 | 基于压缩感知的图像解码方法 |
CN101938655A (zh) * | 2010-09-09 | 2011-01-05 | 北京工业大学 | 基于非均匀量化噪声模型的压缩感知图像解码方法 |
CN101958000A (zh) * | 2010-09-24 | 2011-01-26 | 西安电子科技大学 | 基于稀疏表示的人脸画像-照片生成方法 |
CN102024266A (zh) * | 2010-11-04 | 2011-04-20 | 西安电子科技大学 | 基于图像结构模型的压缩感知图像重构方法 |
CN102034250A (zh) * | 2010-11-26 | 2011-04-27 | 西安电子科技大学 | 基于边缘结构信息的分块压缩感知重构方法 |
CN102065291A (zh) * | 2010-11-09 | 2011-05-18 | 北京工业大学 | 基于稀疏表示模型的图像解码方法 |
CN102142139A (zh) * | 2011-03-25 | 2011-08-03 | 西安电子科技大学 | 基于压缩学习感知的sar高分辨图像重建方法 |
CN102236052A (zh) * | 2010-03-30 | 2011-11-09 | 索尼公司 | 间接雷达全息设备及相应的方法 |
CN102236051A (zh) * | 2010-03-30 | 2011-11-09 | 索尼公司 | 辐射测量成像设备及相应的方法 |
CN102253117A (zh) * | 2011-03-31 | 2011-11-23 | 浙江大学 | 一种基于压缩感知的新型声学信号采集方法 |
CN102291152A (zh) * | 2011-04-07 | 2011-12-21 | 湖南大学 | 基于奇异值分解的压缩感知含噪信号重构系统 |
WO2012094804A1 (en) * | 2011-01-10 | 2012-07-19 | Alcatel-Lucent Shanghai Bell Co., Ltd. | Method and apparatus for measuring and recovering sparse signals |
CN102685502A (zh) * | 2010-09-03 | 2012-09-19 | 北京工业大学 | 基于压缩感知的图像解码方法 |
CN102750262A (zh) * | 2012-06-26 | 2012-10-24 | 清华大学 | 基于omp算法在gpu上实现稀疏信号恢复的方法 |
CN102970044A (zh) * | 2012-11-23 | 2013-03-13 | 南开大学 | 一种基于回溯的迭代重加权压缩传感重构算法 |
CN103208134A (zh) * | 2013-03-08 | 2013-07-17 | 西安交通大学 | 一种基于压缩传感的闪光照相客体三维重构方法 |
CN103400369A (zh) * | 2013-06-25 | 2013-11-20 | 西安电子科技大学 | 基于压缩感知框架的目标检测方法 |
WO2013178009A1 (zh) * | 2012-05-30 | 2013-12-05 | 华为技术有限公司 | 信号重构的方法和装置 |
CN103944680A (zh) * | 2014-04-23 | 2014-07-23 | 浙江大学 | 基于信号稀疏特性的不可靠无线链路信息传输方法 |
CN103974284A (zh) * | 2014-03-31 | 2014-08-06 | 南京航空航天大学 | 一种基于部分重构的宽带频谱感知方法 |
CN104682964A (zh) * | 2015-03-15 | 2015-06-03 | 西安电子科技大学 | 一种半确定压缩感知测量矩阵的构造方法 |
CN104883192A (zh) * | 2015-06-18 | 2015-09-02 | 西安电子科技大学 | 基于混合压缩采样的非合作超宽带信号的重构方法 |
CN104933743A (zh) * | 2015-02-26 | 2015-09-23 | 浙江德尚韵兴图像科技有限公司 | 利用修正乘子交替方向法对磁共振图像ppi重构的方法 |
CN103944578B (zh) * | 2014-03-28 | 2017-08-22 | 电子科技大学 | 一种多信号的重构方法 |
CN109061630A (zh) * | 2018-08-01 | 2018-12-21 | 电子科技大学 | 在嵌套阵列下基于改进的正交匹配追踪doa估计方法 |
CN111060885A (zh) * | 2019-12-13 | 2020-04-24 | 河海大学 | 一种mimo雷达的参数估计方法 |
CN113422663A (zh) * | 2021-05-31 | 2021-09-21 | 南京航空航天大学 | 一种基于信号分解与稀疏重构的混合信号分离方法及装置 |
CN113704686A (zh) * | 2021-09-02 | 2021-11-26 | 中国人民解放军陆军勤务学院 | 一种基于平滑函数的数据处理方法及装置 |
-
2009
- 2009-09-04 CN CN200910023785A patent/CN101640541A/zh active Pending
Cited By (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102236052A (zh) * | 2010-03-30 | 2011-11-09 | 索尼公司 | 间接雷达全息设备及相应的方法 |
CN102236051A (zh) * | 2010-03-30 | 2011-11-09 | 索尼公司 | 辐射测量成像设备及相应的方法 |
CN101908889A (zh) * | 2010-07-30 | 2010-12-08 | 哈尔滨工业大学 | 一种块稀疏度未知的稀疏信号压缩感知重构方法 |
CN101908890A (zh) * | 2010-07-30 | 2010-12-08 | 哈尔滨工业大学 | 分块大小未知的块稀疏信号的盲重构方法 |
CN101895297A (zh) * | 2010-07-30 | 2010-11-24 | 哈尔滨工业大学 | 一种面向压缩感知的块稀疏信号重构方法 |
CN101908889B (zh) * | 2010-07-30 | 2013-03-20 | 哈尔滨工业大学 | 一种块稀疏度未知的稀疏信号压缩感知重构方法 |
CN101908890B (zh) * | 2010-07-30 | 2012-12-26 | 哈尔滨工业大学 | 分块大小未知的块稀疏信号的盲重构方法 |
CN101895297B (zh) * | 2010-07-30 | 2012-12-26 | 哈尔滨工业大学 | 一种面向压缩感知的块稀疏信号重构方法 |
CN102685502A (zh) * | 2010-09-03 | 2012-09-19 | 北京工业大学 | 基于压缩感知的图像解码方法 |
CN101931814A (zh) * | 2010-09-03 | 2010-12-29 | 北京工业大学 | 基于压缩感知的图像解码方法 |
CN102685502B (zh) * | 2010-09-03 | 2014-04-02 | 北京工业大学 | 基于压缩感知的图像解码方法 |
CN101931814B (zh) * | 2010-09-03 | 2012-11-21 | 北京工业大学 | 基于压缩感知的图像解码方法 |
CN101938655B (zh) * | 2010-09-09 | 2013-06-05 | 北京工业大学 | 基于非均匀量化噪声模型的压缩感知图像解码方法 |
CN101938655A (zh) * | 2010-09-09 | 2011-01-05 | 北京工业大学 | 基于非均匀量化噪声模型的压缩感知图像解码方法 |
CN101958000A (zh) * | 2010-09-24 | 2011-01-26 | 西安电子科技大学 | 基于稀疏表示的人脸画像-照片生成方法 |
CN101958000B (zh) * | 2010-09-24 | 2012-08-15 | 西安电子科技大学 | 基于稀疏表示的人脸画像-照片生成方法 |
CN102024266A (zh) * | 2010-11-04 | 2011-04-20 | 西安电子科技大学 | 基于图像结构模型的压缩感知图像重构方法 |
CN102024266B (zh) * | 2010-11-04 | 2012-07-25 | 西安电子科技大学 | 基于图像结构模型的压缩感知图像重构方法 |
CN102065291A (zh) * | 2010-11-09 | 2011-05-18 | 北京工业大学 | 基于稀疏表示模型的图像解码方法 |
CN102065291B (zh) * | 2010-11-09 | 2012-11-21 | 北京工业大学 | 基于稀疏表示模型的图像解码方法 |
CN102034250B (zh) * | 2010-11-26 | 2012-05-23 | 西安电子科技大学 | 基于边缘结构信息的分块压缩感知重构方法 |
CN102034250A (zh) * | 2010-11-26 | 2011-04-27 | 西安电子科技大学 | 基于边缘结构信息的分块压缩感知重构方法 |
US9256578B2 (en) | 2011-01-10 | 2016-02-09 | Alcatel Lucent | Method and apparatus for measuring and recovering sparse signals |
WO2012094804A1 (en) * | 2011-01-10 | 2012-07-19 | Alcatel-Lucent Shanghai Bell Co., Ltd. | Method and apparatus for measuring and recovering sparse signals |
CN102142139A (zh) * | 2011-03-25 | 2011-08-03 | 西安电子科技大学 | 基于压缩学习感知的sar高分辨图像重建方法 |
CN102142139B (zh) * | 2011-03-25 | 2012-10-24 | 西安电子科技大学 | 基于压缩学习感知的sar高分辨图像重建方法 |
CN102253117A (zh) * | 2011-03-31 | 2011-11-23 | 浙江大学 | 一种基于压缩感知的新型声学信号采集方法 |
CN102291152A (zh) * | 2011-04-07 | 2011-12-21 | 湖南大学 | 基于奇异值分解的压缩感知含噪信号重构系统 |
CN102291152B (zh) * | 2011-04-07 | 2014-06-04 | 湖南大学 | 基于奇异值分解的压缩感知含噪信号重构系统 |
US9215034B2 (en) | 2012-05-30 | 2015-12-15 | Huawei Technologies Co., Ltd. | Signal reconstruction method and apparatus |
WO2013178009A1 (zh) * | 2012-05-30 | 2013-12-05 | 华为技术有限公司 | 信号重构的方法和装置 |
CN103456148A (zh) * | 2012-05-30 | 2013-12-18 | 华为技术有限公司 | 信号重构的方法和装置 |
CN103456148B (zh) * | 2012-05-30 | 2018-03-02 | 华为技术有限公司 | 信号重构的方法和装置 |
CN102750262A (zh) * | 2012-06-26 | 2012-10-24 | 清华大学 | 基于omp算法在gpu上实现稀疏信号恢复的方法 |
CN102970044A (zh) * | 2012-11-23 | 2013-03-13 | 南开大学 | 一种基于回溯的迭代重加权压缩传感重构算法 |
CN102970044B (zh) * | 2012-11-23 | 2017-10-27 | 南开大学 | 一种基于回溯的迭代重加权压缩传感重构方法 |
CN103208134A (zh) * | 2013-03-08 | 2013-07-17 | 西安交通大学 | 一种基于压缩传感的闪光照相客体三维重构方法 |
CN103400369B (zh) * | 2013-06-25 | 2016-04-13 | 西安电子科技大学 | 基于压缩感知框架的目标检测方法 |
CN103400369A (zh) * | 2013-06-25 | 2013-11-20 | 西安电子科技大学 | 基于压缩感知框架的目标检测方法 |
CN103944578B (zh) * | 2014-03-28 | 2017-08-22 | 电子科技大学 | 一种多信号的重构方法 |
CN103974284B (zh) * | 2014-03-31 | 2017-10-31 | 南京航空航天大学 | 一种基于部分重构的宽带频谱感知方法 |
CN103974284A (zh) * | 2014-03-31 | 2014-08-06 | 南京航空航天大学 | 一种基于部分重构的宽带频谱感知方法 |
CN103944680A (zh) * | 2014-04-23 | 2014-07-23 | 浙江大学 | 基于信号稀疏特性的不可靠无线链路信息传输方法 |
CN104933743B (zh) * | 2015-02-26 | 2018-11-02 | 浙江德尚韵兴图像科技有限公司 | 利用修正乘子交替方向法对磁共振图像ppi重构的方法 |
CN104933743A (zh) * | 2015-02-26 | 2015-09-23 | 浙江德尚韵兴图像科技有限公司 | 利用修正乘子交替方向法对磁共振图像ppi重构的方法 |
CN104682964A (zh) * | 2015-03-15 | 2015-06-03 | 西安电子科技大学 | 一种半确定压缩感知测量矩阵的构造方法 |
CN104682964B (zh) * | 2015-03-15 | 2017-10-24 | 西安电子科技大学 | 一种半确定压缩感知测量矩阵的构造方法 |
CN104883192B (zh) * | 2015-06-18 | 2018-03-06 | 西安电子科技大学 | 基于混合压缩采样的非合作超宽带信号的重构方法 |
CN104883192A (zh) * | 2015-06-18 | 2015-09-02 | 西安电子科技大学 | 基于混合压缩采样的非合作超宽带信号的重构方法 |
CN109061630A (zh) * | 2018-08-01 | 2018-12-21 | 电子科技大学 | 在嵌套阵列下基于改进的正交匹配追踪doa估计方法 |
CN109061630B (zh) * | 2018-08-01 | 2022-05-03 | 电子科技大学 | 在嵌套阵列下基于改进的正交匹配追踪doa估计方法 |
CN111060885A (zh) * | 2019-12-13 | 2020-04-24 | 河海大学 | 一种mimo雷达的参数估计方法 |
CN113422663A (zh) * | 2021-05-31 | 2021-09-21 | 南京航空航天大学 | 一种基于信号分解与稀疏重构的混合信号分离方法及装置 |
CN113422663B (zh) * | 2021-05-31 | 2022-10-11 | 南京航空航天大学 | 一种基于信号分解与稀疏重构的混合信号分离方法及装置 |
CN113704686A (zh) * | 2021-09-02 | 2021-11-26 | 中国人民解放军陆军勤务学院 | 一种基于平滑函数的数据处理方法及装置 |
CN113704686B (zh) * | 2021-09-02 | 2024-03-29 | 中国人民解放军陆军勤务学院 | 一种基于平滑函数的数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101640541A (zh) | 一种稀疏信号的重构方法 | |
CN103198322B (zh) | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 | |
CN102882530B (zh) | 一种压缩感知信号重构方法 | |
O’Brien et al. | Reducing the computational cost of the ECF using a nuFFT: A fast and objective probability density estimation method | |
CN103065160A (zh) | 基于局部协同表示和邻域信息约束的高光谱图像分类方法 | |
CN103886337A (zh) | 基于多稀疏描述的最近邻子空间sar目标识别方法 | |
CN104899448A (zh) | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 | |
CN107944472A (zh) | 一种基于迁移学习的空域运行态势计算方法 | |
Pinto et al. | Noiseless Vlasov–Poisson simulations with linearly transformed particles | |
CN113888351A (zh) | 光伏系统的功率预测方法、装置及电子设备 | |
CN105046046B (zh) | 一种集合卡尔曼滤波局地化方法 | |
CN105426822A (zh) | 基于双树复小波变换的非平稳信号多重分形特征提取方法 | |
CN107247687A (zh) | 一种基于特征正交分解的非平稳随机过程快速模拟方法 | |
Yu et al. | A fault diagnosis approach for diesel engine valve train based on improved ITD and SDAG-RVM | |
CN104320144A (zh) | 稀疏度自适应信号重构方法 | |
CN106202756A (zh) | 基于单层感知机的欠定盲源分离源信号恢复方法 | |
Lu et al. | Accounting for model error from unresolved scales in ensemble Kalman filters by stochastic parameterization | |
CN103745233A (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
CN106326935A (zh) | 一种基于稀疏非线性子空间迁移的图像分类方法 | |
Zhang et al. | Increasing the Fisher Information Content in the Matter Power Spectrum by Nonlinear Wavelet Wiener Filtering | |
CN104459695B (zh) | 基于压缩相位恢复的稀疏微波成像方法 | |
Yang et al. | Using the modified nearest neighbor method to correct fiber-collision effects on galaxy clustering | |
CN106199544A (zh) | 基于核鉴别局部切空间排列的雷达目标距离像识别方法 | |
Casdagli | Nonlinear forecasting, chaos and statistics | |
CN113158135A (zh) | 一种含噪声的暂降源定位数据缺失值估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20100203 |