CN101895297A - 一种面向压缩感知的块稀疏信号重构方法 - Google Patents

一种面向压缩感知的块稀疏信号重构方法 Download PDF

Info

Publication number
CN101895297A
CN101895297A CN 201010240600 CN201010240600A CN101895297A CN 101895297 A CN101895297 A CN 101895297A CN 201010240600 CN201010240600 CN 201010240600 CN 201010240600 A CN201010240600 A CN 201010240600A CN 101895297 A CN101895297 A CN 101895297A
Authority
CN
China
Prior art keywords
matrix
block
vector
signal
iteration
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.)
Granted
Application number
CN 201010240600
Other languages
English (en)
Other versions
CN101895297B (zh
Inventor
付宁
马云彤
邓立宝
曹离然
彭喜元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN 201010240600 priority Critical patent/CN101895297B/zh
Publication of CN101895297A publication Critical patent/CN101895297A/zh
Application granted granted Critical
Publication of CN101895297B publication Critical patent/CN101895297B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种面向压缩感知的块稀疏信号重构方法，具体涉及一种块稀疏信号的重构算法，解决决现有采用块稀疏信号的重构算法中的混合l2/l1优化算法优化复杂度较高、块稀疏匹配追踪算法或是正交匹配追踪算法容易造成过匹配现象的问题。本发明所述的方法：通过第l次迭代对第l-1次迭代运算出的恢复矩阵
Figure 201010240600.7_AB_0
的列向量在测量矩阵中的标号进行修正，且对于一个块稀疏度为K的稀疏信号x，不超过K次迭代即可重构块稀疏信号x。本发明适用于块稀疏信号的重构，尤其适用于二值块稀疏信号的重构。

Description

一种面向压缩感知的块稀疏信号重构方法
技术领域
本发明属于压缩感知技术领域，具体涉及一种块稀疏信号的重构算法。
背景技术
传统的信号采样理论是基于奈奎斯特采样定理，即：在进行模拟信号向数字信号转换的过程中，为保证源信号的信息不丢失，无失真地恢复源信号，采样频率应大于该模拟信号中最高频率的2倍。这使得宽带模拟信号的数字化需要很高的采样频率，增加了物理器件的负担。而且，对于数据量大的信号，对处理器的存储容量和处理速度都将有更高的要求。
压缩感知（Compressed Sensing，CS）理论是近几年提出的一个全新的信号采样理论，其思想是对稀疏信号能以远低于奈奎斯特采样频率的速度对源信号进行全局观测，通过适当的重构算法从观测信号中重构出源信号。CS理论将传统的对信号的采样转化成对信息的采样，把采样和压缩结合成一步对信号进行编码，极大地降低了信号的采样频率及数据存储和传输代价，显著地降低信号处理时间和计算成本。由于其特殊的性质，CS理论在信源编码、数据挖掘、雷达信号处理、医学信号处理以及图像处理等领域有广泛的应用前景。
目前基于块稀疏信号的重构算法主要分为三种：
一、混合l 2/l 1优化（Mixed l 2/l 1 Optimization Program, L-OPT）算法；
二、块稀疏匹配追踪（Block-sparse Matching Pursuit, BMP）算法；
三、块稀疏正交匹配追踪（Block-sparse Orthogonal Matching Pursuit, BOMP）算法。
采用混合l 2/l 1优化算法作为块稀疏信号的重构算法，存在优化复杂度较高，实际应用困难的问题；采用块稀疏匹配追踪算法或是块稀疏正交匹配追踪算法作为块稀疏信号的重构算法，匹配原子确定后便不再改变，容易造成过匹配现象。
发明内容
本发明为了解决现有采用块稀疏信号的重构算法中的混合l 2/l 1优化算法优化复杂度较高、块稀疏匹配追踪算法或是正交匹配追踪算法容易造成过匹配现象的问题，提出一种面向压缩感知的块稀疏信号重构方法。
本发明是通过下述方案予以实现的：一种面向压缩感知的块稀疏信号重构方法，所述方法的过程为：
步骤一、采集块稀疏信号x的观测信号为y，观测信号y是长度为m的实数向量，即                                                
Figure 2010102406007100002DEST_PATH_IMAGE001
，
设定块稀疏信号重构过程中各参数的初始状态值：
其中，块稀疏信号x是长度为N、块稀疏度为K的实数向量，即
Figure 2010102406007100002DEST_PATH_IMAGE002
， 
设定测量矩阵为
Figure 2010102406007100002DEST_PATH_IMAGE003
是m行N列的实数矩阵，即
Figure 2010102406007100002DEST_PATH_IMAGE004
， 
预先设定迭代误差err，分块向量Group的形式为：
Figure 2010102406007100002DEST_PATH_IMAGE005
，
其中，N=M×d，M为分块向量Group的分组数，d为分块向量Group的子块长度，
设定残差的初始值r 0 =y，恢复矩阵的初始值
Figure 2010102406007100002DEST_PATH_IMAGE006
，迭代次数l的初始值为1，块稀疏信号x的重构向量
Figure 2010102406007100002DEST_PATH_IMAGE007
；
步骤二、根据第l-1次迭代后的残差r l -1 ，计算第l次迭代后的与残差r l-1最匹配的子空间i l ：
其中，测量矩阵
Figure 719560DEST_PATH_IMAGE003
的N个列向量根据子块长度d将测量矩阵
Figure 244607DEST_PATH_IMAGE003
分成M块，
Figure 2010102406007100002DEST_PATH_IMAGE009
为
Figure 98162DEST_PATH_IMAGE003
的第p块对应的列向量组成的矩阵，
Figure 2010102406007100002DEST_PATH_IMAGE010
， 
Figure 2010102406007100002DEST_PATH_IMAGE011
，i l 的值对应分块向量Group中的分组号，所述分组号为1,2,…,M，
即的转置与第l-1次迭代后的残差r l-1进行相乘运算后，得到一个长度为d的向量，将所述的向量中的多个元素取绝对值，再对所述的多个绝对值求其平均值，从而获得M个绝对平均值，从所获得的M个绝对平均值中选择最大的K个值的标号赋值给所述与残差r l-1最匹配的子空间i l ；
步骤三、将步骤二中获得的子空间i l 所对应的测量矩阵
Figure 2010102406007100002DEST_PATH_IMAGE012
中的列向量组成的矩阵
Figure 2010102406007100002DEST_PATH_IMAGE013
与第l-1次迭代的恢复矩阵的并集赋值给第l次迭代的过渡矩阵
Figure 2010102406007100002DEST_PATH_IMAGE015
，即：
Figure 2010102406007100002DEST_PATH_IMAGE016
；
步骤四、根据观测信号y及步骤三获得的第l次迭代的过渡矩阵，计算第l次迭代后的与观测信号y最匹配的子空间t l ：
Figure 2010102406007100002DEST_PATH_IMAGE017
其中，j为过渡矩阵
Figure 2010102406007100002DEST_PATH_IMAGE018
的分块标号，矩阵
Figure 2010102406007100002DEST_PATH_IMAGE019
为矩阵
Figure 2010102406007100002DEST_PATH_IMAGE020
的伪逆矩阵，
Figure 2010102406007100002DEST_PATH_IMAGE021
，矩阵
Figure 437812DEST_PATH_IMAGE022
为过渡矩阵
Figure 326133DEST_PATH_IMAGE015
所对应的测量矩阵
Figure 395589DEST_PATH_IMAGE012
的列向量组成的矩阵，t l 的值对应分块向量Group中的分组号，
即矩阵
Figure 2010102406007100002DEST_PATH_IMAGE023
的每一块分别与观测信号y进行乘积运算，将所述的多个乘积值分别取绝对值，再分别对所述的每一块块内多个绝对值求其平均值，从中选择最大的K个值的标号赋值给所述与观测信号y最匹配的子空间t l ；
步骤五、将步骤四获得的子空间t l 所对应的测量矩阵
Figure 872707DEST_PATH_IMAGE012
中的列向量组成的矩阵
Figure 752938DEST_PATH_IMAGE024
赋值给恢复矩阵
Figure 2010102406007100002DEST_PATH_IMAGE025
：
Figure 505387DEST_PATH_IMAGE026
；
步骤六、根据步骤五中获得的恢复矩阵
Figure 2010102406007100002DEST_PATH_IMAGE027
，计算第l次迭代后的残差r l ：
Figure 2010102406007100002DEST_PATH_IMAGE028
；
其中，
Figure 2010102406007100002DEST_PATH_IMAGE029
为
Figure 2010102406007100002DEST_PATH_IMAGE030
的伪逆矩阵，
Figure 2010102406007100002DEST_PATH_IMAGE031
；
步骤七、判断步骤六中所述的第l次迭代后的残差r l 是否小于预先设定迭代误差err，判断结果为是，则执行步骤十，判断结果为否，则执行步骤八；
步骤八、判断步骤七中所述的迭代次数l的取值是否大于分组数M，判断结果为是，则执行步骤十，判断结果为否，则执行步骤九；
步骤九、将迭代次数l的值加1，返回步骤二；
步骤十、根据观测信号y及步骤六中获得的矩阵
Figure 2010102406007100002DEST_PATH_IMAGE032
，计算块稀疏信号x的重构向量为：
Figure 2010102406007100002DEST_PATH_IMAGE034
，
完成块稀疏信号x的重构。
本发明通过第l次迭代对第l-1次迭代运算出的恢复矩阵的列向量在测量矩阵中的标号进行修正，且对于一个块稀疏度为K的稀疏信号x，在测量数m足够大的情况下，不超过K次迭代即可重构块稀疏信号x。本发明所述的方法复杂度低、不会造成过匹配现象，能够同时满足重构概率和重构效率的要求，在信源编码、数据挖掘、雷达信号处理、医学信号处理以及图像处理等领域，本发明所述的方法在将采集到的压缩信号进行恢复的过程中，得到广泛的应用。
附图说明
图1是具体实施方式一所述的一种面向压缩感知的块稀疏信号重构方法的流程图；图2是具体实施方式一所述的压缩感知处理信号的基本模型框图；图3是本发明所述算法与L-OPT算法、BMP算法及BOMP算法分别在观测信号y幅度为高斯分布信号时的重构概率结果图；图4是本发明所述算法与L-OPT算法、BMP算法及BOMP算法分别在观测信号y为二值信号的重构概率对比图。
具体实施方式
具体实施方式一、下面结合图1及图2具体说明本实施方式。一种面向压缩感知的块稀疏信号重构方法，所述方法的过程为：
步骤一、采集块稀疏信号x的观测信号为y，观测信号y是长度为m的实数向量，即
Figure 24672DEST_PATH_IMAGE001
，
设定块稀疏信号重构过程中各参数的初始状态值：
其中，块稀疏信号x是长度为N、块稀疏度为K的实数向量，即
Figure 75805DEST_PATH_IMAGE002
， 
设定测量矩阵为
Figure 187986DEST_PATH_IMAGE003
是m行N列的实数矩阵，即
Figure 551577DEST_PATH_IMAGE004
， 
预先设定迭代误差err，分块向量Group的形式为：
Figure 550757DEST_PATH_IMAGE005
，
其中，N=M×d，M为分块向量Group的分组数，d为分块向量Group的子块长度，
设定残差的初始值r 0 =y，恢复矩阵的初始值，迭代次数l的初始值为1，块稀疏信号x的重构向量；
步骤二、根据第l-1次迭代后的残差r l-1，计算第l次迭代后的与残差r l-1最匹配的子空间i l ：
Figure 587218DEST_PATH_IMAGE008
其中，测量矩阵
Figure 706483DEST_PATH_IMAGE003
的N个列向量根据子块长度d将测量矩阵
Figure 83107DEST_PATH_IMAGE003
分成M块，
Figure 920613DEST_PATH_IMAGE009
为
Figure 676604DEST_PATH_IMAGE003
的第p块对应的列向量组成的矩阵，
Figure 102906DEST_PATH_IMAGE010
， 
Figure 401163DEST_PATH_IMAGE011
，i l 的值对应分块向量Group中的分组号，所述分组号为1,2,…,M，
即
Figure 975233DEST_PATH_IMAGE009
的转置与第l-1次迭代后的残差r l-1进行相乘运算后，得到一个长度为d的向量，将所述的向量中的多个元素取绝对值，再对所述的多个绝对值求其平均值，从而获得M个绝对平均值，从所获得的M个绝对平均值中选择最大的K个值的标号赋值给所述与残差r l-1最匹配的子空间i l ；
步骤三、将步骤二中获得的子空间i l 所对应的测量矩阵
Figure 282717DEST_PATH_IMAGE012
中的列向量组成的矩阵
Figure 360264DEST_PATH_IMAGE013
与第l-1次迭代的恢复矩阵
Figure 95002DEST_PATH_IMAGE014
的并集赋值给第l次迭代的过渡矩阵
Figure 893718DEST_PATH_IMAGE015
，即：
Figure 4893DEST_PATH_IMAGE016
；
步骤四、根据观测信号y及步骤三获得的第l次迭代的过渡矩阵
Figure 202525DEST_PATH_IMAGE015
，计算第l次迭代后的与观测信号y最匹配的子空间t l ：
Figure 295115DEST_PATH_IMAGE017
其中，j为过渡矩阵
Figure 328930DEST_PATH_IMAGE018
的分块标号，矩阵为矩阵
Figure 30356DEST_PATH_IMAGE022
的伪逆矩阵，
Figure 359094DEST_PATH_IMAGE021
，矩阵
Figure 880205DEST_PATH_IMAGE022
为过渡矩阵
Figure 316871DEST_PATH_IMAGE015
所对应的测量矩阵
Figure 239828DEST_PATH_IMAGE012
的列向量组成的矩阵，t l 的值对应分块向量Group中的分组号，
即矩阵
Figure 736537DEST_PATH_IMAGE023
的每一块分别与观测信号y进行乘积运算，将所述的多个乘积值分别取绝对值，再分别对所述的每一块块内的多个绝对值求其平均值，从中选择最大的K个值的标号赋值给所述与观测信号y最匹配的子空间t l ；
步骤五、将步骤四获得的子空间t l 所对应的测量矩阵
Figure 744944DEST_PATH_IMAGE012
中的列向量组成的矩阵
Figure 922985DEST_PATH_IMAGE024
赋值给恢复矩阵
Figure 940926DEST_PATH_IMAGE025
：
Figure 359269DEST_PATH_IMAGE026
；
步骤六、根据步骤五中获得的恢复矩阵，计算第l次迭代后的残差r l ：
Figure 633442DEST_PATH_IMAGE028
；
其中，
Figure 514679DEST_PATH_IMAGE029
为
Figure 103923DEST_PATH_IMAGE030
的伪逆矩阵，；
步骤七、判断步骤六中所述的第l次迭代后的残差r l 是否小于预先设定迭代误差err，判断结果为是，则执行步骤十，判断结果为否，则执行步骤八；
步骤八、判断步骤七中所述的迭代次数l的取值是否大于分组数M，判断结果为是，则执行步骤十，判断结果为否，则执行步骤九；
步骤九、将迭代次数l的值加1，返回步骤二；
步骤十、根据观测信号y及步骤六中获得的矩阵
Figure 669083DEST_PATH_IMAGE032
，计算块稀疏信号x的重构向量
Figure 2010102406007100002DEST_PATH_IMAGE035
为：
，
完成块稀疏信号x的重构。
本实施方式中，压缩感知处理信号的基本模型为：
其中：块稀疏信号
Figure 745066DEST_PATH_IMAGE002
，，
Figure 136733DEST_PATH_IMAGE038
表示稀疏信号x的0-范数，即信号值不为0的个数。测量矩阵
Figure 273316DEST_PATH_IMAGE003
是m行N列的实数矩阵，即
Figure 866496DEST_PATH_IMAGE004
，且m<<N。在已知观测向量y和测量矩阵
Figure 63122DEST_PATH_IMAGE003
的情况下，可以用0-范数意义下的优化问题来重构或逼近块稀疏信号x。
如图2所示，块稀疏信号x经过压缩采样后得到观测向量y，观测向量y，经过存储传输及信号重构处理后得到重构向量
Figure DEST_PATH_IMAGE039
。
块稀疏信号x的形式可表示为：
Figure 942085DEST_PATH_IMAGE040
其中N=M×d，x[l]为一子块。
当d=1时，块稀疏信号退化成一般意义下的稀疏信号。
块稀疏度为K的块稀疏信号x的一个子块x[l]中至多有K个不为0的欧几里德范数，定义：
Figure DEST_PATH_IMAGE041
其中，
所以，块稀疏信号x的块稀疏度为K，满足。
本实施方式的步骤二中一次能够寻找到K个匹配的子块，提高了算法的运行效率。
本实施方式的步骤四中对第l-1次迭代后的与观测信号y最匹配的子空间t l 进行修正，从而提高了寻找信号支撑集的准确率，能更加精确地重构块稀疏信号x。
本实施方式通过第l次迭代对第l-1次迭代运算出的恢复矩阵
Figure 641630DEST_PATH_IMAGE044
的列向量在测量矩阵中的标号进行修正，且对于一个块稀疏度为K的稀疏信号x，在测量数m足够大的情况下，不超过K次迭代即可重构块稀疏信号x。本发明所述的方法复杂度低、不会造成过匹配现象，能够同时满足重构概率和重构效率的要求，在信源编码、数据挖掘、雷达信号处理、医学信号处理以及图像处理等领域，本发明所述的方法在将采集到的压缩信号进行恢复的过程中，得到广泛的应用。
具体实施方式二、本实施方式是对具体实施方式一所述的一种面向压缩感知的块稀疏信号重构方法中的步骤一的进一步说明，步骤一中预先设定迭代误差err设定为10-5。
具体实施方式三、本实施方式是对具体实施方式一或二所述的一种面向压缩感知的块稀疏信号重构方法的进一步说明，步骤一中所述的测量矩阵为
Figure 9158DEST_PATH_IMAGE003
服从高斯分布。
具体实施方式四、本实施方式是对具体实施方式一、二或三所述的一种面向压缩感知的块稀疏信号重构方法的进一步补充，在步骤一中，还包括对测量矩阵中的每一列列向量进行幅度归一化处理的步骤，其中，对测量矩阵中的第q列列向量
Figure DEST_PATH_IMAGE045
进行幅度归一化处理的过程为：
将测量矩阵
Figure 418645DEST_PATH_IMAGE003
的第q列列向量除以
Figure 808966DEST_PATH_IMAGE046
后的列向量作为测量矩阵新的第q列列向量，其中，
Figure 448075DEST_PATH_IMAGE048
，表示2-范数。
具体实施方式五、下面结合图3、图4具体说明本实施方式。本实施方式是将本发明所述的方法与混合l 2/l 1优化算法（L-OPT）、块稀疏匹配追踪算法（BMP）及块稀疏正交匹配追踪算法（BOMP）分别应用于块稀疏信号x的重构过程中，将每一种算法的重构概率进行对比。
本发明计算各算法的重构概率的过程为：
一、随机产生一个高斯分布测量矩阵
Figure 141093DEST_PATH_IMAGE004
，给定分块向量Group的分组数M以及块稀疏度K，随机选定K个子块，分别在这K个子块上赋值得到所需的仿真测试信号，即块稀疏信号x，所述的块稀疏信号x的幅度采用高斯分布或0-1的二值信号；
二、通过观测信号
Figure 294994DEST_PATH_IMAGE036
，利用每种重构算法得到重构信号，若
Figure 492013DEST_PATH_IMAGE050
则重构成功；
三、对每种重构算法运行500次，并计算重构概率。
在本实施方式的实验过程中，分别采用幅值为高斯分布的信号和0-1的二值信号进行实验。测量矩阵行数m=80，列数N=160，分组数M=20，当块稀疏信号x的块稀疏度K分别为1,2,…,12时，计算每种算法在不同K值下的重构概率，并绘制重构概率随块稀疏度的变化曲线。
实验结果如图3、图4所示，其中，图3为幅值为高斯分布的信号实验结果，图4为0-1的二值信号实验结果，图3及图4中带“
Figure DEST_PATH_IMAGE051
”标记的曲线为采用本实施方式所述方法的重构概率曲线，带“
Figure DEST_PATH_IMAGE052
”标记的曲线为采用BMP方法的重构概率曲线，带“
Figure DEST_PATH_IMAGE053
”标记的曲线为采用BOMP方法的重构概率曲线，带“
Figure DEST_PATH_IMAGE054
”标记的曲线为采用L-OPT方法的重构概率曲线。从图中可见，无论对于哪类块稀疏信号，本实施方式所述方法的重构概率比L-OPT方法都有大幅提高；对于幅值为高斯分布的信号，本实施方式所述方法的重构概率略低于BMP及BOMP方法，而对于0-1的二值信号，本实施方式方法的重构概率有明显提高，所以本实施方式尤其适用于实际中的脉冲、黑白图像类等二值信号。

Claims (4)

1.一种面向压缩感知的块稀疏信号重构方法，其特征是：所述方法的过程为：
步骤一、采集块稀疏信号x的观测信号为y，观测信号y是长度为m的实数向量，即                                                
Figure 2010102406007100001DEST_PATH_IMAGE001
，
设定块稀疏信号重构过程中各参数的初始状态值：
其中，块稀疏信号x是长度为N、块稀疏度为K的实数向量，即， 
设定测量矩阵为
Figure 2010102406007100001DEST_PATH_IMAGE003
是m行N列的实数矩阵，即
Figure 2010102406007100001DEST_PATH_IMAGE004
， 
预先设定迭代误差err，分块向量Group的形式为：
Figure 2010102406007100001DEST_PATH_IMAGE005
，
其中，N=M×d，M为分块向量Group的分组数，d为分块向量Group的子块长度，
设定残差的初始值r 0 =y，恢复矩阵的初始值
Figure 2010102406007100001DEST_PATH_IMAGE006
，迭代次数l的初始值为1，块稀疏信号x的重构向量；
步骤二、根据第l-1次迭代后的残差r l-1，计算第l次迭代后的与残差r l-1最匹配的子空间i l ：
Figure DEST_PATH_IMAGE008
其中，测量矩阵
Figure 712444DEST_PATH_IMAGE003
的N个列向量根据子块长度d将测量矩阵
Figure 691902DEST_PATH_IMAGE003
分成M块，为
Figure 774434DEST_PATH_IMAGE003
的第p块对应的列向量组成的矩阵，
Figure DEST_PATH_IMAGE010
， 
Figure DEST_PATH_IMAGE011
，i l 的值对应分块向量Group中的分组号，所述分组号为1,2,…,M，
即
Figure 356594DEST_PATH_IMAGE009
的转置与第l-1次迭代后的残差r l-1进行相乘运算后，得到一个长度为d的向量，将所述的向量中的多个元素取绝对值，再对所述的多个绝对值求其平均值，从而获得M个绝对平均值，从所获得的M个绝对平均值中选择最大的K个值的标号赋值给所述与残差r l-1最匹配的子空间i l ；
步骤三、将步骤二中获得的子空间i l 所对应的测量矩阵
Figure DEST_PATH_IMAGE012
中的列向量组成的矩阵
Figure DEST_PATH_IMAGE013
与第l-1次迭代的恢复矩阵
Figure DEST_PATH_IMAGE014
的并集赋值给第l次迭代的过渡矩阵
Figure DEST_PATH_IMAGE015
，即：
Figure DEST_PATH_IMAGE016
；
步骤四、根据观测信号y及步骤三获得的第l次迭代的过渡矩阵
Figure 862312DEST_PATH_IMAGE015
，计算第l次迭代后的与观测信号y最匹配的子空间t l ：
Figure DEST_PATH_IMAGE017
其中，j为过渡矩阵
Figure DEST_PATH_IMAGE018
的分块标号，矩阵
Figure DEST_PATH_IMAGE019
为矩阵
Figure DEST_PATH_IMAGE020
的伪逆矩阵，，矩阵
Figure 186239DEST_PATH_IMAGE020
为过渡矩阵
Figure 390956DEST_PATH_IMAGE015
所对应的测量矩阵
Figure 776806DEST_PATH_IMAGE012
的列向量组成的矩阵，t l 的值对应分块向量Group中的分组号，
即矩阵
Figure 570319DEST_PATH_IMAGE019
的每一块分别与观测信号y进行乘积运算，将所述的多个乘积值分别取绝对值，再分别对所述的每一块块内的多个绝对值求其平均值，从中选择最大的K个值的标号赋值给所述与观测信号y最匹配的子空间t l ；
步骤五、将步骤四获得的子空间t l 所对应的测量矩阵
Figure 501366DEST_PATH_IMAGE012
中的列向量组成的矩阵
Figure DEST_PATH_IMAGE022
赋值给恢复矩阵
Figure DEST_PATH_IMAGE023
：
Figure DEST_PATH_IMAGE024
；
步骤六、根据步骤五中获得的恢复矩阵
Figure DEST_PATH_IMAGE025
，计算第l次迭代后的残差r l ：
Figure DEST_PATH_IMAGE026
；
其中，为的伪逆矩阵，
Figure DEST_PATH_IMAGE029
；
步骤七、判断步骤六中所述的第l次迭代后的残差r l 是否小于预先设定迭代误差err，判断结果为是，则执行步骤十，判断结果为否，则执行步骤八；
步骤八、判断步骤七中所述的迭代次数l的取值是否大于分组数M，判断结果为是，则执行步骤十，判断结果为否，则执行步骤九；
步骤九、将迭代次数l的值加1，返回步骤二；
步骤十、根据观测信号y及步骤六中获得的矩阵
Figure DEST_PATH_IMAGE030
，计算块稀疏信号x的重构向量
Figure DEST_PATH_IMAGE031
为：
Figure DEST_PATH_IMAGE032
，
完成块稀疏信号x的重构。
2.根据权利要求1所述的一种面向压缩感知的块稀疏信号重构方法，其特征在于：步骤一中预先设定迭代误差err设定为10-5。
3.根据权利要求1所述的一种面向压缩感知的块稀疏信号重构方法，其特征在于：步骤一中所述的测量矩阵为
Figure 208027DEST_PATH_IMAGE003
服从高斯分布。
4.根据权利要求3所述的一种面向压缩感知的块稀疏信号重构方法，其特征在于：在步骤一中，还包括对测量矩阵
Figure 882722DEST_PATH_IMAGE003
中的每一列列向量进行幅度归一化处理的步骤，其中，对测量矩阵
Figure 593058DEST_PATH_IMAGE003
中的第q列列向量
Figure DEST_PATH_IMAGE033
进行幅度归一化处理的过程为：
将测量矩阵
Figure 85219DEST_PATH_IMAGE003
的第q列列向量除以
Figure DEST_PATH_IMAGE034
后的列向量作为测量矩阵
Figure 854165DEST_PATH_IMAGE003
新的第q列列向量，其中，
Figure DEST_PATH_IMAGE035
Figure DEST_PATH_IMAGE036
，表示2-范数。
CN 201010240600 2010-07-30 2010-07-30 一种面向压缩感知的块稀疏信号重构方法 Expired - Fee Related CN101895297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201010240600 CN101895297B (zh) 2010-07-30 2010-07-30 一种面向压缩感知的块稀疏信号重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201010240600 CN101895297B (zh) 2010-07-30 2010-07-30 一种面向压缩感知的块稀疏信号重构方法

Publications (2)

Publication Number Publication Date
CN101895297A true CN101895297A (zh) 2010-11-24
CN101895297B CN101895297B (zh) 2012-12-26

Family

ID=43104389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201010240600 Expired - Fee Related CN101895297B (zh) 2010-07-30 2010-07-30 一种面向压缩感知的块稀疏信号重构方法

Country Status (1)

Country Link
CN (1) CN101895297B (zh)

Cited By (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101984617A (zh) * 2010-11-26 2011-03-09 浙江大学 基于压缩感知技术的处理滤波器组峰均比的方法
CN102148987A (zh) * 2011-04-11 2011-08-10 西安电子科技大学 基于先验模型和l0范数的压缩感知图像重构方法
CN102164282A (zh) * 2011-04-29 2011-08-24 中南民族大学 一种用于图像编码的基于系数随机置换的压缩感知方法及系统
CN102176779A (zh) * 2010-12-17 2011-09-07 河海大学 无线多媒体传感网视频信号自适应采样与频谱分配方法
CN102355268A (zh) * 2011-08-31 2012-02-15 清华大学 基于稀疏化哈达玛矩阵的压缩感知观测矩阵构造方法
CN102611455A (zh) * 2012-03-05 2012-07-25 哈尔滨工业大学 一种面向压缩感知的稀疏多带信号重构方法
CN102608578A (zh) * 2011-01-21 2012-07-25 中国科学院空间科学与应用研究中心 一种基于压缩感知的宽带调频步进噪声雷达信号处理方法
CN102622331A (zh) * 2012-02-10 2012-08-01 程涛 一种基于压缩感知的高斯矩阵优化方法
CN102722866A (zh) * 2012-05-22 2012-10-10 西安电子科技大学 基于主成份分析的压缩感知方法
CN102737115A (zh) * 2012-05-28 2012-10-17 哈尔滨工业大学 基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法
CN102740080A (zh) * 2012-06-06 2012-10-17 清华大学 一种基于压缩感知的错误隐藏方法
CN102801428A (zh) * 2012-08-13 2012-11-28 程涛 一种0-1稀疏循环矩阵的近似优化和信号采集重构方法
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
CN102982564A (zh) * 2011-03-08 2013-03-20 通用电气公司 利用对比对象的少量投影的层析成像处理方法
CN103176947A (zh) * 2013-04-12 2013-06-26 哈尔滨工业大学 一种基于信号相关性的多通道信号去噪方法
CN103250352A (zh) * 2011-01-10 2013-08-14 上海贝尔股份有限公司 用于测量和恢复稀疏信号的方法和装置
CN103346798A (zh) * 2013-06-05 2013-10-09 中国科学院微电子研究所 一种以低于奈奎斯特频率的采样频率进行信号采集方法
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
CN103473797A (zh) * 2013-09-16 2013-12-25 电子科技大学 基于压缩感知采样数据修正的空域可缩小图像重构方法
CN103532567A (zh) * 2013-11-01 2014-01-22 哈尔滨工业大学 分布式压缩感知框架下基于快速计算内积的正交匹配追踪算法的信号重构方法
CN103684472A (zh) * 2013-12-29 2014-03-26 哈尔滨工业大学 一种基于压缩感知的1-Bit稀疏度自适应信号重构方法
CN103888145A (zh) * 2014-03-28 2014-06-25 电子科技大学 一种重构信号的方法
WO2014194485A1 (zh) * 2013-06-05 2014-12-11 中国科学院微电子研究所 一种以低于奈奎斯特频率的采样频率进行信号采集方法
CN104361192A (zh) * 2014-05-09 2015-02-18 哈尔滨工程大学 一种压缩感知分析模型下的稀疏表示自适应重构方法
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
CN105103451A (zh) * 2014-02-25 2015-11-25 华为技术有限公司 信号重建方法和装置
CN105637824A (zh) * 2013-11-01 2016-06-01 华为技术有限公司 从接收信号中恢复稀疏通信信号的方法
CN105812032A (zh) * 2016-03-21 2016-07-27 东南大学 基于波束块结构压缩感知的信道估计方法
CN106130662A (zh) * 2016-06-07 2016-11-16 烟台大学文经学院 一种无线电宽带信号侦测方法及装置
CN106301384A (zh) * 2016-08-26 2017-01-04 辽宁工程技术大学 一种基于分块压缩感知的信号重构方法
CN106374935A (zh) * 2016-08-29 2017-02-01 电子科技大学 一种采用自适应耦合参数的块稀疏信号重构方法
CN107403628A (zh) * 2017-06-30 2017-11-28 天津大学 一种基于压缩感知的语音信号重构方法
CN107547088A (zh) * 2017-07-17 2018-01-05 南京邮电大学 基于压缩感知的增强型自适应分段正交匹配追踪方法
CN108566206A (zh) * 2018-05-07 2018-09-21 哈尔滨理工大学 基于改进的压缩采样匹配追踪的电能质量信号重构方法
CN108918928A (zh) * 2018-09-11 2018-11-30 广东石油化工学院 一种负荷分解中功率信号自适应重构方法
CN109995376A (zh) * 2019-04-28 2019-07-09 哈尔滨工业大学 基于联合块稀疏模型的信号重构方法
WO2019191891A1 (zh) * 2018-04-02 2019-10-10 北京大学 用于视频处理的方法和设备
CN110865332A (zh) * 2019-11-11 2020-03-06 山东大学 一种统一框架l2,p模型正交加速改进稀疏恢复方法
CN111130553A (zh) * 2018-10-31 2020-05-08 罗伯特·博世有限公司 用于处理压缩数据的方法和设备
CN111130557A (zh) * 2019-12-31 2020-05-08 秦皇岛职业技术学院 基于分布式拟牛顿投影追踪的数据重构方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10325147A1 (de) * 2003-05-28 2004-12-16 Friedrich-Schiller-Universität Jena Verfahren zur Zeit-Frequenz-Analyse von Signalfolgen
CN101640541A (zh) * 2009-09-04 2010-02-03 西安电子科技大学 一种稀疏信号的重构方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10325147A1 (de) * 2003-05-28 2004-12-16 Friedrich-Schiller-Universität Jena Verfahren zur Zeit-Frequenz-Analyse von Signalfolgen
CN101640541A (zh) * 2009-09-04 2010-02-03 西安电子科技大学 一种稀疏信号的重构方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《声学与电子工程》 20100430 贾艳云，赵航芳 压缩传感-稀疏信号的采样与重构 13-17 1-4 , 第4期 *
《电子与信息学报》 20100930 甘伟，许录平，苏哲 一种压缩感知重构算法 2151-2155 1-4 第32卷, 第9期 *

Cited By (75)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101984617A (zh) * 2010-11-26 2011-03-09 浙江大学 基于压缩感知技术的处理滤波器组峰均比的方法
CN101984617B (zh) * 2010-11-26 2013-05-01 浙江大学 基于压缩感知技术的处理滤波器组峰均比的方法
CN102176779B (zh) * 2010-12-17 2013-10-30 河海大学 无线多媒体传感网视频信号自适应采样与频谱分配方法
CN102176779A (zh) * 2010-12-17 2011-09-07 河海大学 无线多媒体传感网视频信号自适应采样与频谱分配方法
US9256578B2 (en) 2011-01-10 2016-02-09 Alcatel Lucent Method and apparatus for measuring and recovering sparse signals
CN103250352A (zh) * 2011-01-10 2013-08-14 上海贝尔股份有限公司 用于测量和恢复稀疏信号的方法和装置
CN103250352B (zh) * 2011-01-10 2016-01-27 上海贝尔股份有限公司 用于测量和恢复稀疏信号的方法和装置
CN102608578A (zh) * 2011-01-21 2012-07-25 中国科学院空间科学与应用研究中心 一种基于压缩感知的宽带调频步进噪声雷达信号处理方法
CN102608578B (zh) * 2011-01-21 2014-04-02 中国科学院空间科学与应用研究中心 一种基于压缩感知的宽带调频步进噪声雷达信号处理方法
CN102982564A (zh) * 2011-03-08 2013-03-20 通用电气公司 利用对比对象的少量投影的层析成像处理方法
CN102148987B (zh) * 2011-04-11 2012-12-12 西安电子科技大学 基于先验模型和l0范数的压缩感知图像重构方法
CN102148987A (zh) * 2011-04-11 2011-08-10 西安电子科技大学 基于先验模型和l0范数的压缩感知图像重构方法
CN102164282A (zh) * 2011-04-29 2011-08-24 中南民族大学 一种用于图像编码的基于系数随机置换的压缩感知方法及系统
CN102164282B (zh) * 2011-04-29 2013-12-11 中南民族大学 一种用于图像编码的基于系数随机置换的压缩感知方法及系统
CN102355268A (zh) * 2011-08-31 2012-02-15 清华大学 基于稀疏化哈达玛矩阵的压缩感知观测矩阵构造方法
CN102355268B (zh) * 2011-08-31 2014-02-19 清华大学 基于稀疏化哈达玛矩阵的压缩感知观测矩阵构造方法
CN102622331A (zh) * 2012-02-10 2012-08-01 程涛 一种基于压缩感知的高斯矩阵优化方法
CN102622331B (zh) * 2012-02-10 2015-08-05 程涛 一种基于压缩感知的高斯矩阵优化方法
CN102611455A (zh) * 2012-03-05 2012-07-25 哈尔滨工业大学 一种面向压缩感知的稀疏多带信号重构方法
CN102611455B (zh) * 2012-03-05 2014-11-26 哈尔滨工业大学 一种面向压缩感知的稀疏多带信号重构方法
CN102722866A (zh) * 2012-05-22 2012-10-10 西安电子科技大学 基于主成份分析的压缩感知方法
CN102737115A (zh) * 2012-05-28 2012-10-17 哈尔滨工业大学 基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法
CN102737115B (zh) * 2012-05-28 2014-08-06 哈尔滨工业大学 基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法
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
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
US9215034B2 (en) 2012-05-30 2015-12-15 Huawei Technologies Co., Ltd. Signal reconstruction method and apparatus
CN102740080B (zh) * 2012-06-06 2015-06-24 清华大学 一种基于压缩感知的错误隐藏方法
CN102740080A (zh) * 2012-06-06 2012-10-17 清华大学 一种基于压缩感知的错误隐藏方法
CN102801428A (zh) * 2012-08-13 2012-11-28 程涛 一种0-1稀疏循环矩阵的近似优化和信号采集重构方法
CN102801428B (zh) * 2012-08-13 2015-02-18 程涛 一种0-1稀疏循环矩阵的近似优化和信号采集重构方法
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
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
CN103176947B (zh) * 2013-04-12 2015-09-16 哈尔滨工业大学 一种基于信号相关性的多通道信号去噪方法
CN103176947A (zh) * 2013-04-12 2013-06-26 哈尔滨工业大学 一种基于信号相关性的多通道信号去噪方法
WO2014194485A1 (zh) * 2013-06-05 2014-12-11 中国科学院微电子研究所 一种以低于奈奎斯特频率的采样频率进行信号采集方法
CN103346798A (zh) * 2013-06-05 2013-10-09 中国科学院微电子研究所 一种以低于奈奎斯特频率的采样频率进行信号采集方法
CN103346798B (zh) * 2013-06-05 2016-07-06 中国科学院微电子研究所 一种以低于奈奎斯特频率的采样频率进行信号采集方法
US9455741B2 (en) 2013-06-05 2016-09-27 Institute of Microelectronics, Chinese Academy of Sciences Method for collecting signal with sampling frequency lower than Nyquist frequency
CN103473797A (zh) * 2013-09-16 2013-12-25 电子科技大学 基于压缩感知采样数据修正的空域可缩小图像重构方法
CN103473797B (zh) * 2013-09-16 2016-04-20 电子科技大学 基于压缩感知采样数据修正的空域可缩小图像重构方法
CN105637824B (zh) * 2013-11-01 2018-11-09 华为技术有限公司 从接收信号中恢复稀疏通信信号的方法
CN103532567B (zh) * 2013-11-01 2016-12-07 哈尔滨工业大学 分布式压缩感知框架下基于快速计算内积的正交匹配追踪算法的信号重构方法
CN105637824A (zh) * 2013-11-01 2016-06-01 华为技术有限公司 从接收信号中恢复稀疏通信信号的方法
CN103532567A (zh) * 2013-11-01 2014-01-22 哈尔滨工业大学 分布式压缩感知框架下基于快速计算内积的正交匹配追踪算法的信号重构方法
CN103684472A (zh) * 2013-12-29 2014-03-26 哈尔滨工业大学 一种基于压缩感知的1-Bit稀疏度自适应信号重构方法
CN103684472B (zh) * 2013-12-29 2017-02-01 哈尔滨工业大学 一种基于压缩感知的1‑Bit稀疏度自适应信号重构方法
CN105103451B (zh) * 2014-02-25 2018-01-12 华为技术有限公司 信号重建方法和装置
CN105103451A (zh) * 2014-02-25 2015-11-25 华为技术有限公司 信号重建方法和装置
CN103888145A (zh) * 2014-03-28 2014-06-25 电子科技大学 一种重构信号的方法
CN103888145B (zh) * 2014-03-28 2017-03-15 电子科技大学 一种重构信号的方法
CN104361192A (zh) * 2014-05-09 2015-02-18 哈尔滨工程大学 一种压缩感知分析模型下的稀疏表示自适应重构方法
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
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
CN105812032B (zh) * 2016-03-21 2018-09-21 东南大学 基于波束块结构压缩感知的信道估计方法
CN105812032A (zh) * 2016-03-21 2016-07-27 东南大学 基于波束块结构压缩感知的信道估计方法
CN106130662A (zh) * 2016-06-07 2016-11-16 烟台大学文经学院 一种无线电宽带信号侦测方法及装置
CN106130662B (zh) * 2016-06-07 2019-02-05 烟台大学文经学院 一种无线电宽带信号侦测方法
CN106301384A (zh) * 2016-08-26 2017-01-04 辽宁工程技术大学 一种基于分块压缩感知的信号重构方法
CN106374935A (zh) * 2016-08-29 2017-02-01 电子科技大学 一种采用自适应耦合参数的块稀疏信号重构方法
CN107403628A (zh) * 2017-06-30 2017-11-28 天津大学 一种基于压缩感知的语音信号重构方法
CN107403628B (zh) * 2017-06-30 2020-07-10 天津大学 一种基于压缩感知的语音信号重构方法
CN107547088A (zh) * 2017-07-17 2018-01-05 南京邮电大学 基于压缩感知的增强型自适应分段正交匹配追踪方法
WO2019191891A1 (zh) * 2018-04-02 2019-10-10 北京大学 用于视频处理的方法和设备
CN110352599A (zh) * 2018-04-02 2019-10-18 北京大学 用于视频处理的方法和设备
CN108566206A (zh) * 2018-05-07 2018-09-21 哈尔滨理工大学 基于改进的压缩采样匹配追踪的电能质量信号重构方法
CN108918928A (zh) * 2018-09-11 2018-11-30 广东石油化工学院 一种负荷分解中功率信号自适应重构方法
CN108918928B (zh) * 2018-09-11 2020-11-10 广东石油化工学院 一种负荷分解中功率信号自适应重构方法
CN111130553A (zh) * 2018-10-31 2020-05-08 罗伯特·博世有限公司 用于处理压缩数据的方法和设备
CN111130553B (zh) * 2018-10-31 2024-05-24 罗伯特·博世有限公司 用于处理压缩数据的方法和设备
CN109995376A (zh) * 2019-04-28 2019-07-09 哈尔滨工业大学 基于联合块稀疏模型的信号重构方法
CN109995376B (zh) * 2019-04-28 2023-02-03 哈尔滨工业大学 基于联合块稀疏模型的信号重构方法
CN110865332A (zh) * 2019-11-11 2020-03-06 山东大学 一种统一框架l2,p模型正交加速改进稀疏恢复方法
CN111130557A (zh) * 2019-12-31 2020-05-08 秦皇岛职业技术学院 基于分布式拟牛顿投影追踪的数据重构方法
CN111130557B (zh) * 2019-12-31 2023-11-17 秦皇岛职业技术学院 基于分布式拟牛顿投影追踪的数据重构方法

Also Published As

Publication number Publication date
CN101895297B (zh) 2012-12-26

Similar Documents

Publication Publication Date Title
CN101895297A (zh) 一种面向压缩感知的块稀疏信号重构方法
CN101908889B (zh) 一种块稀疏度未知的稀疏信号压缩感知重构方法
CN101908890B (zh) 分块大小未知的块稀疏信号的盲重构方法
CN111510157B (zh) 基于神经网络的量子纠错解码方法、装置及芯片
CN105181122B (zh) 机械振动信号数据压缩采集方法
CN103941220B (zh) 一种基于稀疏重构的网格外目标波达方向估计方法
CN103295198A (zh) 基于冗余字典和结构稀疏的非凸压缩感知图像重构方法
CN102915562A (zh) 基于压缩感知多视角目标跟踪和3d目标重建系统及方法
CN111562545A (zh) 基于pd-alm算法的稀疏阵列doa估计方法
CN104881640A (zh) 一种获取向量的方法及装置
CN103823887B (zh) 基于低秩全局几何一致性检验的错误匹配检测方法
CN102096055B (zh) 一种用于磁共振成像非均匀采样数据的快速精确重建方法
CN104376585A (zh) 基于图像块结构属性策略的非凸压缩感知图像重构方法
CN103744828B (zh) 一种测量值缺失的压缩感知重构方法
CN103036576A (zh) 基于压缩传感理论的一种二值稀疏信号重构算法
CN114819168A (zh) 一种矩阵特征值的量子比较方法及装置
CN107612555A (zh) 一种基于二分法的改进稀疏度自适应匹配追踪算法
CN114118177A (zh) 一种基于奇异谱分析的位平面降噪方法、系统及存储介质
CN102255616A (zh) 一种面向稀疏估计的同步子空间追踪方法
Kasem et al. DRCS-SR: Deep robust compressed sensing for single image super-resolution
CN114764619A (zh) 一种基于量子线路的卷积操作方法及装置
CN102063343A (zh) 一种基于编码方式的防止sram单粒子翻转的方法
Li et al. A group matching pursuit for image reconstruction
Cabral et al. Fast incremental method for matrix completion: an application to trajectory correction
CN108599773A (zh) 一种基于确定性测量矩阵的振动信号数据压缩采集方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20121226

Termination date: 20130730