CN101908889B - 一种块稀疏度未知的稀疏信号压缩感知重构方法 - Google Patents
一种块稀疏度未知的稀疏信号压缩感知重构方法 Download PDFInfo
- Publication number
- CN101908889B CN101908889B CN 201010240324 CN201010240324A CN101908889B CN 101908889 B CN101908889 B CN 101908889B CN 201010240324 CN201010240324 CN 201010240324 CN 201010240324 A CN201010240324 A CN 201010240324A CN 101908889 B CN101908889 B CN 101908889B
- Authority
- CN
- China
- Prior art keywords
- matrix
- signal
- block
- iteration
- phi
- 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.)
- Expired - Fee Related
Links
Images
Abstract
一种块稀疏度未知的稀疏信号压缩感知重构方法,它涉及压缩感知技术领域,具体涉及对块稀疏信号的重构方法。本发明通过初始化块稀疏度k,对每一个块稀疏信号的迭代,找到信号支撑集的一个子集,随着不断迭代,块稀疏度随之增加,最后找到整个源信号x的支撑集,从而达到重构源信号x的目的,本发明采用多次迭代并修正支撑集的思想来重构信号,重构的精度高,与现有的块稀疏度匹配追踪以及正交匹配追踪方法相比,对块稀疏信号的重构概率大,不存在过匹配现象。且本发明不需要以块稀疏度作为先验知识,尤其适用于块稀疏度未知信号重构领域。
Description
技术领域
本发明涉及压缩感知技术领域,具体涉及对块稀疏信号的重构方法。
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:为保证不丢失源信号的信息,实现无失真恢复源信号,采样率至少需要两倍信号带宽。这对于宽带模拟信号的数字化往往需要很高的采样率,增加了物理器件的负担。且对于数据量很大的信号,存储容量和处理速度都受到进一步限制。
压缩感知(Compressed Sensing,CS)是2004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率的速度对信号进行全局观测,然后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了对信息的采样,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。
目前块稀疏信号的重构方法主要有混合l 2/l 1优化(Mixed l 2/l 1 Optimization Program, L-OPT)算法,块稀疏匹配追踪(Block-sparse Matching Pursuit, BMP)算法,块稀疏正交匹配追踪(Block-sparse Orthogonal Matching Pursuit, BOMP)算法。L-OPT算法是基于混合型范数的凸优化算法,其复杂度较高;BMP算法和BOMP算法一旦找到匹配原子后便不再改变,所以容易造成过匹配现象,且这些算法都需要块稀疏度K作为先验知识,而在实际中却很难得到块稀疏度K。
发明内容
本发明为了解决现有的块稀疏信号匹配追踪类重构方法存在过匹配现象,并且在未知块稀疏度K时无法重构的问题,提出一种块稀疏度未知的稀疏信号压缩感知重构方法。
本发明方法的具体过程如下:
采集获得源信号x的观测信号为y,观测信号y表示为y T =[y 1, y 2, y 3……, y m ],其中m为观测信号y的长度,
即测量矩阵每一块的转置与上一次迭代的残差r l-1进行乘积操作后,对每一块的d个数据分别取绝对值后,再求获得的d个绝对值的平均值,最后从获得的M个平均值中选择最大的S个值的标号赋值给所述最匹配的子空间i l ,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;
其中矩阵中j为的分块标号,为的伪逆矩阵,即矩阵的每一块与观测信号y进行乘积操作后,对每一块的d个数据分别取绝对值后,再将获得的d个绝对值求平均值,最后从获得的多个平均值中选择最大的S个值的标号赋值给所述最匹配的子空间t l ,t l 的值对应分块向量Group中的分组号,所述分组号为1,2,…,M;
步骤六、计算本次迭代的残差r l :
如果成立,则令step= step+1,S= step×S,然后执行步骤八;如果不成立,则直接执行步骤八;
步骤八、令l=l+1,返回执行步骤二,直到迭代次数l大于分组数M,或者残差小于算法迭代误差err时,迭代结束,执行步骤九;
完成对源信号x的压缩感知重构。
本发明通过初始化块稀疏度k,对每一个块稀疏信号的迭代,找到信号支撑集的一个子集,随着不断迭代,块稀疏度随之增加,最后找到整个源信号x的支撑集,从而达到重构源信号x的目的,本发明采用多次迭代并修正支撑集的思想来重构信号,重构的精度高,与现有的块稀疏度匹配追踪方法以及正交匹配追踪方法相比,对块稀疏信号的重构概率大,不存在过匹配现象。且本发明不需要以块稀疏度作为先验知识,尤其适用于块稀疏度未知信号重构领域。
附图说明
图1为压缩感知基本模型的示意图。图2为观测信号幅度为高斯分布信号的重构概率对比图。图3为观测信号幅度为二值信号的重构概率对比图。
具体实施方式
[0010] 具体实施方式一、结合图1说明本实施方式,一种块稀疏度未知的稀疏信号压缩感知重构方法,具体过程如下:
采集获得源信号x的观测信号为y,观测信号y表示为y T =[y 1, y 2, y 3……, y m ],其中m为观测信号y的长度,
即测量矩阵每一块的转置与上一次迭代的残差r l-1进行乘积操作后,对每一块的d个数据分别取绝对值后,再求获得的d个绝对值的平均值,最后从获得的M个平均值中选择最大的S个值的标号赋值给所述最匹配的子空间i l ,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;
其中矩阵中j为的分块标号,为的伪逆矩阵,即矩阵的每一块与观测信号y进行乘积操作后,对每一块的d个数据分别取绝对值后,再将获得的d个绝对值求平均值,最后从获得的多个平均值中选择最大的S个值的标号赋值给所述最匹配的子空间t l ,t l 的值对应分块向量Group中的分组号,所述分组号为1,2,…,M;
步骤六、计算本次迭代的残差r l :
如果成立,则令step= step+1,S= step×S,然后执行步骤八;如果不成立,则直接执行步骤八;
步骤八、令l=l+1,返回执行步骤二,直到迭代次数l大于分组数M,或者残差小于算法迭代误差err时,迭代结束,执行步骤九;
完成对源信号x的压缩感知重构。
压缩感知处理信号的基本模型如下:
考虑另外一种类型的稀疏信号-块稀疏信号(Block-sparse Signal),如下所示:
其中N=M×d,x[l],(l=1,…,M)为一子块(Sub-block)。当d=1时,块稀疏退化成公式一所描述的一般意义下的稀疏。如果向量x称为块K稀疏信号,则x[l],(l=1,…,M)至多有K个不为0的欧几里德(Euclidean)范数,定义:
具体实施方式四、结合图2和图3说明本实施方式,本实施方式是将本发明方法和混合l 2/l 1优化(Mixed l 2/l 1 Optimization Program, L-OPT)算法、块稀疏匹配追踪(Block-sparse Matching Pursuit, BMP)算法、块稀疏正交匹配追踪法(Block-sparse Orthogonal Matching Pursuit, BOMP)分别应用于块稀疏信号的重构,并计算每一种方法的重构概率进行对比。
仿真实验按以下步骤进行:
最后、对每种重构方法运行500次,并计算重构概率。
本实验过程中,观测信号y幅值分别采用高斯分布的信号和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,源信号x的块稀疏度K=1,2,…,12,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2和图3所示所示:图2为观测信号y幅值为高斯分布信号的实验结果,图2中为曲线1,为本发明的方法的重构概率曲线,为曲线2,为BMP方法的重构概率曲线,曲线3,为BOMP方法的重构概率曲线,曲线4,为L-OPT方法的重构概率曲线,图3为观测信号y幅值为0-1二值信号的实验结果,图3中为曲线5,为本发明的方法的重构概率曲线,为曲线6,为BMP方法的重构概率曲线,曲线7,为BOMP方法的重构概率曲线,曲线8,为L-OPT方法的重构概率曲线。
从图2和图3中可见,无论对于哪类块稀疏信号,本发明方法的重构概率比L-OPT方法都有大幅提高;对于幅值为高斯分布的信号,本发明方法略高于BMP和BOMP方法,而对于0-1的二值信号,本发明方法的重构概率有显著提高,因此本发明方法尤其适用于实际中的脉冲、黑白图像类等二值信号。
Claims (3)
1.一种块稀疏度未知的稀疏信号压缩感知重构方法,其特征在于具体过程如下:
采集获得源信号x的观测信号为y,观测信号y表示为yT=[y1,y2,y3……,ym],其中m为观测信号y的长度,
步骤二、计算获得与残差rl-1最匹配的子空间il,其中rl-1表示第l-1次迭代产生的残差,il表示第l次迭代的最匹配的子空间,l∈{1,2,...,M},具体过程为:
即测量矩阵Φ每一块的转置与上一次迭代的残差rl-1进行乘积操作后,对每一块的d个数据分别取绝对值后,再求获得的d个绝对值的平均值,最后从获得的M个平均值中选择最大的S个值的标号赋值给所述最匹配的子空间il,il的值对应分块向量Group中的分组号,所述分组号为1,2,...,M;
步骤四、计算获得第l次迭代与观测信号y最匹配的子空间tl,l∈{1,2,...,M},具体过程为:
其中矩阵中j为的分块标号, 为的伪逆矩阵,即矩阵的每一块与观测信号y进行乘积操作后,对每一块的d个数据分别取绝对值后,再将获得的d个绝对值求平均值,最后从获得的多个平均值中选择最大的S个值的标号赋值给所述最匹配的子空间tl,tl的值对应分块向量Group中的分组号,所述分组号为1,2,...,M;
步骤五、将步骤四获得的最匹配的子空间tl中多个分组号所对应的测量矩阵Φ中的列向量组成的矩阵赋值给恢复矩阵Tl:
步骤六、计算本次迭代的残差rl:
步骤七、判断||rl||2≥||rl-1||2成立与否,其中||·||2表示2-范数;
如果成立,则令step=step+1,S=step×S,然后执行步骤八;如果不成立,则直接执行步骤八;
步骤八、令l=l+1,返回执行步骤二,直到迭代次数l大于分组数M,或者残差小于算法迭代误差err时,迭代结束,执行步骤九;
完成对源信号x的压缩感知重构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010240324 CN101908889B (zh) | 2010-07-30 | 2010-07-30 | 一种块稀疏度未知的稀疏信号压缩感知重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010240324 CN101908889B (zh) | 2010-07-30 | 2010-07-30 | 一种块稀疏度未知的稀疏信号压缩感知重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101908889A CN101908889A (zh) | 2010-12-08 |
CN101908889B true CN101908889B (zh) | 2013-03-20 |
Family
ID=43264227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010240324 Expired - Fee Related CN101908889B (zh) | 2010-07-30 | 2010-07-30 | 一种块稀疏度未知的稀疏信号压缩感知重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101908889B (zh) |
Families Citing this family (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5693750B2 (ja) * | 2011-01-10 | 2015-04-01 | アルカテル−ルーセント | スパース信号(sparsesignal)を測定および回復するための方法および装置 |
CN102255616A (zh) * | 2011-06-02 | 2011-11-23 | 哈尔滨工业大学 | 一种面向稀疏估计的同步子空间追踪方法 |
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 |
CN102497337B (zh) * | 2011-12-11 | 2014-08-20 | 天津大学 | 一种基于稀疏度自适应的压缩感知无线通信信道估计方法 |
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 |
CN102624399B (zh) * | 2012-03-30 | 2014-10-22 | 北京邮电大学 | 一种压缩感知信号的重构方法 |
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 |
CN102739361B (zh) * | 2012-06-13 | 2015-09-09 | 华为技术有限公司 | 一种稀疏度估计的方法及装置 |
CN102724020B (zh) * | 2012-06-13 | 2014-12-03 | 华为技术有限公司 | 一种稀疏度估计的信号处理方法、系统及通信设备 |
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 |
CN102830409B (zh) * | 2012-08-30 | 2014-05-21 | 西安电子科技大学 | 一种基于压缩感知的导航信号采集方法 |
CN102882530B (zh) * | 2012-09-17 | 2015-04-08 | 南京邮电大学 | 一种压缩感知信号重构方法 |
CN102915735B (zh) * | 2012-09-21 | 2014-06-04 | 南京邮电大学 | 一种基于压缩感知的含噪语音信号重构方法及装置 |
CN102938649B (zh) * | 2012-09-27 | 2016-05-25 | 江苏大学 | 基于压缩感知理论的电能质量数据自适应重构解压缩方法 |
CN103124179A (zh) * | 2013-01-14 | 2013-05-29 | 江苏大学 | 基于正交匹配追踪的电力系统数据重构解压缩方法 |
CN103150709B (zh) * | 2013-02-22 | 2016-10-26 | 东南大学 | 一种基于伪牛顿法的四元数域彩色图像压缩感知恢复方法 |
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 |
WO2015065230A1 (en) * | 2013-11-01 | 2015-05-07 | Huawei Technologies Co., Ltd. | Method for recovering a sparse communication signal from a receive signal |
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 |
WO2015100559A1 (zh) * | 2013-12-30 | 2015-07-09 | 华为技术有限公司 | 一种信号处理方法和装置 |
WO2015100598A1 (zh) * | 2013-12-31 | 2015-07-09 | 华为技术有限公司 | 基于压缩感知的信号重建方法及装置 |
CN104270158B (zh) * | 2014-03-26 | 2017-05-03 | 湘潭大学 | 一种自适应稀疏度协作重构方法 |
CN103888145B (zh) * | 2014-03-28 | 2017-03-15 | 电子科技大学 | 一种重构信号的方法 |
CN103944578B (zh) * | 2014-03-28 | 2017-08-22 | 电子科技大学 | 一种多信号的重构方法 |
CN103929256B (zh) * | 2014-04-25 | 2015-10-28 | 哈尔滨工业大学 | 一种多帧压缩感知信号频谱检测方法 |
CN104485965B (zh) * | 2014-11-19 | 2017-07-28 | 电子科技大学 | 一种基于贪婪算法的自适应压缩感知信号恢复方法 |
CN104539293B (zh) * | 2014-12-31 | 2017-09-22 | 昆明理工大学 | 一种基于压缩感知的电力行波信号重构方法 |
CN105787970B (zh) * | 2016-03-01 | 2018-12-04 | 北京理工大学 | 基于稀疏度拟合的图像自适应压缩感知方法 |
CN105846826B (zh) * | 2016-03-22 | 2018-11-16 | 西安电子科技大学 | 基于近似平滑l0范数的压缩感知信号重构方法 |
WO2018027584A1 (zh) * | 2016-08-09 | 2018-02-15 | 深圳大学 | 一种目标属性辅助的压缩感知图像恢复方法及其系统 |
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 |
CN106817132B (zh) * | 2017-01-13 | 2019-04-23 | 西安电子科技大学 | 基于尾部支撑集的压缩感知源信号重构方法 |
CN107169127A (zh) * | 2017-06-05 | 2017-09-15 | 山东科技大学 | 一种基于压缩感知的缺失矿压监测数据修复方法 |
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 |
CN107294659B (zh) * | 2017-07-21 | 2019-08-09 | 电子科技大学 | 一种基于交叉验证非正交多址系统多用户检测方法 |
CN107248902B (zh) * | 2017-07-21 | 2019-08-02 | 电子科技大学 | 一种块压缩感知非正交多址系统多用户检测方法 |
CN108418769A (zh) * | 2018-01-17 | 2018-08-17 | 南京邮电大学 | 一种分布式压缩感知稀疏度自适应重建方法 |
WO2019148309A1 (zh) * | 2018-01-30 | 2019-08-08 | 深圳大学 | 基于结构信息的红外小目标图像的快速重构方法及系统 |
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 |
CN111812644B (zh) * | 2020-08-29 | 2023-05-30 | 西安电子科技大学 | 基于稀疏估计的mimo雷达成像方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101764652A (zh) * | 2010-01-18 | 2010-06-30 | 哈尔滨工业大学 | 基于正交匹配追踪的具有压缩感知过程的信号检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8014616B2 (en) * | 2007-11-02 | 2011-09-06 | Siemens Aktiengesellschaft | System and method for fixed point continuation for total variation based compressed sensing imaging |
-
2010
- 2010-07-30 CN CN 201010240324 patent/CN101908889B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101764652A (zh) * | 2010-01-18 | 2010-06-30 | 哈尔滨工业大学 | 基于正交匹配追踪的具有压缩感知过程的信号检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101908889A (zh) | 2010-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN101895297B (zh) | 一种面向压缩感知的块稀疏信号重构方法 | |
Cevher et al. | Sparse signal recovery and acquisition with graphical models | |
Li et al. | A survey on matrix completion: Perspective of signal processing | |
CN103886625A (zh) | 一种基于压缩感知的点云数据稀疏表示方法 | |
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 | |
CN102142139A (zh) | 基于压缩学习感知的sar高分辨图像重建方法 | |
CN105306779A (zh) | 基于压缩感知和索引置乱的图像加密方法 | |
CN111667444A (zh) | 一种基于多通道残差网络的图像压缩感知重建方法 | |
Nguyen-Duc et al. | Frequency-splitting dynamic MRI reconstruction using multi-scale 3D convolutional sparse coding and automatic parameter selection | |
Krahmer et al. | Structured random measurements in signal processing | |
Cui et al. | Deep neural network based sparse measurement matrix for image compressed sensing | |
Silva et al. | Blind compressed sensing over a structured union of subspaces | |
Gibadullin et al. | Development of predictive CNN based model for vital signs alerts | |
CN109408765A (zh) | 基于拟牛顿法的智能匹配追踪稀疏重建方法 | |
CN102622331A (zh) | 一种基于压缩感知的高斯矩阵优化方法 | |
CN104113346A (zh) | 基于级联混沌序列构造测量矩阵的方法 | |
CN106301384A (zh) | 一种基于分块压缩感知的信号重构方法 | |
CN105931184B (zh) | 基于联合优化的sar图像超分辨率方法 | |
Wang et al. | Image reconstruction from patch compressive sensing measurements | |
CN109728822A (zh) | 一种信号处理的方法、装置、设备及计算机可读存储介质 | |
CN114624646A (zh) | 一种基于模型驱动复数神经网络的doa估计方法 | |
Li et al. | A group matching pursuit for image reconstruction | |
CN106899305A (zh) | 一种基于第二代小波的原始信号重构方法 |
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: 20130320 Termination date: 20130730 |