CN101908890B - 分块大小未知的块稀疏信号的盲重构方法 - Google Patents
分块大小未知的块稀疏信号的盲重构方法 Download PDFInfo
- Publication number
- CN101908890B CN101908890B CN 201010240536 CN201010240536A CN101908890B CN 101908890 B CN101908890 B CN 101908890B CN 201010240536 CN201010240536 CN 201010240536 CN 201010240536 A CN201010240536 A CN 201010240536A CN 101908890 B CN101908890 B CN 101908890B
- Authority
- CN
- China
- Prior art keywords
- block
- block size
- signal
- blind
- algorithm
- 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
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
分块大小未知的块稀疏信号的盲重构方法,它涉及压缩感知技术领域,它解决了目前块稀疏信号的重构方法需要分块大小以及块稀疏度作为先验知识的问题。该方法通过初始化块稀疏度和分块大小,对每一个分块大小,算法进行块稀疏度自适应迭代,找到每一个分块大小对应的重构信号。随着算法不断迭代,分块大小随之增加,直至算法得到的重构信号0-范数小于测量矩阵行数时算法结束,把此重构信号作为算法输出。若不满足此条件,则算法运行至:在分块大小小于等于信号长度一半时,分块大小和块稀疏度的乘积大于等于信号长度,迭代结束,得到一系列重构信号,最后利用0-范数稀疏度量准则筛选出最稀疏的信号作为算法最终输出。本发明可用于块稀疏信号的压缩感知技术领域。
Description
技术领域
本发明涉及压缩感知技术领域,具体涉及一种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。
如图4所示,压缩感知处理信号的基本模型为 ,其中,,表示信号的0-范数,即信号值不为0的个数。为测量矩阵,且m<<N。在拥有了观测向量y和测量矩阵的情况下,可以用0-范数意义下的优化问题来重构或逼近源信号x。
考虑另外一种类型的稀疏信号-块稀疏信号(Block-sparse Signal),其定义如下:
,其中N=Md,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:,其中,,所以,向量x称为块K稀疏信号,则满足。
目前基于块稀疏信号的重构算法主要有混合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(Orthogonal Matching Pursuit, OMP)算法。L-POT算法是基于范数的算法,利用凸优化求解,复杂度较高,BMP算法和BOMP算法属于贪婪算法,这两种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,且这些算法都需要分块大小d或者块稀疏度K等作为先验知识,这在实际中却很难得到。
发明内容
本发明的目的是解决目前块稀疏信号的重构方法需要分块大小以及块稀疏度大小作为先验知识的问题,提供了一种分块大小未知的块稀疏信号的盲重构方法。
分块大小未知的块稀疏信号的盲重构方法,它的具体过程如下:
步骤一、获得块稀疏信号x的观测信号y,且y ;令Φ表示测量矩阵,且;初始化块稀疏度k,初始化块大小d,初始化残差r 0=y,初始化恢复矩阵,初始化步长step=1,初始化信号支撑集大小S=k,初始化迭代次数l=1;
步骤五、令,其中,中的j等于该公式中的各个分块标号,令恢复矩阵T l 为:;计算残差:;然后判断是否成立:若是,则令step= step+1,再令S= step×S,然后执行步骤六;否则,直接执行步骤六;
步骤六、判断l是否大于M:若是,则执行步骤八;否则,执行步骤七;
步骤七、判断残差r l 是否小于算法迭代误差err:若是,则执行步骤八;否则,令l=l+1,然后返回执行步骤三;
步骤九、判断d×S≥N与d≤N/2是否同时成立:若是,则执行步骤十一;否则,返回执行步骤二;
步骤十一、在集合X中,筛选获得0-范数最小的向量,作为最终的重构向量输出,从而实现对块稀疏信号的盲重构。
本发明的积极效果:本发明通过初始化块稀疏度和分块大小,对每一个分块大小,算法进行块稀疏度自适应迭代,找到每一个分块大小对应的重构信号。随着算法不断迭代,分块大小随之增加,直至算法得到的重构信号0-范数小于测量矩阵行数时算法结束,并把此重构信号作为算法最后的输出。若不满足此条件,则算法运行至:在分块大小小于等于信号长度一半时,分块大小和块稀疏度的乘积大于等于信号长度,迭代结束,得到一系列重构信号,最后利用0-范数稀疏度量准则筛选出最稀疏的信号作为算法最终输出。本发明不需要源信号的块稀疏度以及分块大小作为先验知识,从迭代的结果中寻找最优解,实现对块稀疏信号的盲重构。
附图说明
图1为本发明的盲重构方法的流程图;图2为幅值为高斯分布的信号时,应用三种方法分别得到的重构概率随块稀疏度的变化曲线图;图3为采用0-1二值信号时,应用三种方法分别得到的重构概率随块稀疏度的变化曲线图;图4为压缩感知处理信号的基本模型图。
具体实施方式
具体实施方式一:本实施方式的分块大小未知的块稀疏信号的盲重构方法,它的具体过程如下:
步骤一、获得块稀疏信号x的观测信号y,且y ;令Φ表示测量矩阵,且;初始化块稀疏度k,初始化块大小d,初始化残差r 0=y,初始化恢复矩阵,初始化步长step=1,初始化信号支撑集大小S=k,初始化迭代次数l=1;
该公式的意义即:先获得与的乘积,得到一个的向量,这个向量的N个元素按照分块向量的分块方式划分成M块,然后找到第i个(i=1,2,…,M)块对应的那些数,对那些数求绝对平均值,可得到M个绝对平均值,从M个绝对平均值中取最大的S个值,然后把对应的一系列子块序号i存入i l 。
举例说明步骤三的过程:
假设测量矩阵为:
假设残差为,并设,则即是把按照上面的方式分成M块,然后找到第i个块对应的那些数,对那些数求绝对平均值,得到M个绝对平均值,从M个绝对平均值中取最大的S个值,然后把这S个值对应的一系列子块序号i存入i l 。
步骤五、令,其中,中的j等于该公式中的各个分块标号,矩阵为矩阵的伪逆矩阵,。令恢复矩阵T l 为:;计算残差:;然后判断是否成立:若是,则令step= step+1,再令S= step×S,然后执行步骤六;否则,直接执行步骤六;
步骤六、判断l是否大于M:若是,则执行步骤八;否则,执行步骤七;
步骤七、判断残差r l 是否小于算法迭代误差err:若是,则执行步骤八;否则,令l=l+1,然后返回执行步骤三;
步骤九、判断d×S≥N与d≤N/2是否同时成立:若是,则执行步骤十一;否则,返回执行步骤二;
步骤十一、在集合X中,筛选获得0-范数最小的向量,作为最终的重构向量输出,从而实现对块稀疏信号的盲重构。
本发明的主要思想是通过初始化块稀疏度和分块大小,对每一个分块大小,算法进行块稀疏度自适应迭代,找到每一个分块大小对应的重构信号。随着算法不断迭代,分块大小随之增加,直至算法得到的重构信号0-范数小于测量矩阵行数时算法结束,并把此重构信号作为算法最后的输出。若不满足此条件,则算法运行至:在分块大小小于等于信号长度一半时,分块大小和块稀疏度的乘积大于等于信号长度,迭代结束,得到一系列重构信号,最后利用0-范数稀疏度量准则筛选出最稀疏的信号作为算法最终输出。本发明不需要源信号的块稀疏度以及分块大小作为先验知识,因此对于实际中块稀疏信号的压缩感知问题具有很重要的实际意义。本发明的分块大小未知的块稀疏信号的盲重构方法,从迭代的结果中寻找最优解,实现对块稀疏信号的盲重构,并且能够有效解决BMP算法以及BOMP算法的过匹配问题,出错概率极低。
具体实施方式三:本实施方式是对实施方式二的分块大小未知的块稀疏信号的盲重构方法的进一步说明,块稀疏度k初始化为1。
具体实施方式五:本实施方式是对实施方式四的分块大小未知的块稀疏信号的盲重构方法的进一步说明,块大小d初始化为1。
,
其中,为测量矩阵的列向量。
具体实施方式七:本实施方式是对实施方式一至六中的任意一种分块大小未知的块稀疏信号的盲重构方法的进一步说明,步骤二的具体过程为: 根据分块大小d,获得分块向量Group,即:
其中,分块向量Group中共包含N个元素,所述N个元素依次为d个1、d个2、…、d个M-1以及[N-(M-1)×d]个M。
具体实施方式八:本实施方式是对实施方式一至七中的任意一种分块大小未知的块稀疏信号的盲重构方法的进一步说明,步骤七中所述的算法迭代误差err为10-5。
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,具体如下:
(c)、对每种重构算法运行500次,并计算重构概率。
本实验过程中,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,分块大小D=8,源信号的块稀疏度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,图2为幅值为高斯分布的信号实验结果,图3为0-1的二值信号实验结果,其中,图2和图3中,“”为应用本发明方法得到的曲线,“”为应用块稀疏匹配追踪算法(BMP)得到的曲线,“” 为应用块稀疏正交匹配追踪法(BOMP)得到的曲线,“”为应用混合l 2/l 1优化算法(L-OPT)得到的曲线。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其他三种方法都有提高;因为本发明方法从迭代的结果中寻找最优解,且解决了过匹配问题,大大降低了出错的概率。
Claims (7)
1.分块大小未知的块稀疏信号的盲重构方法,其特征在于它的具体过程如下:
步骤一、获得块稀疏信号x的观测信号y,且令Φ表示测量矩阵,且初始化块稀疏度k,初始化块大小d,初始化残差r0=y,初始化恢复矩阵初始化步长step=1,初始化信号支撑集大小S=k,初始化迭代次数l=1;
步骤二、根据分块大小d,将测量矩阵Φ分为M个子块,用Φ[i]表示第i个子块;
步骤三、令
步骤五、令 其中,中的j等于该公式中的各个分块标号,令恢复矩阵Tl为:计算残差rl:然后判断‖rl‖2≥‖rl-1‖2是否成立:若是,则令step=step+1,再令S=step×S,然后执行步骤六;否则,直接执行步骤六;
步骤六、判断l是否大于M:若是,则执行步骤八;否则,执行步骤七;
步骤七、判断残差rl是否小于算法迭代误差err:若是,则执行步骤八;否则,令l=l+1,然后返回执行步骤三;
其中,算法迭代误差err为10-5;
步骤九、判断d×S≥N与d≤N/2是否同时成立:若是,则执行步骤十一;否则,返回执行步骤二;
步骤十一、在集合X中,筛选获得0-范数最小的向量,作为最终的重构向量输出,从而实现对块稀疏信号的盲重构。
2.根据权利要求1所述的分块大小未知的块稀疏信号的盲重构方法,其特征在于步骤一中所述的块稀疏度k初始化的范围为1≤k≤K,其中K为源信号的真实块稀疏度。
3.根据权利要求2所述的分块大小未知的块稀疏信号的盲重构方法,其特征在于块稀疏度k初始化为1。
4.根据权利要求1所述的分块大小未知的块稀疏信号的盲重构方法,其特征在于步骤一中所述的块大小d初始化的范围为1≤d≤D,其中D为源信号的真实分块大小。
5.根据权利要求4所述的分块大小未知的块稀疏信号的盲重构方法,其特征在于块大小d初始化为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010240536 CN101908890B (zh) | 2010-07-30 | 2010-07-30 | 分块大小未知的块稀疏信号的盲重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010240536 CN101908890B (zh) | 2010-07-30 | 2010-07-30 | 分块大小未知的块稀疏信号的盲重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101908890A CN101908890A (zh) | 2010-12-08 |
CN101908890B true CN101908890B (zh) | 2012-12-26 |
Family
ID=43264228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010240536 Expired - Fee Related CN101908890B (zh) | 2010-07-30 | 2010-07-30 | 分块大小未知的块稀疏信号的盲重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101908890B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944581A (zh) * | 2014-04-15 | 2014-07-23 | 南京邮电大学 | 基于精炼和分块搜索的重构稀疏信号方法 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102609920B (zh) * | 2012-02-17 | 2014-09-17 | 上海交通大学 | 一种基于压缩感知的彩色数字图像修复方法 |
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 |
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 |
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 |
CN103944578B (zh) * | 2014-03-28 | 2017-08-22 | 电子科技大学 | 一种多信号的重构方法 |
CN103888145B (zh) * | 2014-03-28 | 2017-03-15 | 电子科技大学 | 一种重构信号的方法 |
CN104779960B (zh) * | 2015-03-20 | 2018-04-03 | 南京邮电大学 | 一种基于分块压缩感知的信号重构方法 |
CN105375931B (zh) * | 2015-09-21 | 2018-11-13 | 安徽大学 | 一种基于卡尔曼滤波的复杂环境下信号重构方法 |
CN105510884B (zh) * | 2015-12-08 | 2018-11-30 | 北京无线电计量测试研究所 | 一种图像处理方法和设备 |
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 |
CN106374935B (zh) * | 2016-08-29 | 2019-04-05 | 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 |
CN107919938B (zh) * | 2016-10-10 | 2021-08-10 | 广州滴普科技有限公司 | 一种适用于OvXDM系统的信号采样恢复方法、装置及OvXDM系统 |
CN106546846B (zh) * | 2016-10-18 | 2019-12-10 | 天津大学 | 基于压缩感知盲源信号分离技术的电能质量信号检测装置 |
CN106506008B (zh) * | 2016-10-25 | 2019-04-05 | 中国科学技术大学 | 一种基于结构化测量矩阵的块稀疏信号恢复方法 |
CN108986043B (zh) * | 2018-06-26 | 2021-11-05 | 衡阳师范学院 | 一种基于自适应的块压缩感知图像重构方法 |
CN112202452A (zh) * | 2020-09-02 | 2021-01-08 | 北京电子工程总体研究所 | 基于块稀疏与二元树搜索的压缩感知信号重构方法及系统 |
CN115249028B (zh) * | 2022-05-13 | 2023-06-23 | 哈尔滨工业大学 | 一种基于稀疏正则化约束的盲解卷积无线通信信号重构方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339620A (zh) * | 2008-08-13 | 2009-01-07 | 哈尔滨工业大学 | 未知数目稀疏源盲分离的混叠矩阵估计方法 |
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 201010240536 patent/CN101908890B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339620A (zh) * | 2008-08-13 | 2009-01-07 | 哈尔滨工业大学 | 未知数目稀疏源盲分离的混叠矩阵估计方法 |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944581A (zh) * | 2014-04-15 | 2014-07-23 | 南京邮电大学 | 基于精炼和分块搜索的重构稀疏信号方法 |
CN103944581B (zh) * | 2014-04-15 | 2017-03-15 | 南京邮电大学 | 基于精炼和分块搜索的重构稀疏信号方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101908890A (zh) | 2010-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101908890B (zh) | 分块大小未知的块稀疏信号的盲重构方法 | |
CN101908889B (zh) | 一种块稀疏度未知的稀疏信号压缩感知重构方法 | |
CN101895297A (zh) | 一种面向压缩感知的块稀疏信号重构方法 | |
Condat et al. | Cadzow denoising upgraded: A new projection method for the recovery of Dirac pulses from noisy linear measurements | |
Wen et al. | Transform learning for magnetic resonance image reconstruction: From model-based learning to building neural networks | |
Dao et al. | Monarch: Expressive structured matrices for efficient and accurate training | |
CN111870245B (zh) | 一种跨对比度引导的超快速核磁共振成像深度学习方法 | |
Fougere | Ionospheric radio tomography using maximum entropy 1. Theory and simulation studies | |
CN105488767B (zh) | 一种基于最小二乘优化的压缩感知图像快速重建方法 | |
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 | |
Cloninger et al. | Solving 2D Fredholm integral from incomplete measurements using compressive sensing | |
Stanković et al. | On a gradient-based algorithm for sparse signal reconstruction in the signal/measurements domain | |
CN104103042B (zh) | 一种基于局部相似性和局部选择的非凸压缩感知图像重构方法 | |
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 | |
Asif | Primal Dual Pursuit: A homotopy based algorithm for the Dantzig selector. | |
CN104113346A (zh) | 基于级联混沌序列构造测量矩阵的方法 | |
CN116725515B (zh) | 一种磁共振快速成像方法 | |
He et al. | Deep frequency-recurrent priors for inverse imaging reconstruction | |
CN103036576A (zh) | 基于压缩传感理论的一种二值稀疏信号重构算法 | |
CN103391099A (zh) | 适用于一维缓变信号的随机采样器 | |
CN113362405A (zh) | 一种基于StOMP压缩感知图像重构系统的构建方法 | |
Wang et al. | Image reconstruction from patch compressive sensing measurements | |
Fan et al. | Robust estimation of high-dimensional mean regression | |
CN116112022A (zh) | 一种基于消息传递的多任务聚类稀疏重构方法 |
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: 20121226 Termination date: 20130730 |