CN102045118B - 基于伪逆相乘的压缩感知重建算法 - Google Patents
基于伪逆相乘的压缩感知重建算法 Download PDFInfo
- Publication number
- CN102045118B CN102045118B CN201010516022.5A CN201010516022A CN102045118B CN 102045118 B CN102045118 B CN 102045118B CN 201010516022 A CN201010516022 A CN 201010516022A CN 102045118 B CN102045118 B CN 102045118B
- Authority
- CN
- China
- Prior art keywords
- component
- compressed sensing
- reconstruction algorithm
- algorithm
- pseudo
- 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.)
- Active
Links
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开一种基于伪逆相乘的压缩感知重建算法,主要是为了解决现有压缩感知重建算法重建效果差,速度慢的问题而设计。本发明主要是通过迭代计算实现对稀疏信号的重建,能够有效的解决现有压缩感知重建算法存在的问题。本发明为压缩感知的实际应用奠定了基础。
Description
技术领域
本发明涉及一种信号处理领域,尤其涉及信号的压缩感知。
背景技术
压缩感知是近年来新提出来的采样理论,它的处理对象为稀疏信号或者能够通过变换在其它域稀疏表达的信号。在压缩感知中,信号的采集过程即为压缩过程,它不同于传统的信号采样理论,能够以远低于奈奎斯特的速率进行采样,并且能够准确的恢复出原来的信号。
对于一个N×1维的信号x,当其中只有K个非零值(N>>K),信号x称为K稀疏信号。在压缩感知中,引入一个M×N(M<<N)的矩阵Φ,称为观测矩阵;将信号x在矩阵Φ上面做投影得到采样结果y,称为观测值;如(1)式所示。虽然(1)式是一个高度欠定的方程,但根据x的稀疏特性,可以通过一些重建算法将x精确地恢复出来。
y=Φx (1)
目前,压缩感知的研究方向主要集中在观测矩阵Φ设计、信号的稀疏性表达和信号的重建算法等几个方面,其中信号重建算法的速度与精度是决定压缩感知能否得到广泛实际应用的重要因素。
现在已有的信号重建算法主要有凸优化算法和贪婪算法两种。
(1)凸优化算法,将信号的重建转化为一个最小l1范数下的凸优化问题,具体的实现算法包括内点法和投影梯度法等。其中,内点法重建的效果精确,但是运算的速度很慢;投影梯度法总体效果比较良好,重建效果较良好,运行时间也较快,但精确度不高,特别是在观测值较少或者稀疏度不高时重建效果退化的比较明显。
(2)贪婪算法,是一种基于l0范数的算法,是一种贪婪式迭代算法,它将观测矩阵Φ视为一个原子集合,每次从原子集中选择出合适的原子进行迭代,最终使误差最小。贪婪算法主要有“正交匹配追踪”法(Orthogonal Matching Pursuit,OMP)及其改进版本Stagewise OMP(StOMP)、Regularized OMP(ROMP)以及后来提出的较为先进的CoSaMP(compressive sampling matching pursuit)和SP(Subspace Pursuit)。贪婪算法的重建效果比较好,但是运算速度较慢,特别是在信号的稀疏度K大的时候。
综上所述,现存的压缩感知重建算法在重建效果或者运算速度方面存在缺陷,如何找到更加精确更加快速的重建算法将成为研究热点。
发明内容
针对现有的压缩感知重建算法中存在的重建精度不高,运算速度慢的问题,本发明提出一种基于伪逆相乘的压缩感知重建算法。
为达到上述目的,本发明基于伪逆相乘的压缩感知重建算法,包括以下步骤:
步骤2、初始化:稀疏信号估计值α0={0},支撑集T0=φ以及迭代终止阈值Θ;
步骤3、设定迭代次数t=1,余量r0=y;
步骤4、计算稀疏信号估计值的残量bt,并更新稀疏信号估计值αt,余量rt,以及支撑集Tt;
步骤5、判断||rt||2是否不大于Θ,是,输出重建结果αt,否,t=t+1,跳转到步骤4。
其中,步骤4具体实现如下:
4.3、更新稀疏信号估计值αt为保留at-1+bt中绝对值最大的K个分量,其余分量置零的向量,同时更新支撑集Tt为αt中K个非零分量的序号的集合;
4.4、更新余量rt为:rt=y-Φat。
采用上述算法,使得本发明所述基于伪逆相乘的压缩感知重建算法有效地解决了现有压缩感知重建算法重建效果差且速度慢的问题。
附图说明
图1为本发明所述基于伪逆相乘的压缩感知重建算法的流程图;
图2为信号稀疏度K=300时,本发明所述算法,SP和CoSaMP三种算法在相同的恢复时间内对稀疏信号x的重建仿真结果对比图;
图3为信号稀疏度K=500时,本发明所述算法,SP和CoSaMP三种算法在相同的恢复时间内对稀疏信号x的重建仿真结果对比图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式做详细描述。
如图1所示为本发明所述基于伪逆相乘的压缩感知重建算法的流程图。其具体的流程描述如下:
步骤2、初始化:稀疏信号估计值α0={0},支撑集T0=φ以及迭代终止阈值Θ;
步骤3、设定迭代次数t=1,余量r0=y;
步骤4、计算稀疏信号估计值的残量bt,并更新稀疏信号估计值αt,余量rt,以及支撑集Tt;
4.3、更新稀疏信号估计值αt为保留at-1+bt中绝对值最大的K个分量,其余分量置零的向量,同时更新支撑集Tt为αt中K个非零分量的序号的集合,其中所述其余分量为at-1+bt中绝对值小于所述的K个分量中任一分量的绝对值的分量;
4.4、更新余量rt为:rt=y-Φat。
步骤5、判断||rt||2是否不大于Θ,是,输出重建结果αt,否,t=t+1,跳转到步骤4。
实施例一:
为了更好的体现本发明基于伪逆相乘的压缩感知重建算法在重建速度和重建效果方面的优势,下面结合一具体实施例将本发明所述的算法与已存在的典型算法SP和CoSaMP作比较。
设稀疏信号x的长度为N=4096,其稀疏度为K=[300 500],并且稀疏信号的幅度分布为高斯分布;观测矩阵Φ为随机产生的维数为M×N(M=2048)的高斯矩阵;高斯分布的白噪声的信噪比为-20dB。算法的停止时间T=[0.5 1 1.5 2 2.5 3 45 6 7 8 9 10 15],当算法运行到停止时间时,将算法强制停止,保留当前的估计值,如果在停止时间内未能完成某次循环,则将前一次循环得到的估计值作为最终结果。
图2为信号稀疏度K=300时,这三种算法在相同的恢复时间内对稀疏信号x的重建仿真结果对比图;图3为信号稀疏度K=500时,这三种算法在相同的恢复时间内对稀疏信号x的重建仿真结果对比图,其中,横坐标为停止时间Stoptime,纵坐标为均方误差MSE。由仿真结果可以看出,IPIM算法比SP和CoSaMP算法的重建速度快很多。图2中,IPIM算法能在2秒左右使重建信号的均方误差达到10-7,而SP则需要15秒才能达到相同的精度,CoSaMP在有限的时间内根本不可能达到相同的精度。另外,从图2和图3中还可以看出,在SP和CoSaMP未收敛时,SP和CoSaMP的仿真曲线上面有很多“台阶”,这是由于SP和CoSaMP算法中每次循环所用的时间很长,在增加的时间内没能够完成新一次的循环,所以重建的误差不变。而本发明所述的IPIM算法就不会出现这种现象,IPIM算法每次循环所用的时间很短,所以只要时间增加,IPIM就能够得到更精确的结果。
综上所述,本发明有效解决了现有压缩感知重建算法中存在的重建精度不高,运算速度慢的问题,能够较快地,精度高地完成对信号的重建,为压缩感知的实际应用奠定了基础。
以上,仅为本发明的较佳实施例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求所界定的保护范围为准。
Claims (2)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010516022.5A CN102045118B (zh) | 2010-10-22 | 2010-10-22 | 基于伪逆相乘的压缩感知重建算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010516022.5A CN102045118B (zh) | 2010-10-22 | 2010-10-22 | 基于伪逆相乘的压缩感知重建算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102045118A CN102045118A (zh) | 2011-05-04 |
CN102045118B true CN102045118B (zh) | 2014-06-18 |
Family
ID=43910956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010516022.5A Active CN102045118B (zh) | 2010-10-22 | 2010-10-22 | 基于伪逆相乘的压缩感知重建算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102045118B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590360A (zh) * | 2012-01-16 | 2012-07-18 | 电子科技大学 | 一种超声信号最小熵解卷积的无损检测方法 |
CN103490848B (zh) * | 2012-06-13 | 2016-12-21 | 华为技术有限公司 | 一种稀疏度估计的方法及装置 |
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 |
CN103036574B (zh) * | 2012-12-13 | 2017-03-08 | 南开大学 | 基于压缩传感的一种自校验稀疏度自适应匹配追踪算法 |
CN103337087B (zh) * | 2013-07-04 | 2016-02-03 | 西北工业大学 | 一种基于伪逆自适应算法的压缩感知图像重构方法 |
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 |
CN103824264B (zh) * | 2014-03-06 | 2017-03-29 | 西安电子科技大学 | 基于随机傅里叶特征的压缩感知方法 |
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 |
CN103929649B (zh) * | 2014-04-28 | 2017-04-26 | 广西大学 | 一种视频压缩感知的重建方法 |
CN106256141A (zh) * | 2014-04-30 | 2016-12-21 | 华为技术有限公司 | 一种压缩感知方法及装置 |
CN104767535B (zh) * | 2015-03-31 | 2018-08-10 | 电子科技大学 | 一种低复杂度块状稀疏信号重构方法 |
CN107171988B (zh) * | 2017-07-10 | 2019-07-12 | 东南大学 | 可见光通信中基于压缩感知的omp稀疏信道估计方法 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007050680A2 (en) * | 2005-10-25 | 2007-05-03 | William Marsh Rice University | Method and apparatus for on-line compressed sensing |
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 |
CN101867387A (zh) * | 2010-01-06 | 2010-10-20 | 中国人民解放军海军航空工程学院 | 低于奈奎斯特速率采样下信号重构技术方案 |
KR101035365B1 (ko) * | 2010-02-04 | 2011-05-20 | 서강대학교산학협력단 | Cs를 이용한 화질 평가 장치 및 방법 |
-
2010
- 2010-10-22 CN CN201010516022.5A patent/CN102045118B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007050680A2 (en) * | 2005-10-25 | 2007-05-03 | William Marsh Rice University | Method and apparatus for on-line compressed sensing |
CN101867387A (zh) * | 2010-01-06 | 2010-10-20 | 中国人民解放军海军航空工程学院 | 低于奈奎斯特速率采样下信号重构技术方案 |
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 |
KR101035365B1 (ko) * | 2010-02-04 | 2011-05-20 | 서강대학교산학협력단 | Cs를 이용한 화질 평가 장치 및 방법 |
Non-Patent Citations (2)
Title |
---|
压缩感知及应用;李卓凡等;《微计算机应用》;20100331;第31卷(第3期);第12-16页 * |
李卓凡等.压缩感知及应用.《微计算机应用》.2010,第31卷(第3期),第12-16页. |
Also Published As
Publication number | Publication date |
---|---|
CN102045118A (zh) | 2011-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102045118B (zh) | 基于伪逆相乘的压缩感知重建算法 | |
CN102938649B (zh) | 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 | |
CN106646344B (zh) | 一种利用互质阵的波达方向估计方法 | |
CN102955068B (zh) | 一种基于压缩采样正交匹配追踪的谐波检测方法 | |
CN110061744A (zh) | 一种基于压缩感知理论的电能质量信号自适应重构方法 | |
CN108804386B (zh) | 一种电力系统负荷裕度的并行化计算方法 | |
CN107749627B (zh) | 基于改进匹配追踪的智能配电网潮流雅可比矩阵估计方法 | |
CN104217449A (zh) | 基于相关性向量分组的压缩感知图像重构方法 | |
Laux | Solving complex band structure problems with the FEAST eigenvalue algorithm | |
Eldar et al. | Block sparsity and sampling over a union of subspaces | |
CN103441962A (zh) | 一种基于压缩感知的ofdm系统脉冲干扰抑制方法 | |
CN102801428A (zh) | 一种0-1稀疏循环矩阵的近似优化和信号采集重构方法 | |
CN104320144A (zh) | 稀疏度自适应信号重构方法 | |
CN105447894B (zh) | 基于拟牛顿公式的压缩感知重建算法 | |
CN106301384A (zh) | 一种基于分块压缩感知的信号重构方法 | |
Zhang et al. | Subset pursuit for analysis dictionary learning | |
CN103957011A (zh) | 基于阈值收缩迭代的压缩感知含噪信号的恢复方法 | |
CN107809253A (zh) | 基于随机Kaczmarz迭代的压缩感知数据重构方法 | |
CN107612555B (zh) | 一种基于二分法的改进稀疏度自适应匹配追踪算法 | |
Vujović et al. | An architecture for hardware realization of compressive sensing gradient algorithm | |
CN106953640A (zh) | 基于压缩感知正交匹配追踪算法的一种融合改进方法 | |
Chen et al. | Oracle-order recovery performance of greedy pursuits with replacement against general perturbations | |
Muckley et al. | Accelerating SENSE-type MR image reconstruction algorithms with incremental gradients | |
Xu et al. | Frozen Landweber iteration for nonlinear ill-posed problems | |
Wang et al. | Stabilized stepwise orthogonal matching pursuit for sparse signal approximation |
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 |