CN103248368B - 一种判断随机解调器压缩采样重构成败的方法 - Google Patents
一种判断随机解调器压缩采样重构成败的方法 Download PDFInfo
- Publication number
- CN103248368B CN103248368B CN201310144174.0A CN201310144174A CN103248368B CN 103248368 B CN103248368 B CN 103248368B CN 201310144174 A CN201310144174 A CN 201310144174A CN 103248368 B CN103248368 B CN 103248368B
- Authority
- CN
- China
- Prior art keywords
- sigma
- reconstruct
- failure
- decision statistics
- signal
- 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
Abstract
本发明公开了一种随机解调器系统压缩采样重构成败的判断方法,利用两次重构所得稀疏信号(或重构所得支撑)之间的相似性大小作为判断依据。本发明提出的方法只需单个系统独立完成,无需多个系统相互协作,因此避免了信息交互量,降低了实现复杂度,而且能够准确判断重构是否成功,从而为是否相信并采纳重构结果提供依据。
Description
技术领域
本发明涉及在信号处理领域中压缩采样的单观测向量(SMV)模型重构成败的判断方法,尤其涉及在随机解调器(RD)系统的压缩采样的单观测向量(SMV)模型重构成败的判断方法。
背景技术
压缩采样(也称为压缩感知)理论指出,如果信号是稀疏的或者是可压缩的,则可以按照低于Nyquist采样率的速率对信号进行采样(详见,E.Candès,“Compressedsampling,”ProceedingsofInt.CongressofMathematics,Madrid,Spain,pp.1433-1452,2006以及D.L.Donoho,“Compressedsensing,”IEEETransactionsonInformationTheory,vol.52,no.4,pp.1289-1306,2006)。压缩采样理论的提出,意味着传统意义上的Nyquist采样定理的约束将不复存在。这对于对宽频段进行采样时,降低模数转换器的采样率要求来说意义重大。目前,压缩采样在高速模数转换器、图像压缩、核磁共振成像、雷达探测、通信和语音信号处理等领域都有所应用。本发明针对的是压缩采样在模拟信号采样方面的应用。
如图1所示,为Tropp等人提出的随机解调器(randomdemodulator,RD)系统(详见,J.A.Tropp,J.N.Laska,M.F.Duarte,J.K.Romberg,andR.G.Baraniuk,“BeyondNyquist:EfficientSamplingofSparseBandlimitedSignals,”IEEETransactionsonInformationTheory,vol.56,no.1,pp.520-544,Jan.2010),具体方法为:
首先,伪随机发生器产生离散时间序列ε0,ε1,...,其值以等概率取自±1,该序列称为码片序列。码片序列用来产生连续时间解调信号pc(t),其表达式为
pc(t)=εn,
也就是说,解调信号pc(t)以Nyquist采样率W,在±1间随机切换;
然后,混频器执行乘法功能,将连续时间输入信号x(t)与解调信号pc(t)相乘;积分器实现低通滤波功能,对相乘后的信号进行低通滤波,得到低通滤波后的信号x(t);
最后,对低通滤波后的信号x(t),按照采样率R进行采样,当采样得到一个样点时,所述积分器进行重置,得到序列{ym},其表达式为
由于该系统的采样率R远远小于Nyquist采样率W,因此,随机解调器(RD)系统是一种对模拟信号进行压缩采样的系统。
上述随机解调器(RD)系统,通常用于信号模型为多音模型的情况,即信号x(t)由K个不同频率的单音信号组成,并且K远小于W,即原信号x(t)满足稀疏性条件,其表达式为
其中,{af:f∈F}为幅度(复数值)集合,F表示K个频率(值为整数)的集合,其表达式为
对于RD系统,有如下表达式
y=Φs(5)
其中,y=[y0,y1,...,yR-1]T为连续R个样点组成的向量,称为样点向量;Φ为随机解调器系统矩阵(即RD矩阵),其表达式为
Φ=HDE(6)
其中,H是R×W维矩阵,H的第r行元素从第rW/R+1列开始,有W/R个连续的1,其余均为0,r=0,1,...,R-1;D为W×W对角矩阵,其表达式为
E为W×W矩阵,其表达式为
其中,n=0,1,...,W-1,f=0,±1,±2,...,±(W/2-1),W/2。
在公式(5)中,s为未知向量,其与原信号x(t)有一一对应的映射关系,并且s为W×1维复数列向量,s中元素sf为
其中,f=0,±1,±2,...,±(W/2-1),W/2。
对于RD系统进行重构,即按照公式(5),根据已知向量y和Φ,求解未知向量s的过程,也就是求解:
其中,为求解未知向量s所得的稀疏信号的估计,约束条件为y=Φv。
由于R<W,因此该问题为欠定问题。当原信号x(t)满足稀疏性条件时,可采用压缩采样领域内的重构算法,对未知向量s进行求解。在压缩采样领域中,根据公式(10),对于RD采样系统进行重构的过程,称为单观测向量(SMV)模型重构。
目前,对于SMV进行重构的算法包括两类:凸松弛法和贪婪追踪法。(详见,J.A.Tropp,J.N.Laska,M.F.Duarte,J.K.Romberg,andR.G.Baraniuk,“BeyondNyquist:EfficientSamplingofSparseBandlimitedSignals,”IEEETransactionsonInformationTheory,vol.56,no.1,pp.520-544,Jan.2010),具体可以根据需要选择,例如采用正交匹配追踪法(rothogonalmatchingpursiut,OMP)(详见,J.Tropp,A.Gilbert,“Signalrecoveryfromrandommeasurementsviaorthogonalmatchingpursuit,”IEEETransactionsonInformationTheory,vol.53,no.12,pp.4655-4666,2010)。
使用凸松弛法和贪婪追踪法这两类算法,对RD矩阵进行重构,首先要求未知向量s满足稀疏性条件,即等价于原信号x(t)满足频域的稀疏性条件。但是,在实际中,通常缺少原信号x(t)的先验信息,因此无法保证原信号x(t)必然满足RD系统所能支持的稀疏度。但是,重构算法本身并不会判断信号重构是否成功。显然,如果原信号x(t)不满足RD系统所支持的稀疏条件,则信号重构就会失败,此时所得到的是对于原信号x(t)的严重错误的估计,这种情况在某些应用下会导致严重后果。例如,如果应用于认知无线电频谱感知,这种情况会导致检测到的频谱空穴实际上不是频谱空穴,从而造成对主用户的严重干扰。
Zhang等人在文献提出了一种压缩采样重构成败的判断方法(详见,“Collaborativecompressedspectrumsensing:whatifspectrumisnotsparse?”ElectronicsLetters,vol.47,no.8,April2011),其利用多个压缩采样系统重构结果之间的相关性,来判断重构是否成功。但是,这种方法需要系统之间交互信息,增加了信息交互的负担和计算的复杂度。
发明内容
针对现有技术的缺陷,本发明提出了一种随机解调器(RD)压缩采样重构成败的判断方法,其利用连续两次重构结果之间的相关性对重构成败进行判断。该方法无需多个系统之间交互信息,避免了信息交互,降低了计算的复杂度;而且该方法能够准确判断重构是否成功,为是否相信并采纳重构结果提供准确依据。
为了解决上述问题,本发明提出了一种随机解调器(RD)压缩采样系统重构成败的判断方法,其包括以下步骤:
步骤1,稀疏信号的重构
根据随机解调器(RD)采样得到的连续两个样点向量y1和y2,采用压缩采样领域现有技术中针对单观测向量(SMV)的重构算法(例如正交匹配追踪法),对稀疏信号s进行重构,得到稀疏信号的估计和
步骤2,判决统计量的计算
根据步骤1所得到的和计算判决统计量C。
步骤3,判决
如果C>λ则认为重构成功,否则认为重构失败,其中λ为判决门限。
进一步,所述步骤2中,计算判决统计量C的方法一为,根据所述步骤1中所得到的估计和按照以下公式,计算判决统计量C
其中,表示中的第k个元素,i=1,2,k=1,2,...,W,W为的长度。
进一步,所述步骤2中,计算判决统计量C的方法二为,包括以下步骤:
步骤2.1,和的更新,其具体方法为:根据和中任一元素的能量大小,判断是否成立,如果成立,则令如果不成立,则保持不变,从而得到更新后的和其中门限η为原信号的最小可能频谱幅度,η为大于0的常数,表示中的第k个元素,i=1,2,1≤k≤W,W为的长度;
步骤2.2,判决统计量C的计算,具体方法为:首先将中非零元素对应的下标集记为Δ1,将中非零元素对应的下标集记为Δ2,然后计算集合Δ1和Δ2的交集Λ=Δl∩Δ2,以及计算集合Δ1和Δ2的并集V=Δl∪Δ2,最后按照以下公式,计算判决统计量C
其中,|Λ|和|V|分别表示Λ和V中包含的元素个数。
进一步,如果采用方法二来计算判决统计量C,则本发明还适用于在压缩采样领域中所有单观测向量(SMV)模型重构成败的判断方法。
进一步,所述步骤3中,λ为小于1的正数。
本发明可取得以下有益效果:本发明提出的判断RD压缩采样重构成败的方法,无需多个系统之间交互信息,避免了信息交互量,降低了计算复杂度,而且能够准确判断重构是否成功,从而为是否相信并采纳重构结果提供依据。
附图说明
图1为本发明提出的随机解调器(RD)采样系统的原理框图;
图2为本发明提出的随机解调器(RD)采样系统的压缩采样重构成败的判断方法的流程图;
图3为本发明提出的判决统计量C的计算方法二的流程图。
具体实施方式
如图1所示,假设随机解调器(RD)采样系统的采样频率为R,信号x(t)频率范围为[0,W/2],且满足R<W,RD矩阵为Φ,采样后得到的采样序列为{ym},连续R个样点组成的样点向量为y=[y0,y1,...,yR-1]T。
实施例一:
如图2所示,一种随机解调器(RD)采样系统的压缩采样重构成败的判断方法,其包括以下步骤:
步骤1,两次稀疏信号重构
根据连续两个样点向量y1和y2,采用在压缩采样领域中现有的对于SMV进行重构的算法,重构稀疏信号,得到稀疏信号的估计和
步骤2,判决统计量的计算
根据步骤1所得到的和采用方法一计算得到判决统计量C,其表达式为
其中,表示中的第k个元素,i=1,2,k=1,2,...,W,W为(和)的长度。使用该方法所得到的判决统计量C,其所度量的是和幅度的相似性。
步骤3,判决
由于原信号的慢变性,如果重构成功,那么和(或Δ1和Δ2)是近似相等的,此时,C≈1;而如果重构失败,则和(或Δ1和Δ2)将相差较大,此时,C将远小于1。由此,本实施例采用如下判决:如果C>λ认为重构成功,否则认为重构失败,其中λ为判决门限,其值为小于1(但比较接近于1)的正数,具体根据经验值设定。
实施例二:
如图2所示,一种随机解调器(RD)采样系统的压缩采样重构成败的判断方法,其包括以下步骤:
步骤1,两次稀疏信号的重构
根据连续两个样点向量y1和y2,采用在压缩采样领域中现有的对于SMV进行重构的算法,重构稀疏信号,得到稀疏信号的估计和
步骤2,判决统计量的计算
如图3所示,根据步骤1所得到的和采用方法二计算判决统计量C,其具体方法为:
步骤2.1,和的更新,即首先判断是否成立,然后去除和中幅度过小的元素,具体方法为:如果成立,则令如果不成立,保持不变,其中η为大于0的常数,表示中的第k个元素,其中i=1,2,1≤k≤W,W为的长度。其中,门限η为原信号的最小可能频谱幅度。
步骤2.2,判决统计量C的计算,具体方法为:首先将中非零元素对应的下标集记为Δ1(即的支撑集),将中非零元素对应的下标集记为Δ2(即的支撑集);然后计算Δ1和Δ2的交集Λ=Δl∩Δ2,以及Δ1和Δ2的并集V=Δ1∪Δ2;最后计算得到判决统计量C,其表达式为
其中|Λ|和|V|分别表示集合Λ和集合V中包含的元素个数。使用该方法计算得到的判决统计量C,其度量的是的支撑集Δ1与的支撑集Δ2的相似度。
步骤3,判决
由于原信号的慢变性,如果重构成功,那么和(或Δ1和Δ2)是近似相等的,此时,C≈1;而如果重构失败,则和(或Δ1和Δ2)将相差较大,此时,C将远小于1。由此,本发明采用如下判决:如果C>λ,认为重构成功,否则,认为重构失败,其中λ为判决门限,其值为小于1(但比较接近于1)的正数,具体根据经验值设定。
本发明提出的一种随机解调器(RD)系统压缩采样重构成败的判断方法,只需单个RD系统独立完成,无需多个不同系统之间相互协作、交互信息,因此相比于现有,本发明提出的方法节省了信息交互量,降低了实现复杂度。另外,本发明提出的方法判断重构成败的准确率高,从而为是否相信并采纳重构结果提供依据。最后,本发明提出的采用统计量计算方法二的重构成败判断方法,还适用于压缩采样领域内所有SMV模型重构成败的判断。
Claims (4)
1.一种随机解调器(RD)系统压缩采样重构成败的判断方法,其包括以下步骤:
步骤1,稀疏信号的重构
根据随机解调器(RD)进行采样所得到的连续两个样点向量y1和y2,采用压缩采样领域现有技术中针对单观测向量(SMV)的重构算法,对稀疏信号s进行重构,得到稀疏信号的估计和
步骤2,判决统计量的计算
根据步骤1所得到的和计算判决统计量C;
步骤3,判决
如果C>λ则认为重构成功,否则认为重构失败,其中λ为判决门限,λ为小于1的正数。
2.根据权利要求1所述的方法,其特征在于:所述步骤2中,计算判决统计量C的方法一为,根据所述步骤1中所得到的估计和按照以下公式,计算判决统计量C
其中,表示中的第k个元素,i=1,2,k=1,2,...,W,W为的长度。
3.根据权利要求1所述的方法,其特征在于:所述步骤2中,计算判决统计量C的方法二,包括以下步骤:
步骤2.1,和的更新,其具体方法为:根据和中任一元素的能量大小,判断是否成立,如果成立,则令如果不成立,则保持不变,从而得到更新后的和其中门限η为原信号的最小估计频谱幅度,η为大于0的常数,表示中的第k个元素,i=1,2,1≤k≤W,W为的长度;
步骤2.2,判决统计量C的计算,其具体方法为:首先,将中非零元素对应的下标集记为Δ1,将中非零元素对应的下标集记为Δ2;然后,计算Δ1和Δ2的交集Λ=Δ1∩Δ2,以及Δ1和Δ2的并集V=Δ1∪Δ2;最后,计算得到判决统计量C,其表达式为
其中,|Λ|和|V|分别表示Λ和V中包含的元素个数。
4.根据权利要求3所述的方法,其特征在于:其适用于在压缩采样领域中所有单观测向量(SMV)模型重构成败的判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310144174.0A CN103248368B (zh) | 2013-04-23 | 2013-04-23 | 一种判断随机解调器压缩采样重构成败的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310144174.0A CN103248368B (zh) | 2013-04-23 | 2013-04-23 | 一种判断随机解调器压缩采样重构成败的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103248368A CN103248368A (zh) | 2013-08-14 |
CN103248368B true CN103248368B (zh) | 2016-05-25 |
Family
ID=48927620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310144174.0A Active CN103248368B (zh) | 2013-04-23 | 2013-04-23 | 一种判断随机解调器压缩采样重构成败的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103248368B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104113848B (zh) * | 2014-07-18 | 2018-04-17 | 中国电子科技集团公司第三十六研究所 | 一种mass系统的频谱重构确认方法和装置 |
CN105319445B (zh) * | 2015-12-08 | 2018-11-09 | 北京航空航天大学 | 一种基于随机解调器的阻抗测量方法 |
CN110311686B (zh) * | 2019-07-11 | 2023-06-20 | 南京信息工程大学 | 一种压缩感知的伪随机等效采样信号重构方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102893179A (zh) * | 2010-05-14 | 2013-01-23 | 高通股份有限公司 | 导航数据的压缩感测 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120259590A1 (en) * | 2011-04-11 | 2012-10-11 | Jong Chul Ye | Method and apparatus for compressed sensing with joint sparsity |
-
2013
- 2013-04-23 CN CN201310144174.0A patent/CN103248368B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102893179A (zh) * | 2010-05-14 | 2013-01-23 | 高通股份有限公司 | 导航数据的压缩感测 |
Non-Patent Citations (2)
Title |
---|
Collaborative compressed spectrum sensing:what if spectrum is not sparse?;Z.Zhang,H.Li,D.Yang,C.Pei;《Electronics Letters》;20110414;第47卷(第8期);全文 * |
过完备字典下的稀疏信号重构研究;苏杭;《中国博士学位论文全文数据库信息科技辑》;20130115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103248368A (zh) | 2013-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105281779B (zh) | 多观测值向量稀疏度自适应压缩采样匹配追踪方法 | |
US11082153B2 (en) | Signal sampling and recovery method and apparatus applicable to OvXDM system, and OvXDM system | |
CN101621514B (zh) | 网络数据的压缩方法、网络系统和融合中心设备 | |
CN103983850A (zh) | 基于压缩感知的电力系统谐波压缩信号重构与检测方法 | |
KR102037691B1 (ko) | 오디오 프레임 손실 은폐 | |
CN103248368B (zh) | 一种判断随机解调器压缩采样重构成败的方法 | |
CN102801665B (zh) | 一种带通信号调制宽带转换器采样的重构方法 | |
CN103269223A (zh) | 一种模拟信号压缩采样方法 | |
Cambareri et al. | A two-class information concealing system based on compressed sensing | |
CN103247028A (zh) | 一种多假设预测的分块压缩感知图像处理方法 | |
CN104217448A (zh) | 基于迭代特征修正的磁共振快速成像方法及系统 | |
Ji et al. | A method of data recovery based on compressive sensing in wireless structural health monitoring | |
Angrisani et al. | Frequency domain measurement node based on compressive sampling for sensors networks | |
Lam et al. | Accelerated fMRI using low-rank model and sparsity constraints | |
CN103364646A (zh) | 微波暗室天线远场快速测量方法 | |
CN104123740A (zh) | 一种基于压缩感知的图像重构方法 | |
CN103391099A (zh) | 适用于一维缓变信号的随机采样器 | |
CN106027061A (zh) | 一种基于自适应观测矩阵的Lamb波压缩感知方法 | |
CN104950282A (zh) | 连续域内稀疏重构实现的宽带信号超分辨测向方法及装置 | |
CN112488092B (zh) | 基于深度神经网络的导航频段信号类型识别方法及系统 | |
CN105790769B (zh) | 基于离散椭球序列的随机解调方法 | |
CN104125459A (zh) | 基于支撑集和信号值检测的视频压缩感知重构方法 | |
KR20190042982A (ko) | 압축 센싱 신호의 처리 방법 및 장치 | |
CN107850997A (zh) | Cs本振序列生成方法、装置、发射机及接收机 | |
CN103248589B (zh) | 一种调制宽带转换器压缩采样重构成败的判定方法 |
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 |