CN103840838B - 一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法 - Google Patents
一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法 Download PDFInfo
- Publication number
- CN103840838B CN103840838B CN201410100612.8A CN201410100612A CN103840838B CN 103840838 B CN103840838 B CN 103840838B CN 201410100612 A CN201410100612 A CN 201410100612A CN 103840838 B CN103840838 B CN 103840838B
- Authority
- CN
- China
- Prior art keywords
- signal
- formula
- matrix
- sparse
- compressed sensing
- 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
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法,涉及信息与通信技术领域,是为了解决现有的压缩感知信号恢复方法的精度低的问题。它是以压缩感知中自适应观测矩阵的设计为基础,结合贝叶斯压缩感知算法得到一种压缩感知方法的设计方案。它的特点是设计的观测矩阵可以根据不同信号自适应地生成,矩阵的确定性和存储问题都得到了解决,并且结合基于相关向量机的贝叶斯压缩感知恢复算法,引入了分层结构的先验。这种设计方案经过仿真验证,确定可以得到很好的信号恢复效果,并且可以对恢复信号的误差范围进行估计。本发明使用于信息与通信技术中的无线信号传输场合。
Description
技术领域
本发明涉及信息与通信技术领域,具体涉及一种贝叶斯压缩感知信号恢复方法。
背景技术
压缩感知技术可以对信号以很低的采样速率进行采样并能高质量地恢复原始信号,解决了人们对信息的巨大需求量所造成的信号采样、传输和存储的巨大压力。观测矩阵和恢复方法的设计是压缩感知过程中很关键的两个部分。
观测矩阵主要分为随机观测矩阵和确定性观测矩阵。随机观测矩阵的恢复精度高,但是其不确定性会给矩阵存储和硬件实现带来困难;确定性观测矩阵可以节省存储空间,易于硬件实现,但是其恢复效果较差。自适应观测矩阵是近两年提出的一种比较新颖的观测矩阵设计方法,它是借助信号或稀疏系数的先验信息来生成相应的观测矩阵,其性能要显著优于随机观测矩阵和确定性观测矩阵。
压缩感知的恢复算法主要分为凸松弛算法、贪婪算法和组合算法。凸松弛算法用少量的观测值就能得到很好的重构效果,但是计算量大;贪婪算法计算负担小,但是成功重构需要的观测值多;组合算法的计算速度快,但是需要大量且不易获得的采样值。贝叶斯方法是08年提出的,它结合了以上算法的优点,信号的恢复精度很高。
现有的压缩感知技术需要解决的是:如何通过设计合理的观测矩阵来加强算法的抗噪性能?如何设计先进的恢复算法使得在计算量很小的情况下用较少的观测值就可以高精度地恢复信号?
发明内容
本发明是为了解决现有的压缩感知信号恢复方法的精度低的问题,从而提供一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法。
一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法,它由以下步骤实现:
步骤一、利用M×N维的观测矩阵Φ′,通过公式:
y=Φ′f=Φ′Ψw=Φw (1)
获取N×1维未知信号f的M×1维观测值y;M、N均为正整数,且M<<N;Φ为感知矩阵;Ψ为稀疏基;
其中:N×1维的未知信号f表示为:
f=Ψw (2)
式中:w是一个N×1维的稀疏信号;
对于将观测矩阵Φ′设计成自适应观测矩阵,具体为:
根据式(1),在时域中,由于未知信号f包含了原始信号的信息,则时域观测矩阵为Φ′;
在稀疏域中,由于稀疏信号w也包含了原始信号的信息,则稀疏域观测矩阵为Φ;鉴于此,对稀疏信号w中的非零系数获取观测值是可行的,具体为:
对式(1)进行变形,得到:
y=Φ′w=Φ′Ψ-1f=Φf (3)
在稀疏基Ψ是正交的情况下,则式(3)变为:
y=Φ′w=Φ′ΨTf=Φf (4)
此时,时域的观测矩阵变为Φ,稀疏域的观测矩阵变为Φ′;
稀疏信号w中非零值的个数为M,M为正整数;稀疏信号w中第i个非零值的位置为j,1≤i≤M;1≤j≤N;
则观测矩阵Φ′中元素φ′i,j=1,其它的元素都设为0,如下所示:
由于Φ=Φ′ΨT,因此得到Φ中的元素为:
φi,k=ψj,k (6)
式中:1≤k≤N;这里得到的Φ′即为式(1)中的Φ,得到的Φ即为式(1)中的Φ′;
步骤二、采用步骤一获得的观测矩阵Φ′通过贝叶斯压缩感知方法对M×1维的观测信号y进行信号恢复,获得恢复后的信号;
具体为:由于信号在传输过程中会产生噪声,因此式(2)的实际情况应为:
y=Φ′f+n (7)
式中n是均值为0、方差σ2未知的高斯噪声;
根据稀疏变换系数将式(7)改写成如下形式:
y=Φ′Ψw+n=Φw+n (8)
利用w的稀疏性,原始信号的近似值通过解决下式的最优化问题获得:
其中:||w||0是稀疏信号w的l0范数;
用l1范数代替l0范数,将上式转化为:
令ws代表一个N维向量w中M个最大的值,剩下的N-M个值设为0;向量we分代表w中最小的N-M个元素,剩下的元素置为0;
由此得到:
w=ws+we (11)
和
y=Φw=Φws+Φwe=Φws+ne (12)
式中:ne=Φwe;
根据中央极限定理,ne中的元素由一个均值为0的高斯噪声近似,同时考虑到压缩感知在采样过程中本身包含的噪声nm,故有:
y=Φws+ne+nm=Φws+n (13)
观测值y的高斯似然模型为:
通过估计稀疏向量ws和噪声方差σ2,获得观测值y的恢复信号,完成基于自适应观测矩阵的贝叶斯压缩感知信号恢复。
步骤二中估计稀疏向量ws和噪声方差σ2的方法为:采用后验概率密度函数的方法实现,具体为:
首先,对稀疏信号w中的每一个元素先验都定义为均值为0的高斯分布:
其中:αi是高斯概率密度函数的精度;
然后,令α的先验服从Γ分布:
结合公式(15)和(16),得到w的先验概率密度函数:
其中:Γ(αi|a,b)dαi服从学生-t(Student-t)分布;
假设超参数α和α0已知,给出测量值y和矩阵Φ,那么w的后验概率密度函数解析地表示为多变量的高斯分布,其均值和方差为:
μ=α0∑ΦTy (18)
∑=(α0ΦTΦ+A)-1 (19)
其中:A=diag(α1,α2,…,αN);
在RVM(Relevance Vector Machine,相关向量机)中,超参数α和α0通过Type-II型ML(Type-II Maximum Likelihood,II型最大似然)过程进行估计,这种逼近使用了α和α0的点估计来求它们边缘似然函数的最大值;
应用EM(Expectation-maximization,最大期望)算法,得到:
其中:μi是(18)式中计算的第i个均值,其中∑ii是(19)式计算出的第i个对角元素;
对于噪声方差σ2=1/α0,微分进行再估计:
最后对w和α、α0交替进行迭代计算,直到最后得到的结果收敛。
本发明在观测矩阵的设计上采用了一种自适应的观测矩阵,它不同于随机观测矩阵和确定性观测矩阵。这种自适应的观测矩阵不能在信号未知的情况下生成,它是根据信号和稀疏系数的先验信息对观测矩阵中的元素进行自适应调整,放大了信号分量且抑制了噪声分量,这样就大大提高了算法的抗噪声性能和最终的信号恢复精度。
本发明的信号恢复算法采用了一种基于相关向量机的贝叶斯压缩感知算法,它在贝叶斯框架的基础上使用了相关向量机来假设先验并估计参数,在信号的恢复耗时和恢复效果上取得了很好的效果,而且此算法还可以提供误差的范围,这是其他压缩感知恢复算法不能做到的。
通过仿真可以得到,使用高斯随机矩阵作为观测矩阵,当信噪比为20时,BP算法的归一化均方误差NMSE=0.045472;信噪比为5时,NMSE=0.39902。使用高斯随机矩阵作为观测矩阵,当信噪比为20时,OMP算法的归一化均方误差NMSE=0.054129;信噪比为5时,NMSE=0.52724。使用本发明设计的自适应观测矩阵,当信噪比为20时,基于RVM的BCS算法的归一化均方误差NMSE=0.002313;信噪比为5时,NMSE=0.048724。该方法将恢复误差控制在了5%以内,相比于传统方法在低信噪比情况下40%左右的恢复误差有了很大提高。
本发明就是在一种自适应观测矩阵的基础上应用了贝叶斯压缩感知信号恢复方法,最终得到了计算时间短、恢复精度高、抗噪性能好及提供恢复误差的优良效果。
附图说明
图1是SNR=20的情况下,原始信号仿真图,其中信号长度N=512,稀疏度K=20;
图2是SNR=20的情况下,加噪信号仿真图,其中信号长度N=512;
图3是SNR=20的情况下,使用随机高斯矩阵BP算法恢复信号仿真图,其中信号长度N=512,观测值M=100;
图4是SNR=5的情况下,加噪信号仿真图,其中信号长度N=512;
图5是SNR=5的情况下,使用随机高斯矩阵BP算法恢复效果仿真图,其中信号长度N=512,观测值M=100;
图6是SNR=20的情况下,使用本发明自适应矩阵BP算法恢复效果仿真图,其中信号长度N=512,观测值M=100;
图7是SNR=5的情况下,使用本发明自适应矩阵BP算法恢复效果仿真图,其中信号长度N=512,观测值M=100;
图8为基于相关向量机的贝叶斯压缩感知算法的层次先验模型;
图9是SNR=20的情况下,使用随机高斯矩阵OMP算法恢复效果仿真图,其中信号长度N=512,观测值M=100;
图10是SNR=5的情况下,使用随机高斯矩阵OMP算法恢复效果仿真图,其中信号长度N=512,观测值M=100;
图11是SNR=20的情况下,使用随机高斯矩阵基于相关向量机的贝叶斯压缩感知算法恢复效果仿真图,其中信号长度N=512,观测值M=100;
图12是SNR=5的情况下,使用随机高斯矩阵基于相关向量机的贝叶斯压缩感知算法恢复效果仿真图,其中信号长度N=512,观测值M=100;
具体实施方式
具体实施方式一、一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法,
压缩感知理论包括以下的三个步骤:
1)、N×1维的未知信号f在线性基Ψ(N×N)下是稀疏的,即:
f=Ψw (2)
其中:w是一个N×1维的稀疏信号,即它的大部分系数都为0;
2)、利用M×N维的观测矩阵Φ′获取观测值:
y=Φ′f=Φ′Ψw=Φw (1)
其中:y是M×1维的测量值,Φ=Φ′Ψ为M×N维的感知矩阵;
3)已知Φ′、Ψ、y,选择合适的恢复算法对f进行恢复:
1、观测矩阵的设计方法
本发明的观测矩阵Φ′的设计采用了一种自适应的方法。根据式(1),可以将矩阵Φ′称为时域观测矩阵,将矩阵Φ称为稀疏域观测矩阵。
在时域中,信号f包含了原始信号的信息;在稀疏域中,向量w也包含了原始信号的信息。鉴于此,取w中的非零系数获取观测值也是可行的。对式(1)进行变形,得到:
y=Φ′w=Φ′Ψ-1f=Φf (3)
如果稀疏基Ψ是正交的,则式(3)可以变为:
y=Φ′w=Φ′ΨTf=Φf (4)
这样对时域的观测来说,观测矩阵就变为Φ。
由于Φ=Φ′ΨT,稀疏域确定,ΨT也就确定,因此主要需要分析的是Φ′的设计。观察式(4)发现,观测值y实际上是稀疏向量w中的非零值,因此矩阵Φ′的目的就是从w中提取非零值。只要找到w中非零值的位置,就可以确定矩阵Φ′的组成了。
向量w中非零值的个数为M,w中第i(1≤i≤M)个非零值的位置为j(1≤j≤N),则矩阵Φ′中元素φ′i,j=1,其它的元素都设为0,如下所示:
矩阵Φ′中的元素只有0和1,其中1的个数为M。矩阵Φ′得到后,矩阵Φ的元素也就可以得到了。由于Φ=Φ′ΨT,因此得到Φ中的元素为:
φi,k=ψj,k1≤i≤M,1≤j≤N,1≤k≤N (7)
接下来如果是对时域信号f进行观测,那么使用Φ得到观测值y,如果是对稀疏系数向量w进行观测,那么使用Φ′得到观测值y。由于观测矩阵是由信号确定的,不同的信号得到的观测矩阵是不同的,因此本发明中构造的观测矩阵称为自适应观测矩阵。
图3、5和图6、7分别是使用随机高斯观测矩阵和使用本发明的自适应观测矩阵时BP算法的信号恢复仿真图,我们可以看到,使用自适应观测矩阵得到的恢复误差要远远小于使用随机高斯观测矩阵所产生的误差。
2、恢复算法的设计方法
本发明中的恢复算法采用的是基于相关向量机(RVM)的贝叶斯(BCS)压缩感知算法。由于信号在传输过程中会产生噪声,因此式(1)的理想情况应改为
y=Φ′f+n (7)
我们可以根据稀疏变换系数来将式(8)写成如下形式:
y=Φ′Ψw+n=Φw+n (8)
根据压缩感知理论,当测量值的数量小于信号系数的数量时(M<<N),使用适当的恢复算法就可在某些确定情况下精确地恢复出初始信号f。由于M<<N,直接求解式(9)的逆问题是一个病态问题,无法直接求解。
利用w的稀疏性,原始信号的近似值可以通过解决下式的最优化问题来得到:
其中||w||0是w的l0范数。这个最优化问题是一个NP难问题,因此需要简化,最常用的方法是用l1范数代替l0范数,这个最优化问题就转化为下式:
我们让ws代表一个N维向量w中M个最大的值,剩下的N-M个值设为0。类似地,向量we分代表w中最小的N-M个元素,剩下的元素置为0。由此得到:
w=ws+we (11)
和:
y=Φw=Φws+Φwe=Φws+ne (12)
其中ne=Φwe;
因为Φ是通过随机采样获得的,所以根据中央极限定理,ne中的元素可以由一个均值为0的高斯噪声近似,同时考虑到压缩感知在采样过程中本身包含的噪声nm,所以有:
y=Φws+ne+nm=Φws+n (13)
式中n是均值为0、方差σ2未知的高斯噪声。y的高斯似然模型为:
经过上面的分析,压缩感知问题转变为带有ws稀疏约束的线性回归问题。
假设已知Φ,则需要估计的是稀疏向量ws和噪声方差σ2,需要寻找它们的后验概率密度函数。
在RVM中引入分层的先验,它与Laplace先验具有相似的性质,但是它允许共轭指数分析。首先,对w中的每一个元素先验都定义为均值为0的高斯分布:
其中:αi是高斯概率密度函数的精度。接着,假设α的先验服从Γ分布:
结合公式(15)和(16),得到w的先验
其中:Γ(αi|a,b)dαi服从Student-t分布。
当a和b的选择合适时,Student-t分布在wi=0处取得峰值,因此(17)式中的先验促进了w的稀疏性。同样地,可以为噪声方差选择Γ先验。
假设超参数α和α0已知,给出测量值y和矩阵Φ,那么w的后验可以解析地表示为多变量的高斯分布,其均值和方差为:
μ=α0∑ΦTy (18)
∑=(α0ΦTΦ+A)-1 (19)
其中:A=diag(α1,α2,…,αN)。
在RVM中,超参数α和α0通过Type-II型ML过程进行估计,这种逼近使用了α和α0的点估计来求它们边缘似然函数的最大值。应用EM算法,得到:
其中:μi是(18)式中计算的第i个均值,其中∑ii是(19)式计算出的第i个对角元素。
对于噪声方差σ2=1/α0,微分进行再估计:
接着对w和α、α0交替进行迭代计算,直到最后得到的结果收敛。
该算法的层次先验模型如图8所示。图9、10、11和12分别是在同样使用随机高斯观测矩阵的情况下,OMP算法和基于RVM的BCS算法的信号恢复仿真图。观察可得,基于RVM的BCS算法在信号的恢复精度上要高于OMP算法,且提供了误差范围的估计。
本发明具有以下特点和显著进步:
1、本发明以压缩感知中自适应观测矩阵的设计为基础,结合贝叶斯压缩感知算法得到一种压缩感知方法的设计方案。它的设计的观测矩阵可以根据不同信号自适应地生成,结合贝叶斯压缩感知恢复算法得到了非常好的信号恢复效果,并且可以对恢复信号的误差范围进行估计。
2、本发明的压缩感知方案中观测矩阵的设计是借助稀疏系数的先验信息来生成相应的观测矩阵,它的性能要显著优于其他随机观测矩阵和确定性观测矩阵。
3、本发明在压缩感知恢复算法的设计上引入了贝叶斯推理和相关向量机的理论,使得算法结合了凸松弛算法和贪婪算法的优点,信号恢复精度和运算耗时都达到了比较满意的结果。
4、本发明的自适应观测矩阵的设计中,需要找出稀疏向量中的非零值,再将观测矩阵中相应位置的元素置为1,其它元素设为0,这对于算法的抗噪性能有很大的帮助。通过仿真发现,与其它观测矩阵相比,这种自适应的观测矩阵恢复精度有着显著的提高。
5本发明贝叶斯恢复算法中引入了分层先验的结构,并用相关向量机来对其中的超参数进行估计。通过仿真发现,与其他恢复算法相比,本发明提出的这种恢复算法对信号的恢复精度更高,而且可以提供信号的误差范围。
Claims (2)
1.一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法,其特征是:它由以下步骤实现:
步骤一、利用M×N维的观测矩阵Φ′,通过公式:
y=Φ′f=Φ′Ψw=Φw (1)
获取N×1维未知信号f的M×1维观测值y;M、N均为正整数,且M<<N;Φ为感知矩阵;Ψ为稀疏基;
其中:N×1维的未知信号f表示为:
f=Ψw (2)
式中:w是一个N×1维的稀疏信号;
对于将观测矩阵Φ′设计成自适应观测矩阵,具体为:
根据式(1),在时域中,由于未知信号f包含了原始信号的信息,则时域观测矩阵为Φ′;
在稀疏域中,由于稀疏信号w也包含了原始信号的信息,则稀疏域观测矩阵为Φ;
对稀疏信号w中的非零系数获取观测值,具体为:
对式(1)进行变形,得到:
y=Φ′w=Φ′Ψ-1f=Φf (3)
在稀疏基Ψ是正交的情况下,则式(3)变为:
y=Φ′w=Φ′ΨTf=Φf (4)
此时,时域的观测矩阵变为Φ,稀疏域的观测矩阵变为Φ′;
稀疏信号w中非零值的个数为M,M为正整数;稀疏信号w中第i个非零值的位置为j,1≤i≤M;1≤j≤N;
则观测矩阵Φ′中元素φ′i,j=1,其它的元素都设为0,如下所示:
由于Φ=Φ′ΨT,因此得到Φ中的元素为:
φi,k=ψj,k (6)
式中:1≤k≤N;这里得到的Φ′即为式(1)中的Φ,得到的Φ即为式(1)中的Φ′;
步骤二、采用步骤一获得的观测矩阵Φ′通过贝叶斯压缩感知方法对M×1维的观测信号y进行信号恢复,获得恢复后的信号;
具体为:由于信号在传输过程中会产生噪声,因此式(2)的实际情况应为:
y=Φ′f+n (7)
式中n是均值为0、方差σ2未知的高斯噪声;
根据稀疏变换系数将式(7)改写成如下形式:
y=Φ′Ψw+n=Φw+n (8)
利用w的稀疏性,原始信号的近似值通过解决下式的最优化问题获得:
其中:||w||0是稀疏信号w的l0范数;
用l1范数代替l0范数,将上式转化为:
令ws代表一个N维向量w中M个最大的值,剩下的N-M个值设为0;向量we代表w中最小的N-M个元素,剩下的元素置为0;
由此得到:
w=ws+we (11)
和
y=Φw=Φws+Φwe=Φws+ne (12)
式中:ne=Φwe;
根据中央极限定理,ne中的元素由一个均值为0的高斯噪声近似,同时考虑到压缩感知在采样过程中本身包含的噪声nm,故有:
y=Φws+ne+nm=Φws+n (13)
观测值y的高斯似然模型为:
通过估计稀疏向量ws和噪声方差σ2,获得观测值y的恢复信号,完成基于自适应观测矩阵的贝叶斯压缩感知信号恢复。
2.根据权利 要求1所述的一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法,其特征在于步骤二中估计稀疏向量ws和噪声方差σ2的方法为:采用后验概率密度函数的方法实现,具体为:
首先,对稀疏信号w中的每一个元素先验都定义为均值为0的高斯分布:
其中:αi是高斯概率密度函数的精度;
然后,令α的先验服从Γ分布:
结合公式(15)和(16),得到w的先验概率密度函数:
其中:Γ(αi|a,b)dαi服从Student-t分布;
假设超参数α和α0已知,给出测量值y和矩阵Φ,那么w的后验概率密度函数解析地表示为多变量的高斯分布,其均值和方差为:
μ=α0∑ΦTy (18)
∑=(α0ΦTΦ+A)-1 (19)
其中:A=diag(α1,α2,…,αN);
在相关向量机RVM中,超参数α和α0通过Type-II型最大似然过程进行估计,这种逼近使用了α和α0的点估计来求它们边缘似然函数的最大值;
应用最大期望算法,得到:
其中:μi是(18)式中计算的第i个均值,其中∑ii是(19)式计算出的第i个对角元素;
对于噪声方差σ2=1/α0,微分进行再估计:
最后对w和α、α0交替进行迭代计算,直到最后得到的结果收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410100612.8A CN103840838B (zh) | 2014-03-19 | 2014-03-19 | 一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410100612.8A CN103840838B (zh) | 2014-03-19 | 2014-03-19 | 一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103840838A CN103840838A (zh) | 2014-06-04 |
CN103840838B true CN103840838B (zh) | 2017-02-15 |
Family
ID=50804036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410100612.8A Active CN103840838B (zh) | 2014-03-19 | 2014-03-19 | 一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103840838B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104660268A (zh) * | 2014-11-19 | 2015-05-27 | 电子科技大学 | 一种基于贝叶斯准则的稀疏信号处理方法 |
CN104660269B (zh) * | 2014-12-08 | 2017-08-25 | 中南大学 | 一种用于信号压缩感知的感知矩阵生成方法 |
CN104463927B (zh) * | 2014-12-12 | 2017-06-16 | 西安电子科技大学 | 基于多变量观测和相关性约束的压缩感知图像重构方法 |
US9692619B2 (en) * | 2015-01-14 | 2017-06-27 | Huawei Technologies Co., Ltd. | Non-underdetermined estimation for compressed sensing |
CN104703216A (zh) * | 2015-02-04 | 2015-06-10 | 杭州电子科技大学 | 基于能量有效的多任务贝叶斯压缩感知宽带频谱检测方法 |
CN106154219A (zh) * | 2015-04-22 | 2016-11-23 | 常熟海量声学设备科技有限公司 | 一种新的水声目标方位估计方法 |
CN105206277B (zh) * | 2015-08-17 | 2019-06-14 | 西华大学 | 基于单比特压缩感知的语音压缩方法 |
CN106027061A (zh) * | 2016-05-06 | 2016-10-12 | 南京信息工程大学 | 一种基于自适应观测矩阵的Lamb波压缩感知方法 |
CN106130563B (zh) * | 2016-06-17 | 2019-12-06 | 西安电子科技大学 | 一种基于压缩感知信号的阈值收缩迭代差分重构方法 |
CN107796788B (zh) * | 2016-08-29 | 2021-02-23 | 南京理工大学 | 基于变分贝叶斯期望最大算法的传感矩阵测量方法 |
CN107689796B (zh) * | 2017-07-28 | 2021-03-26 | 同济大学 | 一种基于先验信息的无损压缩文件容错解压方法 |
CN107704724B (zh) * | 2017-11-01 | 2020-04-03 | 河海大学 | 基于Meridian分布的贝叶斯压缩感知的参数选取方法 |
CN108680907B (zh) * | 2018-04-27 | 2020-12-11 | 常熟理工学院 | 一种基于观测矩阵的压缩感知mimo雷达干扰抑制方法 |
CN108919192B (zh) * | 2018-05-02 | 2020-10-09 | 浙江工业大学 | 一种基于贝叶斯压缩感知的雷达信号测量方法 |
CN108988867B (zh) * | 2018-07-26 | 2020-09-08 | 深圳大学 | 量测矩阵扰动时压缩感知感知矩阵构建方法、系统及介质 |
CN110133628A (zh) * | 2019-06-13 | 2019-08-16 | 哈尔滨工业大学 | 一种短时强干扰下lfm信号的恢复方法 |
CN113027427B (zh) * | 2019-12-25 | 2024-04-05 | 中石化石油工程技术服务有限公司 | 一种基于贝叶斯理论的含可信度地层压力随钻修正方法 |
CN113556130B (zh) * | 2021-07-21 | 2022-05-03 | 中国人民解放军国防科技大学 | 一种稳健的复数域多任务贝叶斯压缩感知方法 |
CN114159048A (zh) * | 2021-12-06 | 2022-03-11 | 河南牧原智能科技有限公司 | 一种用于对猪群的呼吸频率进行检测的方法和相关产品 |
CN116582132B (zh) * | 2023-07-06 | 2023-10-13 | 广东工业大学 | 基于改进带结构化扰动模型的压缩感知重构方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102638802A (zh) * | 2012-03-26 | 2012-08-15 | 哈尔滨工业大学 | 一种分层协作联合频谱感知算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103346847B (zh) * | 2013-06-21 | 2015-02-04 | 哈尔滨工业大学 | 基于迭代攻击检测的联合压缩频谱感知方法 |
-
2014
- 2014-03-19 CN CN201410100612.8A patent/CN103840838B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102638802A (zh) * | 2012-03-26 | 2012-08-15 | 哈尔滨工业大学 | 一种分层协作联合频谱感知算法 |
Non-Patent Citations (4)
Title |
---|
Atomic Decomposition by basis pursuit;Chen S B etc;《SIAM Journal on Scientific Computing》;20011231;第43卷(第1期);全文 * |
一种基于最优观测矩阵的自适应贝叶斯压缩信道感知联合机制;肖小潮等;《电子与信息学报》;20121031;第34卷(第10期);全文 * |
压缩感知自适应观测矩阵设计;赵玉娟等;《信号处理》;20121231;第28卷(第12期);第2-4.1节 * |
基于优化贝叶斯压缩感知算法的频谱检测;王臣昊等;《信号处理》;20120531;第28卷(第5期);第1-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN103840838A (zh) | 2014-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103840838B (zh) | 一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法 | |
CN103347268B (zh) | 认知传感器网络中基于能量有效性观测的自适应压缩重构方法 | |
CN107589448B (zh) | 一种多道地震记录反射系数序列同时反演方法 | |
CN105142177B (zh) | 复数神经网络信道预测方法 | |
CN103941220B (zh) | 一种基于稀疏重构的网格外目标波达方向估计方法 | |
CN104459668B (zh) | 基于深度学习网络的雷达目标识别方法 | |
CN104820993B (zh) | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 | |
CN108089059B (zh) | 一种基于稀疏独立分量分析的谐波阻抗估算方法 | |
CN103838970B (zh) | 面向深海船舶动力定位的高精度实时状态估计方法及系统 | |
US11880903B2 (en) | Bayesian image denoising method based on distribution constraint of noisy images | |
CN107147397A (zh) | 面向可穿戴设备的快速压缩感知重构方法 | |
CN105787895B (zh) | 基于分层高斯混合模型的统计压缩感知图像重构方法 | |
CN104199029B (zh) | 一种提高压缩感知雷达目标成像性能的测量矩阵设计方法 | |
CN105427264A (zh) | 一种基于群稀疏系数估计的图像重构方法 | |
CN105608465A (zh) | 全极化sar海岸线地物分类方法 | |
CN103558498B (zh) | 基于小波分析的绝缘子污闪泄漏电流信号稀疏表示方法 | |
CN105894547A (zh) | 基于组波变换压缩感知的图像处理方法 | |
CN103885050A (zh) | 基于缩放字典的回波信号参数估计方法 | |
CN105184742A (zh) | 一种基于拉普拉斯图特征向量的稀疏编码的图像去噪方法 | |
CN113222860B (zh) | 基于噪声结构多重正则化的图像恢复方法及系统 | |
CN104459695B (zh) | 基于压缩相位恢复的稀疏微波成像方法 | |
CN106533451A (zh) | 一种块稀疏信号恢复的迭代终止条件设置方法 | |
CN108919192A (zh) | 一种基于贝叶斯压缩感知的雷达信号测量方法 | |
CN105931184B (zh) | 基于联合优化的sar图像超分辨率方法 | |
CN104883239A (zh) | 基于压缩感知的自适应分辨率数据重构方法 |
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 |