CN103929176A - 基于贝努利移位混沌序列的感知矩阵构造方法 - Google Patents
基于贝努利移位混沌序列的感知矩阵构造方法 Download PDFInfo
- Publication number
- CN103929176A CN103929176A CN201410143089.7A CN201410143089A CN103929176A CN 103929176 A CN103929176 A CN 103929176A CN 201410143089 A CN201410143089 A CN 201410143089A CN 103929176 A CN103929176 A CN 103929176A
- Authority
- CN
- China
- Prior art keywords
- matrix
- bcsm
- sequence
- chaos sequence
- chaos
- 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.)
- Pending
Links
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种基于贝努利移位混沌序列的感知矩阵(BCSM)构造方法,并证明了该矩阵可以高概率满足RIP,进而将其应用到数据安全通信中。n路贝努利移位映射是个确定性系统,是个分段线性的混沌映射,因此,混沌序列只需要控制参数n和初始条件x1就可以很容易重新构造,易在硬件和软件中实现。由于BCSM是个具有确定元素的确定性矩阵,因此,相对随机矩阵来讲,BCSM需要更少的存储空间。再有,BCSM一般在是近似独立同分布的矩阵,因此,无关稀疏域ψ的选择,BCSM都高概率满足RIP。这个优点在信号xs的稀疏度随着时间自适应变化的应用中特别突出。
Description
技术领域
本发明涉及一种压缩感知理论中感知矩阵的构造方法。
背景技术
传统的信号处理都是基于奈奎斯特采样定理,为了准确恢复出原始数据,需要以大于或等于两倍信号带宽的速率进行采样,这样,就提高了对硬件采集系统的要求。另一方面,在实际应用中,为了减少存储,处理和传输的数据量,通常会对采样后的数据进行压缩。这样就产生一个问题,既然要对采样后的数据进行压缩,那么是否有可能在数据采集的过程中就丢弃无用信息,只采集有用信息?这就是近年发展起来的压缩感知理论。
压缩感知(CS)是Cand`es和Tao提出的采样理论,在信号稀疏或者可压缩的条件下,降低采样速率,在采样的过程中丢弃冗余数据,在采样完成的同时实现信号的压缩。相对奈奎斯特采样定理,压缩感知有巨大的潜力,特别是在高分辨率信号的采集中,突破了奈奎斯特采样定理的瓶颈。
设 是一个时域稀疏信号,其中有k个非零值,k即为信号x的稀疏度。压缩感知可线性表示为,其中是感知矩阵,是测量值,ε是噪声信号。若信号x在某个变换域上是稀疏的,压缩感知则可描述为,其中是变换域的系数,只有k个非零值。总结为等式:。
可以看到,设计一个稳定的感知矩阵φ,使得在采样过程中保留有用信息,去除冗余信息,在压缩感知理论中占有重要地位。稳定的感知矩阵需要满足一些性质,例如Cand`es和Tao提出的约束等距性(RIP)。
定义1 约束等距性(RIP)如果存在使
,,
其中,,φT是由φ中的|T|列组成的的矩阵。
那么,矩阵φ满足约束等距性。
Cand`es等人在文献Decoding by linear programming, Information Theory和Robust uncertainty principles: exact signal reconstruction fromhighly incomplete frequency information中指出,随机矩阵可以高概率满足RIP。不幸的是,随机方法在某些应用中并不能满足实际需求,如文献Construction of a large class of deterministic sensingmatrices that satisfy a statistical isometry property和Deterministic constructions of compressed sensing matrices指出,可能存在同一个感知矩阵与不同的稀疏域并不满足不相干性。这就产生一个问题,能否用具有随机性的确定性系统来构造感知矩阵。
综合考虑压缩感知与混沌的概念,本发明提出了一种基于n-way贝努利移位混沌序列的感知矩阵(BCSM)构造方法,并证明了该矩阵可以高概率满足RIP。n-way贝努利移位映射是个确定性系统,是个分段线性的混沌映射,因此,混沌序列只需要控制参数n和初始条件x1就可以很容易重新构造,易在硬件和软件中实现。由于BCSM是个具有确定元素的确定性矩阵,因此,相对随机矩阵来讲,BCSM需要更少的存储空间。再有,BCSM一般在是近似独立同分布的矩阵,因此,无关稀疏域的选择,BCSM都高概率满足RIP。这个优点在信号xs的稀疏度随着时间自适应变化的应用中特别突出。
发明内容
为了克服随机感知矩阵需要的存储空间大,以及在某些情况下不满足RIP的缺陷,本发明提出了一种基于n-way贝努利移位混沌序列的伪随机感知矩阵的构造方法。
感知矩阵的具体构造步骤如下:
步骤一、贝努利混沌序列,记作,的构造,如下:
对n-way贝努利移位映射变形,得到区间[-0.5,0.5]的贝努利移位映射
具体的构造如下:
。
当序列的种子x1是一个无理数时,序列显示出非周期性和混沌性,并且贝努利序列没有瞬态时间,这是本发明采用贝努利混沌序列构造感知矩阵的一个重要理由。
步骤二、设计合理的取样间隔l,取样贝努利移位序列,表示为,。合理的取样间隔l的选取是根据选取后的序列需要满足的独立同分布特性而定的,不能取值太小。
步骤三、检验序列的独立同分布性,若满足,继续步骤四,否则返回步骤二增大取样间隔l。
步骤四、用逐列构造满足RIP性质的贝努利混沌感知矩阵(BCSM),构造如下:
,
其中δ2是的方差,BCSM中的所有元素都用进行了归一化。
附图说明
图1初始稀疏信号xs1。
图2 初始信号经过感知矩阵测量得到的测量数据。
图3 从测量数据中恢复的信号xs1 *。
图4 恢复误差。
图5 采用不同测量矩阵采样后恢复的绝对误差随测量值的变化的对比。
图6采用不同测量矩阵采样后恢复的相对误差随测量值的变化的对比。
图7 采用不同测量矩阵采样后恢复的信噪比。
图8采用不同测量矩阵恢复概率随信号稀疏度k的变化对比。
图9 构造BCSM的过程框图。
具体实施方式
下面结合附图对本发明做进一步说明。
根据发明内容中具体步骤的描述,感知矩阵BCSM的构造如下:
1,首先,选取参数x1=0.45467构造序列
。
2,以参数l=5对序列进行取样得到序列。
在这里,用参数l=5取样得到的序列可以满足独立同分布特性。
3,逐列构造的感知矩阵BCSM:
。
实验中所用到的初始信号是长度为n=200的离散时间稀疏信号xs1,以分布独立抽取k个点赋以非零值构成的,也就是说,该信号的稀疏矩阵为单位矩阵I。仿真中,以ε表示高斯噪声,设定信噪比(SNR)为40,信号的稀疏度k=20,如图1。用本发明构造的感知矩阵BCSM对信号测量,得到测量值ys,如图2所示。随后,用基追踪方法得到重构信号,如图3,和重构误差,如图4。
分别用贝努利感知矩阵(BSM),高斯感知矩阵(GSM),和Database-friendly感知矩阵(DaSM)重复上述信号的感知和重构过程,以便与贝努利混沌感知矩阵(BCSM)的结果进行比较,结果如图5和图6。图5和图6分别对重构的绝对误差和相对误差进行了对比。
变化信号xs1的稀疏度k,再分别用80 × 200的感知矩阵BCSM,GSM,BSM,DaSM进行试验,得到信号成功恢复率与稀疏度k的关系图,如图7。这里对成功恢复的定义为。
Claims (3)
1.一种基于n-way贝努利移位混沌序列构造感知矩阵的方法,感知矩阵的具体构造方法如下:
步骤一、构造区间[-0.5,0.5]的n-way贝努利混沌序列,记作 ;
步骤二、设计合理的取样间隔l,取样贝努利移位序列,表示为:
;
步骤三、检验序列的独立同分布性,若满足,继续步骤四,否则返回步骤二增大取样间隔l;
步骤四、用逐列构造满足RIP的贝努利混沌感知矩阵(BCSM),构造如下:
其中δ2是的方差,BCSM中的所有元素都用进行了归一化。
2.根据权利要求1所述的基于贝努利混沌序列构造压缩感知矩阵的方法,其特征在于:
步骤一中,对n-way贝努利混沌序列进行变形,得到区间[-0.5,0.5]的n-way贝努利混沌序列
选取序列的种子元素无理数,具体的构造如下:
。
3.根据权利要求1所述的基于贝努利混沌序列构造压缩感知矩阵的方法,其特征在于:
步骤二中,为了使序列满足独立同分布性质,所选取的取样间隔需要较大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410143089.7A CN103929176A (zh) | 2014-04-11 | 2014-04-11 | 基于贝努利移位混沌序列的感知矩阵构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410143089.7A CN103929176A (zh) | 2014-04-11 | 2014-04-11 | 基于贝努利移位混沌序列的感知矩阵构造方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103929176A true CN103929176A (zh) | 2014-07-16 |
Family
ID=51147274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410143089.7A Pending CN103929176A (zh) | 2014-04-11 | 2014-04-11 | 基于贝努利移位混沌序列的感知矩阵构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103929176A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104660269A (zh) * | 2014-12-08 | 2015-05-27 | 中南大学 | 一种用于信号压缩感知的感知矩阵生成方法 |
CN109275119A (zh) * | 2018-07-27 | 2019-01-25 | 四川大学 | 基于混沌序列的分布式压缩感知方法 |
-
2014
- 2014-04-11 CN CN201410143089.7A patent/CN103929176A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104660269A (zh) * | 2014-12-08 | 2015-05-27 | 中南大学 | 一种用于信号压缩感知的感知矩阵生成方法 |
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 |
CN109275119A (zh) * | 2018-07-27 | 2019-01-25 | 四川大学 | 基于混沌序列的分布式压缩感知方法 |
CN109275119B (zh) * | 2018-07-27 | 2020-07-10 | 四川大学 | 基于混沌序列的分布式压缩感知方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832837B (zh) | 一种基于压缩感知原理的卷积神经网络压缩方法及解压缩方法 | |
CN101908889B (zh) | 一种块稀疏度未知的稀疏信号压缩感知重构方法 | |
Zou et al. | An approach of reliable data transmission with random redundancy for wireless sensors in structural health monitoring | |
CN106301383B (zh) | 一种基于压缩感知的信号处理方法 | |
CN103327326B (zh) | 基于压缩感知和信道自适应的sar图像传输方法 | |
Zhuoran et al. | An improved Hadamard measurement matrix based on Walsh code for compressive sensing | |
CN102891684A (zh) | 一种压缩感知含噪重构系统的构建方法 | |
CN105181122A (zh) | 机械振动信号数据压缩采集方法 | |
CN103825621B (zh) | 一种有效的“0,1”稀疏信号的压缩感知重构方法 | |
KR20190055223A (ko) | OvXDM 시스템에 적용되는 신호 샘플링 회복 방법, 장치 및 OvXDM시스템 | |
WO2014194485A1 (zh) | 一种以低于奈奎斯特频率的采样频率进行信号采集方法 | |
CN103929176A (zh) | 基于贝努利移位混沌序列的感知矩阵构造方法 | |
CN104660269B (zh) | 一种用于信号压缩感知的感知矩阵生成方法 | |
CN104113346A (zh) | 基于级联混沌序列构造测量矩阵的方法 | |
CN108988865B (zh) | 一种压缩感知观测矩阵的优化设计方法 | |
Li et al. | Image reconstruction based on the improved compressive sensing algorithm | |
Sun et al. | Sparsity adaptive compressive sampling matching pursuit algorithm based on compressive sensing | |
CN103744828B (zh) | 一种测量值缺失的压缩感知重构方法 | |
CN105375931A (zh) | 一种基于卡尔曼滤波的复杂环境下信号重构方法 | |
CN109584320A (zh) | 一种低相干观测矩阵构造方法 | |
CN103532566A (zh) | 一种基于块对角阵观测矩阵构造的信号压缩传感方法 | |
CN106230441B (zh) | 一种基于m序列的可变维度的压缩感知观测矩阵构造方法 | |
CN104883192B (zh) | 基于混合压缩采样的非合作超宽带信号的重构方法 | |
CN101655551B (zh) | 定帧长合成孔径雷达原始数据压缩的编解码方法及装置 | |
CN106452456A (zh) | 一种基于ldpc矩阵的压缩感知测量矩阵构造方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140716 |
|
WD01 | Invention patent application deemed withdrawn after publication |