CN106130563B - 一种基于压缩感知信号的阈值收缩迭代差分重构方法 - Google Patents

一种基于压缩感知信号的阈值收缩迭代差分重构方法 Download PDF

Info

Publication number
CN106130563B
CN106130563B CN201610438140.6A CN201610438140A CN106130563B CN 106130563 B CN106130563 B CN 106130563B CN 201610438140 A CN201610438140 A CN 201610438140A CN 106130563 B CN106130563 B CN 106130563B
Authority
CN
China
Prior art keywords
signal
compressed sensing
theta
recovery
function
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
Application number
CN201610438140.6A
Other languages
English (en)
Other versions
CN106130563A (zh
Inventor
刘勤
刘琳琳
柳杨
黄鹏宇
刘伟
赵林靖
李建东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Electronic Science and Technology
Original Assignee
Xian University of Electronic Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Electronic Science and Technology filed Critical Xian University of Electronic Science and Technology
Priority to CN201610438140.6A priority Critical patent/CN106130563B/zh
Publication of CN106130563A publication Critical patent/CN106130563A/zh
Application granted granted Critical
Publication of CN106130563B publication Critical patent/CN106130563B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
    • H03M7/3062—Compressive sampling or sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种基于压缩感知信号的阈值收缩迭代差分重构的方法，首先针对含噪信号的压缩感知结果y＝ΦΘ+Φn+w＝ΦΘ+e，构建压缩感知信号的恢复目标函数为其次，对压缩感知信号的恢复目标函数转换求解模型，得到新的恢复目标函数；最后，对变化的恢复目标函数进行差分重构，迭代K次得到恢复信号的最优解。本发明对经由压缩感知的理想的无噪稀疏信号具有良好的恢复能力，对压缩感知后含噪信号也具有较强的鲁棒性，并可通过增加迭代次数和测量矩阵行数进一步增加鲁棒性，极大地降低恢复误差；同时本发明还具有收敛速度与迭代次数成正比，计算速度较快的优点。

Description

一种基于压缩感知信号的阈值收缩迭代差分重构方法
技术领域
本发明属于无线通信技术领域，尤其涉及一种基于压缩感知信号的阈值收缩迭代差分重构方法。
背景技术
随着无线通信技术的飞速发展，新业务不断涌现，需要为这些新业务分配更多的频谱资源，导致可用频谱资源越来越稀缺。然而通过对当前频谱资源使用情况的监测研究表明，已授权的频谱并没有得到充分的利用，其中一些频谱很多时间是处于空闲状态、频谱资源利用率比较低，造成了大量的资源浪费。认知无线电(Cognitive Radio，CR)是当前公认的缓解频谱资源供需矛盾的有效途径之一，也是当前无线通信领域的难点和热点。认知无线电作为一种智能无线通信技术，它使得未经授权的无线通信设备根据一定的学习和决策算法，主动地检测和有效利用授权频段的空闲频率资源，为在频谱资源紧张的情况下提高频谱利用效率的构想开创了一个崭新的局面。
目前频谱压缩感知重构技术中重构性能差。
发明内容
本发明的目的在于提供一种基于压缩感知信号的阈值收缩迭代差分重构方法，旨在解决目前频谱压缩感知重构技术中重构性能差的问题。
本发明是这样实现的，一种基于压缩感知信号的阈值收缩迭代差分重构方法，所述基于压缩感知信号的阈值收缩迭代差分重构方法包括以下步骤：
首先针对加入噪声后的感知信号进行压缩感知处理，得到压缩感知结果为y＝ΦΘ+Φn+w＝ΦΘ+e，构建压缩感知信号的恢复目标函数为
其次，对压缩感知信号的恢复目标函数转换求解模型，得到新的目标函数；
最后，对新的目标函数进行差分重构，迭代K次得到恢复信号的最优解。
进一步，所述压缩感知结果为y＝ΦΘ+Φn+w＝ΦΘ+e；
其中Θ＝Ψx；x为n×1的原始信号；Φ为m×n测量矩阵，将稀疏信号从n压缩到m，m＜＜n；Ψ是稀疏基，为n×n正交变换矩阵，对接收信号x进行稀疏化。
进一步，所述求解目标的获取方法包括：
步骤一，当函数f(x)的梯度满足李普希兹连续的||▽f(x)-▽f(y)||2≤L(f)·||x-y||时，对为常数，则最小化问题模型为min[f(x)+g(x)]；
步骤二，对min[f(x)+g(x)]式中：f(x)为连续可微凸函数，g(x)为任意凸函数；f(x)存在两点x1和x2，且x1＞x2，令Δx＝x1-x2，则满足如下关系：
步骤三，对于恢复目标函数，L(f)等于2倍的ΦΦT的特征值中最大值，即L(f)＝2max(ΦΦT)；将min[f(x)+g(x)]和结合起来，并且令L(f)＝1/tk，Δxk-1＝x-xk-1，根据以上结论，则压缩感知后信号的恢复目标函数等价于如下问题的解：
步骤四，经过一定次数的迭代后，xk会收敛到最优解，的解化简为：
步骤五，将应用到压缩感知的恢复目标函数中，即将g(Θ)＝λ||Θ||1代入：
中得到恢复目标函数中的Θk为：
进一步，所述根据凸优化转化对压缩信号重构原始信号x'的求解目标为：
令则恢复目标函数为：
进一步，所述对恢复目标函数进行差分重构：输入tk＝1/L(f)，λ∈(0,1)，任意起始点Θ0(通常取Θ0＝0)，将依次代入计算得到
将代入计算出ΔΘ1；
迭代k次，得到ΔΘk；
对ΔΘ1做反离散余弦变换，得Δx＝D-1(ΔΘk)；
利用前一时刻保存的值xT，计算得到xT＝xT+Δx。
本发明提供的基于压缩感知信号的阈值收缩迭代差分重构方法，针对已有的差分信号自适应匹配追踪重构(DSSAMP)算法在引入测量噪声(压缩感知后引入的噪声)后重构性能很差的缺点，采用基于阈值收缩迭代差分重构的认知无线电频谱压缩感知的重构算法，并分别在无噪声加入和有噪声加入的环境下与DSSAMP算法进行了比较，比较结果表明，在无噪声的环境下，DSIHT算法和DSSAMP算法重构准确率相差不大；但当压缩感知后引入测量噪声时(仿真时为加性高斯白噪声)，而当稀疏度大于20时，DSSAMP算法的重构准确率急剧下降，而DSIHT算法的准确率下降缓慢，比如，DSIHT算法在稀疏度为40时，准确率为45％，而DSSAMP算法的恢复准确率为0。
附图说明
图1是本发明实施例提供的基于压缩感知信号的阈值收缩迭代差分重构方法流程图。
图2是本发明实施例提供的无噪声情况下算法的重构性能对比仿真示例示意图。
图3是本发明实施例提供的加高斯噪声情况下算法的重构性能示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例的基于压缩感知信号的阈值收缩迭代差分重构方法包括以下步骤：
1)存在噪声环境的压缩感知结果为y＝ΦΘ+Φn+w＝ΦΘ+e，其中Θ＝Ψx；x为n×1的原始信号；Φ为m×n测量矩阵，又称重构算子，作用是将稀疏信号从n压缩到m，m＜＜n，；Ψ是稀疏基，为n×n正交变换矩阵，作用是对x进行稀疏化。
2)根据凸优化的理论，转化对压缩信号重构原始信号x'的求解目标为：
2.1)根据数学理论，若函数f(x)的梯度是李普希兹连续的(||▽f(x)-▽f(y)||2≤L(f)·||x-y||，对为常数)，则最小化问题模型为min[f(x)+g(x)]。
2.2)对2.1)式中：f(x)为连续可微凸函数，g(x)可以为任意凸函数。如果f(x)存在两点x1和x2，且x1＞x2，令Δx＝x1-x2，则满足如下关系：
2.3)对于恢复目标函数，L(f)等于2倍的ΦΦT的特征值中最大值，即L(f)＝2max(ΦΦT)。将2.1)和2.2)得到的公式结合起来，并且令L(f)＝1/tk，Δxk-1＝x-xk-1，则恢复目标函数等价于如下问题的解：
2.4)经过一定次数的迭代后，xk会收敛到最优解(凸函数解收敛定理)。省略步骤2.3)的常数项(常数项的增减不会影响最小化问题的解)，2.3)的解化简为
2.5)将2.4)应用到压缩感知的恢复目标函数中，即将g(Θ)＝λ||Θ||1代入2.4)中得到恢复目标函数中的Θk为
3)令则最后的恢复目标函数为
4)对最后的恢复目标函数进行差分重构的流程如下：输入tk＝1/L(f)，λ∈(0,1)，任意起始点Θ0(通常取Θ0＝0)。将依次代入计算得到
5)将代入中，计算出ΔΘ1。
6)重复步骤5)和6)，迭代k次，得到ΔΘk。
7)对ΔΘ1做反离散余弦变换，得Δx＝D-1(ΔΘk)。
8)利用前一时刻保存的值xT，计算得到xT＝xT+Δx。
下面结合仿真对本发明的应用效果作详细的描述。
利用本发明提出的算法对长N＝256度的一维信号进行重构，并与已有的DSSAMP的算法进行比较，其中包括在相同迭代次数情况下，两个算法的误差；不加噪声的情况下重构准确率；加噪声的情况下两者的重构准确率。
每个时刻的待压缩信号为一个N*1维的向量x，观测值为M*1(M＝128)维的向量，在稀疏度的设置上，共选取了14(10～70,隔五取一次作为新稀疏度)种稀疏度，在每个稀疏度下分别进行了1000次的测试(每次测试保证稀疏度一样，但系数向量中非零系数位置随机变化)。如果认为在一次测试中，残差小于1e-6，认为此次恢复成功，将最终恢复成功的次数除以1000，则得到重构准确率。
由基于差分方式的阈值搜索迭代算法和DSSAMP算法的仿真图2可知，在无噪声情况下，DSIHT算法和DSSAMP算法重构准确率相差不大，当稀疏度K小于45时，能达到很精确的恢复，随着稀疏度的上升，两算法的重构准确率急剧下降。如图3当压缩感知后引入测量噪声时(仿真时为加性高斯白噪声)，当稀疏度K处于10至20时，DSSAMP算法的重构准确率要比DSIHT算法的重构准确率基本相同，而当稀疏度大于20时，DSSAMP算法的重构准确率急剧下降，而DSIHT算法的准确率下降缓慢，在稀疏度为30～60之间时，DSIHT算法的重构准确率要比DSIHT算法的重构准确率要好，当稀疏度大于60时，两算法重构准确率都下降为0。通过以上分析，说明在低信噪比的情况下，基于差分方式的阈值收缩迭代算法要比DSSAMP算法的重构性能要更好一些，噪声鲁棒性更高。同时，对于重构性能的另一指标：重构时延在参考环境为Pentium双核CPU2.7GHz,内存4G的WindowsXP操作系统下分别对DSSMP算法和DSIHT算法的重构时延进行了统计，DSIHT算法与DSSAMP算法在重构精度要求相同的情况下，DSIHT算法的平均迭代次数和平均时延都比DSSAMP算法要小，具体结果见表1。
表1
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于压缩感知信号的阈值收缩迭代差分重构方法，其特征在于，所述基于阈值收缩迭代差分重构方法包括以下步骤：
首先针对加入噪声后稀疏信号的压缩感知处理结果y＝ΦΘ+Φn+w＝ΦΘ+e，建立压缩感知信号的恢复目标函数为：
其次，对压缩感知信号的恢复目标函数转换求解模型，得到新的目标函数；
最后，对新的目标函数进行差分重构，迭代K次得到恢复信号的最优解；
所述压缩感知结果y＝ΦΘ+Φn+w＝ΦΘ+e中Φ为M×N测量矩阵，将稀疏信号从N压缩到M，M＜＜N；Θ＝Ψx；x为N×1的原始信号；Ψ是稀疏基，为N×N正交变换矩阵，对接收信号x进行稀疏化；
根据凸优化得到对压缩信号重构原始信号x'的求解目标为：
令则恢复目标中的Θk为：
所述求解目标的转换方法包括：
步骤一，将求解目标的最小化问题建模为min[f(x)+g(x)]；其中f(x)为连续可微凸函数，g(x)为任意凸函数；
步骤二，对min[f(x)+g(x)]式中：函数f(x)的梯度满足利普希兹连续条件 y,L(f)为常数；f(x)存在两点x1和x2，且x1＞x2，令Δx＝x1-x2，则满足如下关系：其中L(f)等于2倍的ΦΦT的特征值中最大值，即L(f)＝2max(ΦΦT)；
步骤三，对于恢复信号的目标函数，将min[f(x)+g(x)]和结合，并且令L(f)＝1/tk，Δxk-1＝x-xk-1，则恢复信号的目标函数等价于如下问题的解：
步骤四，经过一定次数的迭代后，xk会收敛到最优解，的解化简为：
步骤五，将应用到压缩感知的恢复信号的目标函数中，即将g(Θ)＝λ||Θ||1代入：
得到恢复目标函数中的Θk为：
所述对恢复目标函数中的Θk进行差分重构：任意起始点Θ0，取Θ0＝0，将依次代入计算得到
将代入计算出ΔΘ1；
迭代K次，得到ΔΘk；
对ΔΘ1做反离散余弦变换，得Δx＝D-1(ΔΘk)；
利用前一时刻保存的值xT，计算得到xT＝xT+Δx。
CN201610438140.6A 2016-06-17 2016-06-17 一种基于压缩感知信号的阈值收缩迭代差分重构方法 Active CN106130563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610438140.6A CN106130563B (zh) 2016-06-17 2016-06-17 一种基于压缩感知信号的阈值收缩迭代差分重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610438140.6A CN106130563B (zh) 2016-06-17 2016-06-17 一种基于压缩感知信号的阈值收缩迭代差分重构方法

Publications (2)

Publication Number Publication Date
CN106130563A CN106130563A (zh) 2016-11-16
CN106130563B true CN106130563B (zh) 2019-12-06

Family

ID=57470559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610438140.6A Active CN106130563B (zh) 2016-06-17 2016-06-17 一种基于压缩感知信号的阈值收缩迭代差分重构方法

Country Status (1)

Country Link
CN (1) CN106130563B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106972862B (zh) * 2017-03-21 2020-12-11 南开大学 基于截断核范数最小化的组稀疏压缩感知图像重构方法
WO2019015738A2 (en) * 2017-07-17 2019-01-24 Siemens Aktiengesellschaft METHOD, DEVICE ON SITE AND INFRASTRUCTURE IN CLOUD OF ACQUIRING DATA
CN107508825A (zh) * 2017-09-13 2017-12-22 王学斌 一种物联网智能家电及安全访问智能家电的方法和装置
CN107731268A (zh) * 2017-09-27 2018-02-23 海南医学院 一种实现跨区域医学数据共享的电子病历控制系统
CN109284671B (zh) * 2018-08-02 2022-02-22 哈尔滨工程大学 一种基于asmp阈值最优和低通滤波的海水温度场重构算法
CN110968072B (zh) * 2019-11-19 2021-08-17 朱彤 一种基于人工智能的电气自动化设备监测系统和方法
CN111239690B (zh) * 2020-03-02 2022-03-15 广东电网有限责任公司电力科学研究院 一种用于球面传声器阵列的噪声源识别方法及相关装置
CN113777578B (zh) * 2021-11-12 2022-02-08 上海闪马智能科技有限公司 一种信号处理方法、装置、存储介质及电子装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102624399A (zh) * 2012-03-30 2012-08-01 北京邮电大学 一种压缩感知信号的重构方法
CN103825621A (zh) * 2014-02-20 2014-05-28 重庆大学 一种有效的“0，1”稀疏信号的压缩感知重构方法
CN103840838A (zh) * 2014-03-19 2014-06-04 哈尔滨工业大学 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
CN103957011A (zh) * 2014-04-11 2014-07-30 西安理工大学 基于阈值收缩迭代的压缩感知含噪信号的恢复方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7304912B2 (en) * 2006-02-01 2007-12-04 The United States Of America As Represented By The Secretary Of The Navy Scale adaptive filtering

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102624399A (zh) * 2012-03-30 2012-08-01 北京邮电大学 一种压缩感知信号的重构方法
CN103825621A (zh) * 2014-02-20 2014-05-28 重庆大学 一种有效的“0，1”稀疏信号的压缩感知重构方法
CN103840838A (zh) * 2014-03-19 2014-06-04 哈尔滨工业大学 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
CN103957011A (zh) * 2014-04-11 2014-07-30 西安理工大学 基于阈值收缩迭代的压缩感知含噪信号的恢复方法

Also Published As

Publication number Publication date
CN106130563A (zh) 2016-11-16

Similar Documents

Publication Publication Date Title
CN106130563B (zh) 一种基于压缩感知信号的阈值收缩迭代差分重构方法
Chouzenoux et al. A majorize–minimize strategy for subspace optimization applied to image restoration
CN107192878A (zh) 一种基于压缩感知的电力系统谐波检测方法及装置
Hyder et al. An approximate l0 norm minimization algorithm for compressed sensing
CN102882530B (zh) 一种压缩感知信号重构方法
CN107330946A (zh) 一种基于压缩感知的图像处理方法及装置
Xie et al. Underdetermined blind source separation of speech mixtures unifying dictionary learning and sparse representation
Xie et al. Deep compressed sensing-based cascaded channel estimation for RIS-aided communication systems
Feng et al. Data reconstruction coverage based on graph signal processing for wireless sensor networks
Wei et al. Sampling of graph signals with successive aggregations based on graph fractional Fourier transform
Wang et al. Approximation of monogenic functions by higher order Szegö kernels on the unit ball and half space
CN114978818B (zh) 一种基于压缩感知的自适应信道估计方法及估计系统
CN106534028B (zh) 基于压缩感知的ofdm信道跟踪方法
Liang et al. Asymptotic normality for estimator of conditional mode under left-truncated and dependent observations
CN113037406B (zh) 一种时频特性提取及压缩感知融合的高效协作频谱感知方法
CN115102983A (zh) 基于压缩感知的电力物联网多源异构数据信号处理方法
Yazdanpanah et al. Low-complexity feature stochastic gradient algorithm for block-lowpass systems
CN109842581B (zh) 基于三级阈值变步长自适应压缩感知技术的信道估计方法
Liu et al. Performance analysis for DOA estimation using compressive measurements with coprime frequencies
CN111010192B (zh) 电力系统扰动信号重构方法、预处理方法、终端及系统
Eghbali et al. PTS OFDM scheme based on ICA algorithm for PAPR reduction in satellite communication
CN110958045A (zh) 一种基于高斯熵准则的自适应降秩波束形成方法
Xu et al. Bearing fault diagnosis method based on singular value decomposition and hidden Markov model
Kara Data-Driven Forward–Backward Pursuit for Sparse Signal Reconstruction
Oiwa et al. Lyapunov spectrum from time series using moving boxes

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant