CN106649201A - 一种基于指数信号的范德蒙分解的数据补全方法 - Google Patents
一种基于指数信号的范德蒙分解的数据补全方法 Download PDFInfo
- Publication number
- CN106649201A CN106649201A CN201610852913.5A CN201610852913A CN106649201A CN 106649201 A CN106649201 A CN 106649201A CN 201610852913 A CN201610852913 A CN 201610852913A CN 106649201 A CN106649201 A CN 106649201A
- Authority
- CN
- China
- Prior art keywords
- matrix
- vandermonde
- exponential
- exponential signal
- 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.)
- Pending
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 21
- 238000003169 complementation method Methods 0.000 title 1
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims 4
- 238000009795 derivation Methods 0.000 claims 2
- 239000000284 extract Substances 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 238000011084 recovery Methods 0.000 abstract description 8
- 230000003595 spectral effect Effects 0.000 abstract description 4
- 238000012805 post-processing Methods 0.000 abstract description 3
- 230000000295 complement effect Effects 0.000 abstract description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 5
- 238000012565 NMR experiment Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002495 two-dimensional nuclear magnetic resonance spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于指数信号的范德蒙分解的数据补全方法，涉及指数信号的预测与补全。包括以下步骤：1)利用范德蒙分解对指数信号的汉克尔矩阵建模；2)建立一种基于范德蒙分解的指数信号恢复模型；3)提出基于范德蒙分解的指数信号恢复模型的求解算法；4)数据后处理：对求解获得的指数信号进行傅立叶变换可得到频谱。可实现利用少量的数据补全获得完整的信号，从而达到克服采样设备限制，降低采样时间，提高频谱分辨率的目的。
Description
技术领域
本发明涉及指数信号的预测与补全，尤其是涉及一种基于指数信号的范德蒙分解的数据补全方法。
背景技术
在许多实际应用中，如核磁共振波谱和雷达目标定位，我们感兴趣的目标信号可以建模成在频域(相对时域)上若干谱峰的线性叠加，而采集的数据是时域(相对频域)信号，并且符合指数信号。而在实际采样中，通常由于受到硬件、物理条件的限制，实际采样得到的数据并不完整或达不到预期的分辨率，甚至只能得到极少部分的数据。需要补全采集到数据中的丢失部分。或者由于数据量较大，为了加速采样而采用非均匀采样方式，并且需要对采集信号进行数据补全。
比如核磁共振波谱，它在化学分子结构分析领域有着重要的应用，其时域信号符合指数函数。核磁共振实验时间较长，从分钟到几十天不等，这不但使得实验必须耗费大量的谱仪机时，而且加大了实验难度，从而限制了核磁共振技术的应用。为了缩短核磁共振实验时间，一个常见的做法是采用非均匀采样的方式来减少时间域的采样点数(Xiaobo Qu,Xue Cao,Di Guo,Zhong Chen,"Compressed sensing for sparse magnetic resonancespectroscopy,"International Society for Magnetic Resonance in Medicine 18thScientific Meeting.Stockholm,Sweden,pp.3371,2010.)(Xiaobo Qu,Di Guo,Xue Cao,Shuhui Cai,Zhong Chen,"Reconstruction of self-sparse 2D NMR spectra fromundersampled data in indirect dimension,"Sensors,vol.11,no.9,pp.8888-8909,2011.)(Xiaobo Qu,Maxim Mayzel,Jian-Feng Cai,Zhong Chen,Vladislav Orekhov,"Accelerated NMR spectroscopy with low-rank reconstruction,"Angewandte ChemieInternational Edition,vol.54,no.3,pp.852-854,2015.)，但这样做造成信号的丢失，需要使用信号处理的方法对信号进行补全。
发明内容
本发明的目的在于提供一种基于指数信号的范德蒙分解的数据补全方法。
本发明包括以下步骤：
1)利用范德蒙分解对指数信号的汉克尔矩阵建模；
2)建立一种基于范德蒙分解的指数信号恢复模型；
3)提出基于范德蒙分解的指数信号恢复模型的求解算法；
4)数据后处理：对求解获得的指数信号进行傅立叶变换可得到频谱。
在步骤1)中，所述利用范德蒙分解对指数信号的汉克尔矩阵建模的具体方法可为：一个指数信号x表示为多个指数函数线性叠加的形式：
其中xj表示指数信号x中的一点，cr表示指数函数的幅度，R表示指数函数的个数；假设该指数信号x的长度为2N-1，其汉克尔矩阵可以根据范德蒙分解表示成以下形式：
其中矩阵和均为范德蒙矩阵，矩阵表示一个对角矩阵。
在步骤2)中，所述建立一种基于范德蒙分解的指数信号恢复模型测量得到信号y，基于范德蒙分解的指数信号恢复模型为：
其中||·||*表示求矩阵的核范数，即对矩阵的奇异值求和；||·||2表示求向量的2范数；表示提取出矩阵第r列，算子和分别表示将向量排列成汉克尔矩阵，并且其汉克尔矩阵分别有m和n行，是非均匀采样算子；y表示测量信号；λ为正则化参数，用于权衡和两项的重要性；是预设的汉克尔矩阵的秩；符号“H”表示矩阵的共轭转置。
在步骤3)中，所述提出基于范德蒙分解的指数信号恢复模型的求解算法的具体方法可为：
为了解决式(13)中的问题，提出松弛模型如下：
其中||·||F表示对矩阵求弗罗贝尼乌斯范数；β表示正则化参数，与参数λ共同权衡 和三项的重要性。
当β趋于无穷大时，式(14)的解将趋近式(13)的解。求解式(14)中的最优化问题，可以采用交替方向乘子法；引入中间变量Ar，Br和拉格朗日乘子Dr和(参考文献：Xiaobo Qu,Yingkun Hou,Fan Lam,Di Guo,Jianhui Zhong,Zhong Chen,"Magneticresonance image reconstruction from undersampled measurements using a patch-based nonlocal operator,"Medical Image Analysis,vol.18,no.6,pp.843-856,2014；Xiaobo Qu,Di Guo,Bende Ning,Yingkun Hou,Yulan Lin,Shuhui Cai,Zhong Chen,"Undersampled MRI reconstruction with patch-based directional wavelets,"Magnetic Resonance Imaging,vol.30,no.7,pp.964-977,2012.)。根据以下式(15)-(20)迭代更新变量：
其中符号“*”表示求共轭算子；符号“-1”表示求矩阵的逆；符号“←”表示迭代过程；S1/β(·)表示奇异值收缩算子(参考文献：J.F.Cai,E.J.Candes,Z.W.Shen,"A singularvalue thresholding algorithm for matrix completion,"SIAM Journal onOptimization,vol.20,pp.1956-1982,2010.)(Xiaobo Qu,Maxim Mayzel,Jian-Feng Cai,Zhong Chen,Vladislav Orekhov,"Accelerated NMR spectroscopy with low-rankreconstruction,"Angewandte Chemie International Edition,vol.54,no.3,pp.852-854,2015.)；参数β1，β2，β和λ是正数。当达到迭代停止准则时，迭代停止；迭代停止准则设定为达到最大迭代次数或x在相邻两次迭代中的误差小于设定的阈值η(取值大于0)。当迭代停止时，可根据式(17)得到完整的指数信号。
在许多实际应用中，由于受到采集设备、物理条件等限制，为了加速采样而只采集部分信号，为了达到预期的分辨率对数据进行填充等原因，需要对采集到的信号进行补全。在信号处理中，指数信号可以用多个指数函数的线性叠加来表示。本发明首先利用范德蒙分解来表示指数信号对应的汉克尔矩阵，并建立一种基于范德蒙分解的信号重建模型，然后通过迭代算法重建信号。这种恢复方法精度高，可以从少量的数据中补全出完整的信号。
本发明的有益效果是：在实际应用中，若目标函数可以建模成指数函数的信号，则可以通过采用本发明提出的一种指数信号补全方法，实现利用少量的数据补全获得完整的信号，从而达到克服采样设备限制，降低采样时间，提高频谱分辨率的目的。
附图说明
图1为数据补全后所得的一维谱。
图2为数据未丢失的一维谱(作为参考)。
具体实施方式
下面通过具体实施例对本发明作进一步的详细描述，并给出补全的结果。本实施例是一个补全一维指数信号数据的模拟实验。
第一步：确定一个一维指数信号的数据丢失位置
本实施例中，一维指数信号x长度为127，包含了10个谱峰。在模拟数据采集时，一维信号x随机丢失了63个数据，即测量得到的一维指数信号y只含有64个数据。
第二步：构建基于范德蒙分解的指数信号数据补全模型：
其中||·||*表示求矩阵的核范数，即对矩阵的奇异值求和；||·||2表示求向量的2范数；表示提取出矩阵第r列，算子和分别表示将向量排列成汉克尔矩阵，并且其汉克尔矩阵分别有m和n行，本实施例中m设为32，n设为64；是非均匀采样算子；y表示测量信号；λ为正则化参数，用于权衡和两项的重要性；是预设的汉克尔矩阵的秩。本实施例中参数设为10。
第三步：提出基于范德蒙分解的指数信号数据补全模型的求解算法：利用以下松弛模型，对(21)求解：
其中||·||F表示对矩阵求弗罗贝尼乌斯范数；参数β表示正则化参数，与参数λ共同用于权衡 和三项的重要性。符号“H”表示矩阵的共轭转置。
采用交替方向乘子法求解公式(22)中的最优化问题。引入中间变量Ar，Br和拉格朗日乘子Dr和根据以下公式迭代更新变量：
其中符号“*”表示求共轭算子；符号“-1”表示求矩阵的逆；符号“←”表示变量更新；S1/β(·)表示奇异值收缩算子；参数β1和β2设为1，β设为103，设为105。当达到迭代停止准则时，迭代停止。迭代停止准则设定为达到最大迭代次数103或x在相邻两次迭代中的误差小于设定的阈值η，η设为10-6。当迭代停止时，可根据公式(25)得到完整的指数信号。
第四步：数据后处理
对补全的时间信号进行傅立叶变换即可得到谱图(如图1所示)。作为参考，对原始未丢失数据的信号做傅立叶变换得到谱图(如图2所示)。可以看出，利用采集到的部分数据和本发明的数据补全方法，可以重建得到高质量的谱。
Claims (4)
1.一种基于指数信号的范德蒙分解的数据补全方法，其特征在于包括以下步骤：
1)利用范德蒙分解对指数信号的汉克尔矩阵建模；
2)建立一种基于范德蒙分解的指数信号恢复模型；
3)提出基于范德蒙分解的指数信号恢复模型的求解算法；
4)数据后处理：对求解获得的指数信号进行傅立叶变换可得到频谱。
2.如权利要求1所述一种基于指数信号的范德蒙分解的数据补全方法，其特征在于在步骤1)中，所述利用范德蒙分解对指数信号的汉克尔矩阵建模的具体方法为：一个指数信号x表示为多个指数函数线性叠加的形式：
其中xj表示指数信号x中的一点，cr表示指数函数的幅度，R表示指数函数的个数；假设该指数信号x的长度为2N-1，其汉克尔矩阵根据范德蒙分解表示成以下形式：
其中矩阵和均为范德蒙矩阵，矩阵表示一个对角矩阵。
3.如权利要求1所述一种基于指数信号的范德蒙分解的数据补全方法，其特征在于在步骤2)中，所述建立一种基于范德蒙分解的指数信号恢复模型测量得到信号y，基于范德蒙分解的指数信号恢复模型为：
其中||·||*表示求矩阵的核范数，即对矩阵的奇异值求和；||·||2表示求向量的2范数；表示提取出矩阵第r列，算子和分别表示将向量排列成汉克尔矩阵，并且其汉克尔矩阵分别有m和n行，是非均匀采样算子；y表示测量信号；λ为正则化参数，用于权衡和两项的重要性；是预设的汉克尔矩阵的秩；符号“H”表示矩阵的共轭转置。
4.如权利要求1所述一种基于指数信号的范德蒙分解的数据补全方法，其特征在于在步骤3)中，所述提出基于范德蒙分解的指数信号恢复模型的求解算法的具体方法为：
为了解决式(13)中的问题，提出松弛模型如下：
其中||·||F表示对矩阵求弗罗贝尼乌斯范数；β表示正则化参数，与参数λ共同权衡 和三项的重要性；
当β趋于无穷大时，式(14)的解将趋近式(13)的解；求解式(14)中的最优化问题，采用交替方向乘子法；引入中间变量Ar，Br和拉格朗日乘子Dr和根据以下式(15)-(20)迭代更新变量：
其中符号“*”表示求共轭算子；符号“-1”表示求矩阵的逆；符号“←”表示迭代过程；S1/β(·)表示奇异值收缩算子；参数β1，β2，β和λ是正数；当达到迭代停止准则时，迭代停止；迭代停止准则设定为达到最大迭代次数或x在相邻两次迭代中的误差小于设定的阈值η，阈值η的取值大于0；当迭代停止时，根据式(17)得到完整的指数信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610852913.5A CN106649201A (zh) | 2016-09-27 | 2016-09-27 | 一种基于指数信号的范德蒙分解的数据补全方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610852913.5A CN106649201A (zh) | 2016-09-27 | 2016-09-27 | 一种基于指数信号的范德蒙分解的数据补全方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106649201A true CN106649201A (zh) | 2017-05-10 |
Family
ID=58853438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610852913.5A Pending CN106649201A (zh) | 2016-09-27 | 2016-09-27 | 一种基于指数信号的范德蒙分解的数据补全方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106649201A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960328A (zh) * | 2018-07-04 | 2018-12-07 | 温州大学 | 一种基于汉克尔矩阵的诊断汽车轮毂轴承故障的方法 |
| CN110658484A (zh) * | 2019-10-17 | 2020-01-07 | 东北大学 | 一种磁共振波谱重建方法及系统 |
| CN114781307A (zh) * | 2022-06-17 | 2022-07-22 | 北京智芯仿真科技有限公司 | 集成电路的汉克尔变换滤波器非均匀采样方法及装置 |
-
2016
- 2016-09-27 CN CN201610852913.5A patent/CN106649201A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960328A (zh) * | 2018-07-04 | 2018-12-07 | 温州大学 | 一种基于汉克尔矩阵的诊断汽车轮毂轴承故障的方法 |
| CN110658484A (zh) * | 2019-10-17 | 2020-01-07 | 东北大学 | 一种磁共振波谱重建方法及系统 |
| CN114781307A (zh) * | 2022-06-17 | 2022-07-22 | 北京智芯仿真科技有限公司 | 集成电路的汉克尔变换滤波器非均匀采样方法及装置 |
| CN114781307B (zh) * | 2022-06-17 | 2022-08-23 | 北京智芯仿真科技有限公司 | 集成电路的汉克尔变换滤波器非均匀采样方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ying et al. | Hankel matrix nuclear norm regularized tensor completion for $ n $-dimensional exponential signals | |
| Condat et al. | Cadzow denoising upgraded: A new projection method for the recovery of Dirac pulses from noisy linear measurements | |
| WO2020151355A1 (zh) | 一种基于深度学习的磁共振波谱重建方法 | |
| Zhou et al. | The inversion of 2D NMR relaxometry data using L1 regularization | |
| Lake et al. | Multispinon continua at zero and finite temperature in a near-ideal Heisenberg chain | |
| CN106646303B (zh) | 一种欠采样磁共振波谱的快速重建方法 | |
| CN105137373B (zh) | 一种指数信号的去噪方法 | |
| Wang et al. | A sparse model-inspired deep thresholding network for exponential signal reconstruction—Application in fast biological spectroscopy | |
| CN105808869A (zh) | 一种基于块Hankel矩阵的磁共振波谱重建方法 | |
| Wang et al. | A reducing iteration orthogonal matching pursuit algorithm for compressive sensing | |
| CN105158289B (zh) | 一种用于生物组织的核磁共振检测方法 | |
| CN107423543B (zh) | 一种超复数磁共振波谱的快速重建方法 | |
| Lu et al. | Low rank enhanced matrix recovery of hybrid time and frequency data in fast magnetic resonance spectroscopy | |
| CN111324861B (zh) | 一种基于矩阵分解的深度学习磁共振波谱重建方法 | |
| CN114820849A (zh) | 基于深度学习的磁共振cest图像重建方法、装置及设备 | |
| Kim et al. | Greedy algorithms for nonnegativity-constrained simultaneous sparse recovery | |
| CN109191540B (zh) | 一种基于截断核范数的磁共振波谱重建方法 | |
| CN106649201A (zh) | 一种基于指数信号的范德蒙分解的数据补全方法 | |
| Carron | Optimal constraints on primordial gravitational waves from the lensed CMB | |
| CN110658484A (zh) | 一种磁共振波谱重建方法及系统 | |
| CN108537738A (zh) | 一种矩阵补全方法 | |
| CN113143243A (zh) | 一种基于谱分解的深度学习磁共振波谱重建方法 | |
| Guo et al. | Improved reconstruction of low intensity magnetic resonance spectroscopy with weighted low rank Hankel matrix completion | |
| CN108828482B (zh) | 结合稀疏和低秩特性的欠采样磁共振扩散谱的重建方法 | |
| Chandra et al. | Primordial Power Spectrum reconstruction from CMB Weak Lensing Power Spectrum |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |