CN107547089B - 一种低能耗水声数据压缩与重构方法 - Google Patents
一种低能耗水声数据压缩与重构方法 Download PDFInfo
- Publication number
- CN107547089B CN107547089B CN201710593772.4A CN201710593772A CN107547089B CN 107547089 B CN107547089 B CN 107547089B CN 201710593772 A CN201710593772 A CN 201710593772A CN 107547089 B CN107547089 B CN 107547089B
- Authority
- CN
- China
- Prior art keywords
- sparse
- underwater acoustic
- matrix
- acoustic data
- psi
- 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
Images
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种低能耗水声数据压缩与重构方法,首先采用M×N维,0和1元素随机组合而成的矩阵作为采样矩阵Φ对水声数据进行压缩,再结合(Daubechies,Db)Db‑20小波滤波器构建N×N字典矩阵Ψ。本发明首次采用小波字典矩阵将水声信号进行稀疏化表达,在构建完稀疏表示的框架下,采用AL0范数约束算法,求出该框架下的稀疏解;利用求稀疏解的结果和字典矩阵Ψ。最终可以将压缩的水声信号进行恢复。本发明在扫频信号的压缩与恢复仿真中取得了明显的实施效果,对时频都表现为非稀疏的信号进行了有效转换,在此基础上设计相应的寻优算法,首次应用在非稀疏信号的压缩和恢复中。克服了目前压缩感知算法无法直接应用的不足。
Description
技术领域
本发明涉及一种低能耗水声数据压缩与重构方法,特别是针对时域、频域都具有非稀疏结构特征的水声信号进行压缩与恢复,适用于海洋水下声通讯、声数据监测与传输、压缩数据的恢复等内容,属于水声学和水声信号处理领域。
背景技术
为实现对采集的大量水声数据进行低能耗传输,本发明采用小波滤波器组构造稀疏变换矩阵,以便将非稀疏的水声信号,包括时域和频域都为非稀疏特征,转化为可以稀疏表示的域进行表达。目前对数据进行压缩的方法主要有小波压缩和压缩感知。其中,小波压缩法参见《An underwater acoustic data compression method using improvedthreshold integer wavelet and LZW algorithm》,该文2015年发表在《TechnicalAcoustics》第34期,起始页码为115;压缩感知方法较多,最早见于《Compressed sensing》,该文2006年发表于《IEEE Transactions on Information Theory》第52期,起始页码为1289;关于压缩感知性能分析参见《Stable recovery of sparse overcompleterepresentations in the presence of noise》,该文2006年发表于《IEEE Transactionson Information Theory》第52期,起始页码为6。小波压缩方法无法降低能耗与硬件成本。压缩感知与小波压缩不同,可以低于奈奎斯特采样定律进行压缩并得到高精度重构,然而,压缩感知方法仅适用于稀疏表达的信号。因此,目前主流的压缩感知方法不能直接使用。根本的难点在于如何将非稀疏信号进行稀疏表达,设计稀疏表达字典是解决这一关键问题的核心,在构造有效字典的基础上,设计相应的求解算法,再结合字典进行运算以恢复压缩的信号是本发明的主要思路。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种低能耗水声数据压缩与重构方法,克服现有技术对水声数据压缩能耗大、恢复精度不高等问题。
技术方案
一种低能耗水声数据压缩与重构方法,其特征在于步骤如下:
步骤1:含噪环境下水声数据获取模型为:
y=Φx+v
其中:x=[x1,…,xN]T为水声数据;Φ表示M×N的测量矩阵,且M<<N;压缩向量y和v维数都为M×1;
步骤2:x时域表达不稀疏,设计一组正交基ψi为:
其中:Ψ=[ψ1,…,ψN]为N×N的字典矩阵,θ为该字典框架下的稀疏表达;
将噪声影响融合到待压缩的信号中,含噪环境下数据获取模型变为:
y=Φx=ΦΨθ=Aθ
步骤3、解压缩:设立优化目标为:min||θ||0s.t.y=Aθ
1、参数信息设置:卷积矩阵A和接收信号y,设置算法终止条件σth,设置算法参数μ0,β,L;
3、当σ0<σth时停止迭代,若否,则按照如下迭代式迭代:
4、当σ0>σth时,继续以上迭代,如不满足,则输出θl+1;
有益效果
本发明提出的一种低能耗水声数据压缩与重构方法,是一种近似伪零(Approximation l0 AL0)范数约束的求解方法,基于AL0的稀疏约束项,结合最陡梯度法和投影空间进行稀疏求解。该发明首先采用M×N维,0和1元素随机组合而成的矩阵作为采样矩阵Φ对水声数据进行压缩,再结合(Daubechies,Db)Db-20小波滤波器构建N×N字典矩阵Ψ。本发明首次采用小波字典矩阵将水声信号进行稀疏化表达,在构建完稀疏表示的框架下,采用AL0范数约束算法,求出该框架下的稀疏解;利用求稀疏解的结果和字典矩阵Ψ。最终可以将压缩的水声信号进行恢复。
有益效果体现在:本发明首先构建稀疏字典,将非稀疏的水声信号转为稀疏表达,从而克服经典压缩感知算法不能直接应用的问题,同时,设计稀疏二进制随机矩阵对信号进行压缩,以使压缩信号算法简单且实用性强。本发明的核心思想是将非稀疏水声信号进行压缩,然后结合字典矩阵对压缩信号进行稀疏表达,进而实现在接收端将压缩的信号进行有效恢复。结合AL0算法对稀疏表达框架问题进行求解,由于采用了稀疏字典和合理的算法设计,使得本发明对优化迭代计算以及稀疏信号恢复具有很大的优势;且对水声环境参数的要求少,不需要过多的先验知识;实现了对水声数据的低能耗低硬件成本的压缩和恢复。
附图说明
图1是扫频信号的(a)时域波形图;(b)时频图。
图2是扫频信号的(a)原始信号波形图;(b)压缩信号波形图;(c)重构信号波形图。
图3是本发明方法在CR=0.5时的(a)NMSE;(b)运行时间。
图4是本发明方法在不同压缩比和不同字典矩阵维度时的性能对比图。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
1.水声数据压缩问题形成,具体表述为:
(1)记水声数据为x=[x1,…,xN]T,含噪环境下数据获取模型表示为:
y=Φx+v (1)
(2)Φ表示M×N的测量矩阵,且M<<N,Φ随机选取M列线性无关.压缩向量y和v维数都为M×1,由于M<<N,即y的维度远小于原始数据x的维度。实际应用中,x时域表达不稀疏,因此设计一组正交基ψi表示为
Ψ=[ψ1,…,ψN]为N×N的字典矩阵。若向量θ为κ稀疏,则称θ中有κ个非零元素。若将噪声影响融合到待压缩的信号中,则模型(1)变为:
y=Φx=ΦΨθ=Aθ (3)
(3)解压缩
设立优化目标为
min||θ||0s.t.y=Aθ (4)
(4)为实现求解式(4),定义:
σ2反映出信号的方差水平,用于控制算法迭代,σ2越小,容易得到更加接近||θ||0的解,从而获取更加精确的估计;相反,σ2越大,代价函数越平滑,从而越有利于寻找全局最优值。1表示元素全为1的向量,维度与θ相同。
①输入参数信息设置:卷积矩阵A和接收信号y,设置算法终止条件σth,设置算法参数μ0,β,L。
②输出参数信息设置:稀疏信号估计值θ;
④判断算法终止条件是否满足,即是否σ0<σth,若是,则停止迭代,若否,则按照如下迭代式迭代:
⑤判断σ0>σth是否满足,如满足,继续以上迭代,如不满足,则输出θl+1:
具体实施例:
现结合附图对本发明作进一步的描述。参照图1,采用线性调频信号(LinearFrequency Modulated,LFM,又称为扫频)作为发射信号.具体表达为为:
其中r表示调频速率,在t时刻x(t)的瞬时频率f(t)是fc+rt,信号的带宽可以表示为B=rT。参数设置如下:信号长度为4sec,中心频率fc=1.2kHz,带宽B=0.6kHz,采样率fs=24kHz。从图1可以看出,扫频信号无论是在时域还是频域都表现出非稀疏特性,因此不能直接采用现有的压缩感知算法进行压缩和恢复。
采用64×128的稀疏二进制矩阵作为传感矩阵Φ,结合Db20小波基构造字典矩阵Ψ.算法参数设置为:μ0=1,β=0.8,σth=10-3,L=3。原始数据、压缩数据以及重构后的数据分别如图2(a)(b)(c)所示。为量化所提算法的重构性能,采用NMSE和算法运算时间作为性能指标,如图3所示,所提算法对该段数据的平均NMSE为0.04,平均运行时间为1.39毫秒.恢复精度和运算时间表明该算法具有很强的工程应用潜力。
为进一步考察本发明对水声数据压缩的性能表现,对不同CR设计不同的字典矩阵Ψ分别进行测试,AL0算法的参数设置如前,字典矩阵的参数分别设置为N=128,N=256,N=512;传感矩阵Φ的行数计算公式为M=(1-CR)N,算法在不同CR(从0.15变化到0.7,变化步长为0.05)条件下的平均时间及NMSE分别如图4所示,可以看出,CR越大,运算时间越短,NMSE越大,这是因为数据压缩比越大,运算成本越低但数据恢复难度越大,同时,当N=512,算法运算时间是N=256的约四倍,因为大维度的矩阵运算导致计算复杂度更高,然而,当压缩比小于0.5时,大维度的Ψ有利于恢复精度的提高.实际中,CR和Ψ维度的选择应在数据压缩与恢复精度之间取得平衡,同时也是运算时间与计算精度的折中.上述实验可以看出,本文所提的AL0算法结构简单,计算复杂度不高,易于低成本硬件实现。
本发明在扫频信号的压缩与恢复仿真中取得了明显的实施效果,对时频都表现为非稀疏的信号进行了有效转换,在此基础上设计相应的寻优算法,首次应用在非稀疏信号的压缩和恢复中。克服了目前压缩感知算法无法直接应用的不足。
Claims (1)
1.一种低能耗水声数据压缩与重构方法,其特征在于步骤如下:
步骤1:含噪环境下水声数据获取模型为:
y=Φx+v
其中:x=[x1,…,xN]T为水声数据;Φ表示M×N的测量矩阵,且M<<N;压缩向量y和v维数都为M×1;
步骤2:x时域表达不稀疏,设计一组正交基ψi为:
其中:Ψ=[ψ1,…,ψN]为N×N的字典矩阵,θ为该字典框架下的稀疏表达;
将噪声影响融合到待压缩的信号中,含噪环境下数据获取模型变为:
y=Φx=ΦΨθ=Aθ
步骤3、解压缩:设立优化目标为:min||θ||0s.t.y=Aθ
( 1 ) 参数信息设置:卷积矩阵A和接收信号y,设置算法终止条件σth,设置算法参数β,L;
( 3 ) 当σq<σth时停止迭代,若否,则按照如下迭代式迭代:
( 4 ) 当σq>σth时,继续以上迭代,如不满足,则输出θl+1;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710593772.4A CN107547089B (zh) | 2017-07-20 | 2017-07-20 | 一种低能耗水声数据压缩与重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710593772.4A CN107547089B (zh) | 2017-07-20 | 2017-07-20 | 一种低能耗水声数据压缩与重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107547089A CN107547089A (zh) | 2018-01-05 |
CN107547089B true CN107547089B (zh) | 2020-08-07 |
Family
ID=60970401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710593772.4A Active CN107547089B (zh) | 2017-07-20 | 2017-07-20 | 一种低能耗水声数据压缩与重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107547089B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102804609A (zh) * | 2009-06-17 | 2012-11-28 | 相干逻辑公司 | 基于格式结构方法的并行执行 |
CN103595414A (zh) * | 2012-08-15 | 2014-02-19 | 王景芳 | 一种稀疏采样与信号压缩感知重构方法 |
CN103944579A (zh) * | 2014-04-10 | 2014-07-23 | 东华大学 | 一种压缩感知重构的编码解码系统 |
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 |
CN105827250A (zh) * | 2016-03-16 | 2016-08-03 | 江苏大学 | 一种基于自适应字典学习的电能质量数据压缩重构方法 |
CN105866740A (zh) * | 2016-05-23 | 2016-08-17 | 江苏科技大学 | 一种基于压缩感知的水声匹配场定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9841592B2 (en) * | 2015-11-20 | 2017-12-12 | Integrated Dynamic Electron Solutions, Inc. | Temporal compressive sensing systems |
-
2017
- 2017-07-20 CN CN201710593772.4A patent/CN107547089B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102804609A (zh) * | 2009-06-17 | 2012-11-28 | 相干逻辑公司 | 基于格式结构方法的并行执行 |
CN103595414A (zh) * | 2012-08-15 | 2014-02-19 | 王景芳 | 一种稀疏采样与信号压缩感知重构方法 |
CN103944579A (zh) * | 2014-04-10 | 2014-07-23 | 东华大学 | 一种压缩感知重构的编码解码系统 |
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 |
CN105827250A (zh) * | 2016-03-16 | 2016-08-03 | 江苏大学 | 一种基于自适应字典学习的电能质量数据压缩重构方法 |
CN105866740A (zh) * | 2016-05-23 | 2016-08-17 | 江苏科技大学 | 一种基于压缩感知的水声匹配场定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107547089A (zh) | 2018-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sreenivas et al. | Compressive sensing for sparsely excited speech signals | |
CN103036573B (zh) | 基于滤波的压缩感知信号采集方法 | |
Laska et al. | Exact signal recovery from sparsely corrupted measurements through the pursuit of justice | |
CN105281779B (zh) | 多观测值向量稀疏度自适应压缩采样匹配追踪方法 | |
CN103595414B (zh) | 一种稀疏采样与信号压缩感知重构方法 | |
CN110365437B (zh) | 基于次奈奎斯特采样的快速功率谱估计方法 | |
CN103532645B (zh) | 一种观测矩阵优化的压缩频谱感知方法 | |
CN103237204B (zh) | 基于高维压缩感知的视频信号采集与重构系统 | |
CN109920013B (zh) | 基于渐进式卷积测量网络的图像重构方法及装置 | |
CN111458745B (zh) | 一种面向预警的地震信号稀疏去噪方法 | |
CN112992173B (zh) | 基于改进bca盲源分离的信号分离和去噪方法 | |
CN109586728B (zh) | 基于稀疏贝叶斯的调制宽带转换器框架下信号盲重构方法 | |
CN102332268B (zh) | 基于自适应冗余字典的语音信号稀疏表示方法 | |
CN107547089B (zh) | 一种低能耗水声数据压缩与重构方法 | |
Aelterman et al. | COMPASS: a joint framework for parallel imaging and compressive sensing in MRI | |
CN110944336B (zh) | 一种基于有限新息率的时频谱感知方法 | |
CN110112757B (zh) | 基于sure小波消噪和改进hht的低频振荡分析方法 | |
Joshi et al. | Analysis of compressive sensing for non stationary music signal | |
CN102104560B (zh) | 信道估计方法及装置 | |
CN110032968A (zh) | 基于双树复小波和自适应半软阈值法的去噪方法 | |
CN110133628A (zh) | 一种短时强干扰下lfm信号的恢复方法 | |
CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
CN113341463B (zh) | 一种叠前地震资料非平稳盲反褶积方法及相关组件 | |
CN109412718B (zh) | 宽带频谱信号检测方法 | |
CN113990335A (zh) | 一种基于压缩感知的音频编解码方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |