CN109039341B - 多量测压缩感知的感知矩阵构建方法、系统及存储介质 - Google Patents
多量测压缩感知的感知矩阵构建方法、系统及存储介质 Download PDFInfo
- Publication number
- CN109039341B CN109039341B CN201810834491.8A CN201810834491A CN109039341B CN 109039341 B CN109039341 B CN 109039341B CN 201810834491 A CN201810834491 A CN 201810834491A CN 109039341 B CN109039341 B CN 109039341B
- Authority
- CN
- China
- Prior art keywords
- matrix
- measurement
- sensing
- constructing
- data
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 201
- 238000005259 measurement Methods 0.000 title claims abstract description 145
- 238000010276 construction Methods 0.000 title claims description 9
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000011084 recovery Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000008447 perception Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000007906 compression Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 23
- 238000013461 design Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 19
- 230000006870 function Effects 0.000 description 10
- 238000004088 simulation Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了多量测压缩感知的感知矩阵构建方法、系统及存储介质，所述方法包括获取原始信号的采样数据；生成随机矩阵作为量测矩阵对采样数据进行稀疏量测，得到量测数据；根据量测的次数与所述量测矩阵中行数的大小关系，通过待构建的感知矩阵对所述量测数据进行重构，输出对原始信号的估计以实现原始信号的恢复。本发明将感知矩阵设计问题转化为带有约束条件的最小二范数优化问题，通过联合正交匹配追踪算法对稀疏信号进行重构，从而提高信号恢复的成功率和准确性。
Description
技术领域
本发明涉及信号处理技术领域，特别涉及一种多量测压缩感知的感知矩阵构建方法、系统及存储介质。
背景技术
压缩感知是一种全新的信号处理方法，其核心思想是通过对信号非自适应、不完全的量测，恢复出原始的稀疏信号。由于压缩感知可以突破奈奎斯特采样定理的限制，因此，广泛应用于数据压缩、图像处理、医学信号处理、信号参数估计等相关领域。
传统的压缩感知在信号的稀疏量测阶段和稀疏重构阶段均采用同一量测矩阵，并通过恢复算法实现对信号的恢复。而所述量测矩阵是一个冗余矩阵，其列向量间存在较强的相关性，当用贪婪类算法对信号进行稀疏重构时会使得信号支撑集的恢复产生错误，造成信号的稀疏重构效果差，信号成功恢复概率低，影响信号重构的性能。
因此，现有技术还有待改进和提高。
发明内容
本发明有必要为了解决现有技术中未利用量测数据以高概率重构原始信号，且在信号稀疏重构时信号支撑集不准确而影响信号重构效果问题，提供一种多量测压缩感知的感知矩阵构建方法、系统及存储介质，旨在使得感知矩阵和量测矩阵对应的列向量间强相关的约束条件下，获得较小的局部累计互相关(LCCC，local cumulative cross-coherence)，降低稀疏信号支撑集恢复错误产生率，提升压缩感知中贪婪类恢复算法的性能，从而准确还原原始信号。
本发明解决上述技术问题所采用的技术方案如下：
本发明提供一种多量测压缩感知的感知矩阵构建方法，所述多量测压缩感知的感知矩阵构建方法包括：
获取原始信号的采样数据；
生成随机矩阵作为量测矩阵对采样数据进行稀疏量测，得到量测数据；
根据量测的次数与所述量测矩阵中行数的大小关系，通过待构建的感知矩阵对所述量测数据进行重构，输出对原始信号的估计以实现原始信号的恢复。
所述的多量测压缩感知的感知矩阵构建方法，其中，所述获取原始信号的采样数据具体包括：
获取原始信号；
对所述原始信号进行采样得到采样数据。
所述的多量测压缩感知的感知矩阵构建方法，其中，所述生成随机矩阵作为量测矩阵对采样数据进行稀疏量测，得到量测数据具体包括：
通过软件生成一个随机矩阵作为量测矩阵；
设置量测的次数；
根据量测的次数，通过所述量测矩阵对所述采样数据进行稀疏量测，构建所有量测次数对应的量测数据。
所述的多量测压缩感知的感知矩阵构建方法，其中，所述根据量测的次数与所述量测矩阵中行数的大小关系，通过待构建的感知矩阵对所述量测数据进行重构，输出对原始信号的估计以实现原始信号的恢复具体包括：
获取量测的次数和所述量测矩阵的行数；
比较量测次数与行数的大小；
根据比较结果，构建感知矩阵；
通过所述构建的感知矩阵对所述量测数据进行重构，输出对原始信号的估计。
所述的多量测压缩感知的感知矩阵构建方法，其中，所述根据比较结果，构建感知矩阵具体包括：
当所述行数不大于所述量测次数时，构建第一感知矩阵；
当所述行数大于所述量测次数时，构建第二感知矩阵。
所述的多量测压缩感知的感知矩阵构建方法，其中，所述当所述行数不大于所述量测次数时，构建第一感知矩阵具体包括：
当所述行数不大于所述量测次数时，构建所述量测数据的第一重构模型；
将所述第一重构模型进行优化处理得到第一感知矩阵。
所述的多量测压缩感知的感知矩阵构建方法，其中，所述当所述行数大于所述量测次数时，构建第二感知矩阵具体包括：
当所述行数大于所述量测次数时，构建正则项；
根据所述正则项，构建所述量测数据的第二重构模型；
将所述第二重构模型进行优化处理得到第二感知矩阵。
所述的多量测压缩感知的感知矩阵构建方法，其中，所述优化处理是指求解一定约束条件下第一重构模型或第二重构模型的最优解。
本发明还提供一种系统，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行所述多量测压缩感知的感知矩阵构建程序，所述多量测压缩感知的感知矩阵构建程序被所述处理器执行时实现如上述所述的多量测压缩感知的感知矩阵构建方法的步骤。
本发明还提供一种存储介质，所述存储介质存储有多量测压缩感知的感知矩阵构建的程序，所述多量测压缩感知的感知矩阵构建程序被处理器执行时实现上述所述多量测压缩感知的感知矩阵构建方法的步骤。
有益效果：
1.充分利用量测数据，在信号重构阶段，通过构建的感知矩阵替换传统的量测矩阵，减少信号支撑集的恢复的错误产生，提高原始信号估计的准确性。
2.基于量测次数与随机生成的量测矩阵行数关系，灵活选择对应的感知矩阵，使得信号压缩感知过程更具调节性和人为控制，最大程度地还原数据如原始图像。
附图说明
图1是本发明实施例一多量测压缩感知的感知矩阵构建方法的流程图；
图2是本发明实施例M≤L时的稀疏信号支撑集成功恢复概率与稀疏度的仿真结果；
图3是本发明实施例M≤L时恢复信号的均方根误差与信号稀疏度的仿真结果；
图4是本发明实施例M＞L时稀疏信号支撑集成功恢复概率与稀疏度的仿真结果；
图5是本发明实施例M＞L时恢复信号的均方根误差与稀疏度的仿真结果。
图6是本发明系统的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。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。
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。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。
需要说明的是，本发明是基于压缩感知理论，其处理过程包括三个阶段，分别为信号的稀疏表示、信号的稀疏量测以及信号的稀疏重构，以实现本发明。
本发明提供了一种多量测压缩感知的感知矩阵构建方法，如图1所示，所述多量测压缩感知的感知矩阵构建方法包括：
S10,获取原始信号的采样数据。
具体地，预先进行采样，即获取原始信号，并进行采样得到采样数据，其中，所述原始信号指的是源端向终端发送数据时，通过对应信号相互传递消息，当接收到相应信号时才能知道对方所要表达的消息。例如用户A需要向用户B发送图像，则用户A向用户B发送图像信号(即为原始信号)，用户B接收到该图像信号即开始接收该图像，并向用户A反馈接收图像的信号，从而完成一次完整的数据传输。再如，医生需要探查患者患病部位，通过医学仪器扫描探测的光子转换为电子，形成电脉冲信号(即为原始信号)，经信号分析、数模转换及数据处理等成像。
S20,生成随机矩阵作为量测矩阵对采样数据进行稀疏量测，得到量测数据。
即步骤S20具体包括：
S21,通过软件生成一个随机矩阵作为量测矩阵；
S22,设置量测的次数；
S23,根据量测的次数，通过所述量测矩阵对所述采样数据进行稀疏量测，构建所有量测次数对应的量测数据。
本实施例中，如对获取的图像信号采样后，通过软件生成一个随机矩阵作为量测矩阵对该采样后的图像信号进行稀疏量测，其中，所述量测矩阵用Φ表示，
(M表示量测矩阵行的个数，N表示量测矩阵列的个数，M和N具体的值由实际的工程问题确定)，所述随机矩阵服从高斯分布，此时将量测矩阵Φ对所述采样数据(如图像信号)进行稀疏量测得到若干个对应的量测数据，经过预设的量测次数L后，将得到L个量测数据，然后基于每一次量测数据，构建采样信号稀疏量测后的多向量量测模型(MMV，multiple measurementvectors)，如式(1)所示：
Y＝ΦX+N (1)
其中，Y＝[y1 y2 … yL]表示量测数据矩阵，
表示第l个量测向量，X＝[x1 x2 … xL]表示每一次量测时对应的采样信号构成的集合，简称联合稀疏信号，其中，该X中只有某些行的元素为非零值而其它行的元素均为零，
表示X中非零行序号构成的集合表示稀疏信号的支撑集，N表示量测噪声，
表示量测矩阵，M表示量测矩阵行的个数，N表示量测矩阵列的个数，并且行数远远小于列数，即M＜＜N；l＝1,2,…,L表示对联合稀疏信号X的量测次数，在第l次量测时，第l次稀疏信号的支撑集(即采样信号)为xl，量测数据为yl，L次量测后集合得到量测数据矩阵Y。
S30,根据量测的次数与所述量测矩阵中行数的大小关系，通过待构建的感知矩阵对所述量测数据进行重构，输出对原始信号的估计以实现原始信号的恢复。
即步骤S30具体包括：
S31,获取量测的次数和所述量测矩阵的行数；
S32,比较量测次数与行数的大小；
S33,根据比较结果，构建感知矩阵；
S34,通过所述构建的感知矩阵对所述量测数据进行重构，输出对原始信号的估计。
进一步的，本实施例中，步骤S33具体包括：
S331,当所述行数不大于所述量测次数时，构建第一感知矩阵；
S332,当所述行数大于所述量测次数时，构建第二感知矩阵。
本发明中，在压缩感知信号的重构阶段，采用感知矩阵Ψ替换传统压缩感知的量测矩阵Φ来重构信号，用于恢复原始信号。
具体地，通过量测次数L与上述步骤S20生成的量测矩阵Φ中行数M大小关系来构建对应的感知矩阵。
1)当M≤L时，定义待构建的第一感知矩阵Ψ1，用待构建的第一感知矩阵Ψ1对量测数据进行重构，以得到原始信号的估计值
即得到所述量测数据的第一重构模型是
如式(2)所示：
其中，Ψ1·i表示第一感知矩阵的第i列形式，
表示
的第i行。(·)T表示矩阵的转置操作。
为了使得量测数据重构后能逼近原始信号，得到准确的原始信号的估计值，需要保证式(2)中
(其中i＝1,2,…,N)无畸变输出，即要求
同时为了抑制或降低其它干扰和噪声的影响，要求将公式(2)等式右面最小化，即式子(2)右边转换为
因此，将所述第一重构模型进行优化处理就得到第一感知矩阵Ψ1。而所述优化处理指的是求解一定约束条件下第一重构模型的最优解，即取最小值。本实施例中，将该优化处理转化为最小二范数优化问题求解，即求解在
的约束条件下，目标函数
的最小值，如式(3)所示，这样也就可以凭借量测数据Y通过求解优化问题而精确恢复出原始信号，进而求解得到第一感知矩阵Ψ1。
其中，Φ·i表示量测矩阵的第i列，i＝1,2,…,N，(·)T表示矩阵的转置操作，||·||2表示向量的二范数，min(·)表示取最小值操作，
表示约束条件为第一感知矩阵Ψ1转置后的列向量与量测矩阵Φ对应的列向量乘积为1，也就是说，保证了待构建的第一感知矩阵Ψ1与所述量测矩阵Φ的局部累计相关(LCCC，local cumulative cross-coherence)最小化，降低了第一感知矩阵Ψ1和量测矩阵Φ对应的列向量间强相关的影响。
公式(3)用于表示在第一感知矩阵Ψ1转置后的列向量与量测矩阵Φ对应的列向量乘积为1时目标函数即
求取最小值，求解出的最小值即为待构建的第i列的形式的第一感知矩阵Ψ1，即M≤L下如式(4)所示：
其中，R1＝YYT表示量测数据矩阵Y的第一协方差矩阵，i＝1,2,…,N；上标-1表示矩阵的取逆操作。
此时，通过迭代计算式(4)，即i取不同值构成的集合以得到完整的第一感知矩阵Ψ1。
最后，终端通过已知的第一感知矩阵Ψ1对量测数据进行重新构建，恢复出原始信号，即还原输出原始数据，如原始图像。
如图2和图3所示，图2和图3示例了当M≤L时的仿真结果，以验证本发明技术方案，其仿真条件如下：信噪比SNR＝20dB；
为量测矩阵，计算机仿真中设定量测矩阵行的个数M为128，列的个数N为256，其中的元素服从均值为零方差为一的高斯分布，即高斯随机矩阵；为了获得统计性能，每次实验独立重复500次，即L＝500；采样信号的稀疏度(Sparsity of signal，记为K)从5至100逐渐递增；为了方便对比，同时给出了传统压缩感知(Ψ＝Φ)、交替投影法APM、重加权算法RWA的仿真结果；本发明所采用的恢复算法是联合正交匹配追踪(simultaneous orthogonal matching pursuit，SOMP)算法。其中，proposedmethod对应本发明所采用的算法结果。
图2示例了在SNR＝20dB，L＝500下稀疏信号支撑集成功恢复概率随稀疏度(K)的变化情况。图2中，横坐标表示稀疏度K，纵坐标表示稀疏信号支撑集成功恢复概率。随着稀疏度K的增加，四种算法对稀疏信号支撑集恢复的成功率都呈下降趋势。传统压缩感知(Ψ＝Φ)、交替投影法APM、重加权算法RWA随着K的增加相继失效，当K＝70时，本发明提出的算法依然能够以100％的概率恢复出稀疏信号的支撑集，说明了本发明提出方法更具有有效性，更准确还原出原始信号，重构效果更佳。
图3示例了在SNR＝20dB，L＝500下恢复信号(即原始信号，也即联合稀疏信号重构后的信号)的均方根误差随稀疏度的变化情况。图3中，横坐标表示稀疏度K，纵坐标表示恢复信号的均方根误差。随着稀疏度K的增加，传统压缩感知(Ψ＝Φ)、交替投影法APM、重加权算法RWA以及本发明提出方法重构出的稀疏信号，均方根误差都相继升高，但是由本发明所提算法重构出的信号均方根误差最小，说明了在同等条件下，本发明所提方法更保证了还原原始数据的准确性与完整性，重构效果更佳。
2)当M＞L时，定义待构建的第二感知矩阵Ψ2，采用与M≤L时第一感知矩阵Ψ1对量测数据进行重构的同样原理，用待构建的第二感知矩阵Ψ2对量测数据进行重构，即构建所述量测数据的第二重构模型，得到原始信号数据的估计值
也就得到第i列的形式的第二感知矩阵
其中，R2＝YYT表示量测数据矩阵Y的第二协方差矩阵。
但是，当M＞L时，YYT为欠定矩阵，由于逆矩阵不存在，因此，无法基于1)式(3)中同样原理求解出第二感知矩阵Ψ2，此时构建正则项，即
用于解决当M＞L时出现的欠定矩阵YYT的逆矩阵不存在的问题。其中，
diag(·)表示将向量构造为一个对角矩阵，λ表示正则化参数。
进一步地，基于1)中转换为求解最小二范数优化问题相同的原理，即可以凭借量测数据Y和正则项
通过求解优化问题，如式(5)所示而精确恢复出原始信号，进而求解得到第二感知矩阵Ψ2。
其中，
diag(·)表示将向量构造为一个对角矩阵，λ表示正则化参数，λ的取值位于区间(0,1)中，用户可根据实际情况进行调整其值；||·||2表示向量的二范数，min(·)表示取最小值操作，s.t.
表示约束条件为第二感知矩阵Ψ2转置后的列向量与量测矩阵Φ对应的列向量乘积为1，也就是说，保证了待构建的第二感知矩阵Ψ2与所述量测矩阵Φ的局部累计相关LCCC最小化，降低了第二感知矩阵Ψ2和量测矩阵Φ对应的列向量间强相关的影响。
公式(5)表示第二感知矩阵Ψ2转置后的列向量与量测矩阵Φ对应的列向量乘积为1，并且使得目标函数即
取最小值，求解得到M＞L下第二感知矩阵Ψ2的第i列的形式，如式(6)所示：
其中，R2＝YYT+λΦWWTΦT表示正则化后量测数据矩阵Y的第二协方差矩阵，矩阵R2中YYT表示欠定矩阵，λΦWWTΦT表示用于解决矩阵YYT的欠定问题的构建的第二正则项，上标-1表示取逆操作。
此时，通过迭代计算式(6)即i取不同值构成的集合以得到完整的第二感知矩阵Ψ2。
最后，终端通过已知的第二感知矩阵Ψ2对量测数据进行重新构建，恢复出原始信号，即还原输出原始数据，如原始图像。
如图4和图5所示，图4和图5示例了M＞L下的仿真结果，其仿真条件如下：信噪比SNR＝20dB；
为量测矩阵，计算机仿真中设定量测矩阵行的个数M为128，列的个数N为256，其中的元素服从均值为零方差为一的高斯分布，即高斯随机矩阵；为了获得统计性能，每次实验独立重复500次，即L＝500；信号的稀疏度(Sparsity of signal，记为K)从5至100逐渐递增；为了方便对比，同时给出了传统压缩感知(Ψ＝Φ)、交替投影法APM、重加权算法RWA的仿真结果；本发明所采用的恢复算法是联合正交匹配追踪(simultaneousorthogonal matching pursuit，SOMP)算法。其中，proposed method对应本发明所采用的算法结果。
图4示例了在SNR＝20dB，L＝50，λ＝0.8下稀疏信号支撑集成功恢复概率随稀疏度的变化情况。图4中，横坐标表示稀疏度K，纵坐标表示稀疏信号支撑集成功恢复概率。随着稀疏度的增加，四种方法对稀疏信号支撑集恢复的成功率都呈下降趋势。传统压缩感知(Ψ＝Φ)、交替投影法APM、重加权算法RWA随着K的增加相继失效，当K＝40的时候本发明提出的算法依然能够以100％的概率恢复出稀疏信号的支撑集，说明了在同等条件下，本发明所提方法更保证了还原原始数据的准确性与完整性，重构效果更佳。
图5示例了在SNR＝20dB，L＝50，λ＝0.8下恢复信号(即原始信号，也即联合稀疏信号)的均方根误差随稀疏度的变化情况。图5中，横坐标表示稀疏度K，纵坐标表示恢复信号的均方根误差。随着稀疏度的增加，传统压缩感知(Ψ＝Φ)、交替投影法APM、重加权算法RWA以及本发明提出方法重构出的稀疏信号，均方根误差都相继升高，但是K≤60时由本发明所提算法重构出的信号均方根误差最小，说明了本发明所提方法的有效性，更能降低稀疏信号支撑集恢复错误，重构效果更优。当K＞60时，本发明所提方法的均方根误差大于RWA算法的均方根误差。但是通过图5可知当K＞60时四种算法均不能正确恢复稀疏信号的支撑集，因此考虑K＞60时的均方根误差没有意义。
实施例二
进一步地，如图6所示，基于上述多量测压缩感知的感知矩阵构建方法，本发明还相应提供了一种系统，所述系统包括处理器10、存储器20及显示器30。图6仅示出了系统的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述系统的内部存储单元，例如系统的硬盘或内存。所述存储器20在另一些实施例中也可以是所述系统的外部存储设备，例如所述系统上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所系统的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述系统的应用软件及各类数据，例如所述安装系统的多量测压缩感知的感知矩阵构建程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有多量测压缩感知的感知矩阵构建程序40，该多量测压缩感知的感知矩阵构建程序40可被处理器10所执行，从而实现多量测压缩感知的感知矩阵构建方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的多量测压缩感知的感知矩阵构建程序代码或处理数据，例如执行所述多量测压缩感知的感知矩阵构建方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器30用于显示在所述系统的信息以及用于显示可视化的用户界面。所述系统的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中多量测压缩感知的感知矩阵构建程序40时实现以下步骤：
获取原始信号的采样数据；
生成随机矩阵作为量测矩阵对采样数据进行稀疏量测，得到量测数据；
根据量测的次数与所述量测矩阵中行数的大小关系，通过待构建的感知矩阵对所述量测数据进行重构，输出对原始信号的估计以实现原始信号的恢复，具体如上述S10-S30所述。
实施例三
本发明还提供一种存储介质，所述存储介质存储有多量测压缩感知的感知矩阵构建程序，所述多量测压缩感知的感知矩阵构建程序被处理器10执行时实现上述所述多量测压缩感知的感知矩阵构建方法的步骤，具体如上所述。
综上所述，本发明公开了一种多量测压缩感知的感知矩阵构建方法、系统及存储介质，所述多量测压缩感知的感知矩阵构建方法包括：获取原始信号的采样数据；生成随机矩阵作为量测矩阵对采样数据进行稀疏量测，得到量测数据；根据量测的次数与所述量测矩阵中行数的大小关系，通过待构建的感知矩阵对所述量测数据进行重构，输出对原始信号的估计以实现原始信号的恢复。本发明通过将感知矩阵设计问题转化为带有约束条件的最小二范数优化问题，使得感知矩阵和量测矩阵对应的列向量间强相关以实现二者的局部累积互相关最小化，从而使得接收后的数据在重构后能够还原输出准确且完整的原始数据，提高了数据恢复的成功率和准确性。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种多量测压缩感知的感知矩阵构建方法，其特征在于，所述多量测压缩感知中感知矩阵的构建方法包括：
获取原始信号的采样数据；
生成随机矩阵作为量测矩阵对采样数据进行稀疏量测，得到量测数据；
根据量测的次数与所述量测矩阵中行数的大小关系，通过待构建的感知矩阵对所述量测数据进行重构，输出对原始信号的估计以实现原始信号的恢复；
所述根据量测的次数与所述量测矩阵中行数的大小关系，通过待构建的感知矩阵对所述量测数据进行重构，输出对原始信号的估计以实现原始信号的恢复具体包括：
获取量测的次数和所述量测矩阵的行数；
比较量测次数与行数的大小；
根据比较结果，构建感知矩阵；
通过所述构建的感知矩阵对所述量测数据进行重构，输出对原始信号的估计；
所述根据比较结果，构建感知矩阵具体包括：
当所述行数不大于所述量测次数时，构建第一感知矩阵；
当所述行数大于所述量测次数时，构建第二感知矩阵；
其中，所述第一感知矩阵与所述第二感知矩阵不同。
2.根据权利要求1所述的多量测压缩感知的感知矩阵构建方法，其特征在于，所述获取原始信号的采样数据具体包括：
获取原始信号；
对所述原始信号进行采样得到采样数据。
3.根据权利要求1所述的多量测压缩感知的感知矩阵构建方法，其特征在于，所述生成随机矩阵作为量测矩阵对采样数据进行稀疏量测，得到量测数据具体包括：
通过软件生成一个随机矩阵作为量测矩阵；
设置量测的次数；
根据量测的次数，通过所述量测矩阵对所述采样数据进行稀疏量测，构建所有量测次数对应的量测数据。
4.根据权利要求1所述的多量测压缩感知的感知矩阵构建方法，其特征在于，所述当所述行数不大于所述量测次数时，构建第一感知矩阵具体包括：
当所述行数不大于所述量测次数时，构建所述量测数据的第一重构模型；
将所述第一重构模型进行优化处理得到第一感知矩阵。
5.根据权利要求1所述的多量测压缩感知的感知矩阵构建方法，其特征在于，所述当所述行数大于所述量测次数时，构建第二感知矩阵具体包括：
当所述行数大于所述量测次数时，构建正则项；
根据所述正则项，构建所述量测数据的第二重构模型；
将所述第二重构模型进行优化处理得到第二感知矩阵。
6.根据权利要求4或5所述的多量测压缩感知的感知矩阵构建方法，其特征在于，所述优化处理是指求解一定约束条件下第一重构模型或第二重构模型的最优解。
7.一种多量测压缩感知的感知矩阵构建系统，其特征在于，其包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行所述多量测压缩感知的感知矩阵构建程序，所述多量测压缩感知的感知矩阵构建程序被所述处理器执行时实现如权利要求1-6任一项所述的多量测压缩感知的感知矩阵构建方法的步骤。
8.一种存储介质，其特征在于，所述存储介质存储有多量测压缩感知的感知矩阵构建的程序，所述多量测压缩感知的感知矩阵构建程序被处理器执行时实现权利要求1-6任一项所述多量测压缩感知的感知矩阵构建方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810834491.8A CN109039341B (zh) | 2018-07-26 | 2018-07-26 | 多量测压缩感知的感知矩阵构建方法、系统及存储介质 |
| PCT/CN2019/095809 WO2020020002A1 (zh) | 2018-07-26 | 2019-07-12 | 多量测压缩感知的感知矩阵构建方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810834491.8A CN109039341B (zh) | 2018-07-26 | 2018-07-26 | 多量测压缩感知的感知矩阵构建方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109039341A CN109039341A (zh) | 2018-12-18 |
| CN109039341B true CN109039341B (zh) | 2020-08-11 |
Family
ID=64646564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810834491.8A Active CN109039341B (zh) | 2018-07-26 | 2018-07-26 | 多量测压缩感知的感知矩阵构建方法、系统及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109039341B (zh) |
| WO (1) | WO2020020002A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022107163A1 (en) * | 2020-11-17 | 2022-05-27 | Indian Institute Of Technology Bombay | Methods and systems for constructing sensing matrices |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109039341B (zh) * | 2018-07-26 | 2020-08-11 | 深圳大学 | 多量测压缩感知的感知矩阵构建方法、系统及存储介质 |
| CN115412102B (zh) * | 2022-10-31 | 2023-02-03 | 人工智能与数字经济广东省实验室(广州) | 基于稀疏随机Kaczmarz算法稀疏信号恢复方法、系统、设备和介质 |
| CN116450993B (zh) * | 2023-04-24 | 2023-12-12 | 哈尔滨工业大学 | 多测量向量卫星数据的处理方法、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104052494A (zh) * | 2014-07-08 | 2014-09-17 | 哈尔滨工业大学 | 面向频域稀疏信号的信号重构方法 |
| CN105181122A (zh) * | 2015-08-06 | 2015-12-23 | 兰州理工大学 | 机械振动信号数据压缩采集方法 |
| CN107330946A (zh) * | 2017-06-05 | 2017-11-07 | 中国农业大学 | 一种基于压缩感知的图像处理方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120259590A1 (en) * | 2011-04-11 | 2012-10-11 | Jong Chul Ye | Method and apparatus for compressed sensing with joint sparsity |
| CN104199029B (zh) * | 2014-09-03 | 2017-01-18 | 西安电子科技大学 | 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 |
| CN105050105B (zh) * | 2015-08-21 | 2019-02-15 | 湘潭大学 | 基于压缩感知的高能效低信息密度数据收集方法 |
| CN106663316A (zh) * | 2016-08-30 | 2017-05-10 | 深圳大学 | 一种基于块稀疏压缩感知的红外图像重构方法及其系统 |
| CN109039341B (zh) * | 2018-07-26 | 2020-08-11 | 深圳大学 | 多量测压缩感知的感知矩阵构建方法、系统及存储介质 |
-
2018
- 2018-07-26 CN CN201810834491.8A patent/CN109039341B/zh active Active
-
2019
- 2019-07-12 WO PCT/CN2019/095809 patent/WO2020020002A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104052494A (zh) * | 2014-07-08 | 2014-09-17 | 哈尔滨工业大学 | 面向频域稀疏信号的信号重构方法 |
| CN105181122A (zh) * | 2015-08-06 | 2015-12-23 | 兰州理工大学 | 机械振动信号数据压缩采集方法 |
| CN107330946A (zh) * | 2017-06-05 | 2017-11-07 | 中国农业大学 | 一种基于压缩感知的图像处理方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022107163A1 (en) * | 2020-11-17 | 2022-05-27 | Indian Institute Of Technology Bombay | Methods and systems for constructing sensing matrices |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020020002A1 (zh) | 2020-01-30 |
| CN109039341A (zh) | 2018-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109039341B (zh) | 多量测压缩感知的感知矩阵构建方法、系统及存储介质 | |
| US8055095B2 (en) | Parallel and adaptive signal processing | |
| Candes et al. | Enhancing sparsity by reweighted ℓ 1 minimization | |
| CN105957117B (zh) | 并行磁共振的图像重建方法、装置及并行磁共振成像系统 | |
| Herrholz et al. | Compressive sensing principles and iterative sparse recovery for inverse and ill-posed problems | |
| Guo et al. | Edgecs: Edge guided compressive sensing reconstruction | |
| Hale et al. | Fixed-point continuation applied to compressed sensing: implementation and numerical experiments | |
| CN109447921A (zh) | 一种基于重构误差的图像测量矩阵优化方法 | |
| CN109658468B (zh) | 磁共振参数成像方法、装置、设备及存储介质 | |
| JP2012504975A (ja) | 形状を認識する方法および形状を認識する方法を実施するシステム | |
| WO2019153566A1 (zh) | 磁共振参数成像方法、装置、医学设备及存储介质 | |
| Anaraki et al. | Compressive k-svd | |
| CN110827369B (zh) | 欠采样模型生成方法、图像重建方法、设备和存储介质 | |
| CN111274525A (zh) | 一种基于多线性增广拉格朗日乘子法的张量数据恢复方法 | |
| WO2022179386A1 (zh) | 分布式量子成像方法、装置、系统及计算机可读存储介质 | |
| CN111490794B (zh) | 一种提升相敏otdr系统频率响应的方法 | |
| CN108988867B (zh) | 量测矩阵扰动时压缩感知感知矩阵构建方法、系统及介质 | |
| CN113238227A (zh) | 一种结合深度学习的改进最小二乘相位解缠方法及系统 | |
| CN109188327B (zh) | 基于张量积复小波紧框架的磁共振图像快速重构方法 | |
| US11227369B2 (en) | Data restoring method using compressed sensing and computer program product | |
| CN109920017B (zh) | 基于特征向量的自一致性的联合全变分Lp伪范数的并行磁共振成像重构方法 | |
| CN107395210B (zh) | 基于稀疏基误差的自适应稀疏表示压缩重构方法及系统 | |
| CN110148193A (zh) | 基于自适应正交字典学习的动态磁共振并行重建方法 | |
| CN115115723A (zh) | 图像重建模型生成及图像重建方法、装置、设备和介质 | |
| CN110266318B (zh) | 一种在压缩感知信号重建中基于梯度投影算法的测量矩阵优化方法 |
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 |