块稀疏信号的结构化压缩感知重构算法研究

发布时间：2017-08-15 14:33

  本文关键词：块稀疏信号的结构化压缩感知重构算法研究

  更多相关文章： 压缩感知 块稀疏信号 重构算法 结构模型

【摘要】：压缩感知理论(Compressive Sensing,CS)突破了传统的奈奎斯特采样定理的限制,为信号处理技术带来了一次重大变革,成为近几年国内外的研究热点。结构化压缩感知在传统压缩感知理论基础上,将信号的稀疏性与结构信息相结合,从而达到更好的信号处理效果。重构算法是结构化压缩感知的核心内容之一,同时,块稀疏模型是实际应用中广泛存在的一种结构模型。但是,目前针对块稀疏信号的重构算法还存在很多不足之处。为此,本文在结构化压缩感知的基础上,针对块稀疏信号的重构算法进行了深入研究,主要工作内容如下:1.针对BOMP算法对已选取的原子块无修正的能力及目前大多数重构算法需要信号的块稀疏度为已知条件等问题,首先,研究了一种前后向块追踪算法,该算法运用回溯思想,通过前向追踪和后向追踪两步骤来筛选原子块,并通过引入两个参数来逐步扩大信号的块支撑集,从而逼近信号的块稀疏度大小。然后对算法的计算复杂度进行了分析,并推导了算法准确重构信号的充分条件。最后,实验结果表明,该算法能在块稀疏度未知的情况下实现块稀疏信号的精确重构,且相比于BMP、BOMP和BSP算法,信号的成功重构概率得到明显提升,所需测量值数目也有所降低。2.目前关于块稀疏信号的重构算法主要都是建立在信号中非零块长度相等且分块长度已知的均匀块稀疏信号模型上的,而实际应用中信号的各个非零块长度往往是不相等且未知的。针对这些问题,首先对重构两种不同类型的块稀疏信号所需测量值数目的下限进行了分析,然后提出一种非均匀的块稀疏信号重构算法。该算法通过初始化一个分块长度,按照递减的分块大小对信号进行多次均匀切分,并利用FBBP算法逐步剔除非零块中包含的零元素,以此获得更加精确的非零块位置,从而减少信号的重构误差。最后,仿真实验表明,该算法在非均匀块稀疏模型下有效地提高了信号的重构精度。
【关键词】：压缩感知 块稀疏信号 重构算法 结构模型
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN911.7
【目录】：

• 摘要3-4
• Abstract4-10
• 第1章 绪论10-18
• 1.1 论文研究背景及意义10-11
• 1.2 国内外研究现状11-16
• 1.2.1 压缩感知主要研究内容及现状12-14
• 1.2.2 结构化稀疏信号模型介绍14-15
• 1.2.3 块稀疏信号重构算法的研究现状15-16
• 1.3 本文的主要工作16-17
• 1.4 本文的组织结构17-18
• 第2章 压缩感知理论概述及块稀疏信号分析18-30
• 2.1 压缩感知理论及重构算法介绍18-23
• 2.1.1 传统的压缩感知理论框架18-20
• 2.1.2 典型重构算法20-23
• 2.2 块稀疏信号基本知识23-29
• 2.2.1 块稀疏信号模型23-25
• 2.2.2 块稀疏信号相关理论知识25-27
• 2.2.3 典型的块稀疏信号重构算法27-29
• 2.3 本章小结29-30
• 第3章 块稀疏信号的前后向块追踪算法30-44
• 3.1 基于子空间的块稀疏信号重构算法30-31
• 3.2 块稀疏信号的前后向块追踪算法31-37
• 3.2.1 算法描述31-33
• 3.2.2 算法复杂度分析33-34
• 3.2.3 算法重构块稀疏信号的充分条件34-37
• 3.3 仿真实验结果及分析37-43
• 3.4 本章小结43-44
• 第4章 非均匀块稀疏信号重构算法44-58
• 4.1 非均匀块稀疏信号模型介绍44-45
• 4.2 块稀疏信号的测量值下限分析45-47
• 4.3 非均匀块稀疏信号重构算法47-49
• 4.3.1 算法描述47-49
• 4.3.2 算法复杂度分析49
• 4.4 仿真结果及分析49-57
• 4.4.1 一维信号重构实验49-56
• 4.4.2 二维图像信号重构实验56-57
• 4.5 本章小结57-58
• 第5章 总结与展望58-60
• 5.1 论文的总结58-59
• 5.2 未来工作展望59-60
• 参考文献60-65
• 致谢65-66
• 攻读硕士学位期间从事的科研工作及取得的成果66

【参考文献】

中国期刊全文数据库 前7条

1 王文东;王尧;王建军;;基于迭代重赋权最小二乘算法的块稀疏压缩感知[J];电子学报;2015年05期

2 徐燕;邱晓晖;;采用正交多项匹配的块稀疏信号重构算法[J];信号处理;2014年06期

3 许志强;;压缩感知[J];中国科学:数学;2012年09期

4 徐宗本;郭海亮;王尧;张海;;L_(1/2)正则子在L_q(0<q<1)正则子中的代表性:基于相位图的实验研究(英文)[J];自动化学报;2012年07期

5 付宁;曹离然;彭喜元;;基于子空间的块稀疏信号压缩感知重构算法[J];电子学报;2011年10期

6 付宁;乔立岩;曹离;;面向压缩感知的块稀疏度自适应迭代算法[J];电子学报;2011年S1期

7 戴琼海;付长军;季向阳;;压缩感知研究[J];计算机学报;2011年03期

，

本文编号：678702