本文關(guān)鍵詞：塊稀疏信號(hào)的結(jié)構(gòu)化壓縮感知重構(gòu)算法研究

  更多相關(guān)文章： 壓縮感知 塊稀疏信號(hào) 重構(gòu)算法 結(jié)構(gòu)模型

【摘要】：壓縮感知理論(Compressive Sensing,CS)突破了傳統(tǒng)的奈奎斯特采樣定理的限制,為信號(hào)處理技術(shù)帶來(lái)了一次重大變革,成為近幾年國(guó)內(nèi)外的研究熱點(diǎn)。結(jié)構(gòu)化壓縮感知在傳統(tǒng)壓縮感知理論基礎(chǔ)上,將信號(hào)的稀疏性與結(jié)構(gòu)信息相結(jié)合,從而達(dá)到更好的信號(hào)處理效果。重構(gòu)算法是結(jié)構(gòu)化壓縮感知的核心內(nèi)容之一,同時(shí),塊稀疏模型是實(shí)際應(yīng)用中廣泛存在的一種結(jié)構(gòu)模型。但是,目前針對(duì)塊稀疏信號(hào)的重構(gòu)算法還存在很多不足之處。為此,本文在結(jié)構(gòu)化壓縮感知的基礎(chǔ)上,針對(duì)塊稀疏信號(hào)的重構(gòu)算法進(jìn)行了深入研究,主要工作內(nèi)容如下:1.針對(duì)BOMP算法對(duì)已選取的原子塊無(wú)修正的能力及目前大多數(shù)重構(gòu)算法需要信號(hào)的塊稀疏度為已知條件等問(wèn)題,首先,研究了一種前后向塊追蹤算法,該算法運(yùn)用回溯思想,通過(guò)前向追蹤和后向追蹤兩步驟來(lái)篩選原子塊,并通過(guò)引入兩個(gè)參數(shù)來(lái)逐步擴(kuò)大信號(hào)的塊支撐集,從而逼近信號(hào)的塊稀疏度大小。然后對(duì)算法的計(jì)算復(fù)雜度進(jìn)行了分析,并推導(dǎo)了算法準(zhǔn)確重構(gòu)信號(hào)的充分條件。最后,實(shí)驗(yàn)結(jié)果表明,該算法能在塊稀疏度未知的情況下實(shí)現(xiàn)塊稀疏信號(hào)的精確重構(gòu),且相比于BMP、BOMP和BSP算法,信號(hào)的成功重構(gòu)概率得到明顯提升,所需測(cè)量值數(shù)目也有所降低。2.目前關(guān)于塊稀疏信號(hào)的重構(gòu)算法主要都是建立在信號(hào)中非零塊長(zhǎng)度相等且分塊長(zhǎng)度已知的均勻塊稀疏信號(hào)模型上的,而實(shí)際應(yīng)用中信號(hào)的各個(gè)非零塊長(zhǎng)度往往是不相等且未知的。針對(duì)這些問(wèn)題,首先對(duì)重構(gòu)兩種不同類型的塊稀疏信號(hào)所需測(cè)量值數(shù)目的下限進(jìn)行了分析,然后提出一種非均勻的塊稀疏信號(hào)重構(gòu)算法。該算法通過(guò)初始化一個(gè)分塊長(zhǎng)度,按照遞減的分塊大小對(duì)信號(hào)進(jìn)行多次均勻切分,并利用FBBP算法逐步剔除非零塊中包含的零元素,以此獲得更加精確的非零塊位置,從而減少信號(hào)的重構(gòu)誤差。最后,仿真實(shí)驗(yàn)表明,該算法在非均勻塊稀疏模型下有效地提高了信號(hào)的重構(gòu)精度。
【關(guān)鍵詞】：壓縮感知 塊稀疏信號(hào) 重構(gòu)算法 結(jié)構(gòu)模型
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN911.7
【目錄】：

• 摘要3-4
• Abstract4-10
• 第1章 緒論10-18
• 1.1 論文研究背景及意義10-11
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀11-16
• 1.2.1 壓縮感知主要研究?jī)?nèi)容及現(xiàn)狀12-14
• 1.2.2 結(jié)構(gòu)化稀疏信號(hào)模型介紹14-15
• 1.2.3 塊稀疏信號(hào)重構(gòu)算法的研究現(xiàn)狀15-16
• 1.3 本文的主要工作16-17
• 1.4 本文的組織結(jié)構(gòu)17-18
• 第2章 壓縮感知理論概述及塊稀疏信號(hào)分析18-30
• 2.1 壓縮感知理論及重構(gòu)算法介紹18-23
• 2.1.1 傳統(tǒng)的壓縮感知理論框架18-20
• 2.1.2 典型重構(gòu)算法20-23
• 2.2 塊稀疏信號(hào)基本知識(shí)23-29
• 2.2.1 塊稀疏信號(hào)模型23-25
• 2.2.2 塊稀疏信號(hào)相關(guān)理論知識(shí)25-27
• 2.2.3 典型的塊稀疏信號(hào)重構(gòu)算法27-29
• 2.3 本章小結(jié)29-30
• 第3章 塊稀疏信號(hào)的前后向塊追蹤算法30-44
• 3.1 基于子空間的塊稀疏信號(hào)重構(gòu)算法30-31
• 3.2 塊稀疏信號(hào)的前后向塊追蹤算法31-37
• 3.2.1 算法描述31-33
• 3.2.2 算法復(fù)雜度分析33-34
• 3.2.3 算法重構(gòu)塊稀疏信號(hào)的充分條件34-37
• 3.3 仿真實(shí)驗(yàn)結(jié)果及分析37-43
• 3.4 本章小結(jié)43-44
• 第4章 非均勻塊稀疏信號(hào)重構(gòu)算法44-58
• 4.1 非均勻塊稀疏信號(hào)模型介紹44-45
• 4.2 塊稀疏信號(hào)的測(cè)量值下限分析45-47
• 4.3 非均勻塊稀疏信號(hào)重構(gòu)算法47-49
• 4.3.1 算法描述47-49
• 4.3.2 算法復(fù)雜度分析49
• 4.4 仿真結(jié)果及分析49-57
• 4.4.1 一維信號(hào)重構(gòu)實(shí)驗(yàn)49-56
• 4.4.2 二維圖像信號(hào)重構(gòu)實(shí)驗(yàn)56-57
• 4.5 本章小結(jié)57-58
• 第5章 總結(jié)與展望58-60
• 5.1 論文的總結(jié)58-59
• 5.2 未來(lái)工作展望59-60
• 參考文獻(xiàn)60-65
• 致謝65-66
• 攻讀碩士學(xué)位期間從事的科研工作及取得的成果66

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前7條

1 王文東;王堯;王建軍;;基于迭代重賦權(quán)最小二乘算法的塊稀疏壓縮感知[J];電子學(xué)報(bào);2015年05期

2 徐燕;邱曉暉;;采用正交多項(xiàng)匹配的塊稀疏信號(hào)重構(gòu)算法[J];信號(hào)處理;2014年06期

3 許志強(qiáng);;壓縮感知[J];中國(guó)科學(xué):數(shù)學(xué);2012年09期

4 徐宗本;郭海亮;王堯;張海;;L_(1/2)正則子在L_q(0<q<1)正則子中的代表性:基于相位圖的實(shí)驗(yàn)研究(英文)[J];自動(dòng)化學(xué)報(bào);2012年07期

5 付寧;曹離然;彭喜元;;基于子空間的塊稀疏信號(hào)壓縮感知重構(gòu)算法[J];電子學(xué)報(bào);2011年10期

6 付寧;喬立巖;曹離;;面向壓縮感知的塊稀疏度自適應(yīng)迭代算法[J];電子學(xué)報(bào);2011年S1期

7 戴瓊海;付長(zhǎng)軍;季向陽(yáng);;壓縮感知研究[J];計(jì)算機(jī)學(xué)報(bào);2011年03期

，

本文編號(hào)：678702