發(fā)布時間：2024-02-25 23:26

　　對信號進行采樣和重建是信號處理領(lǐng)域最基本也是最核心的研究任務(wù)。傳統(tǒng)的信號處理理論體系建立在香農(nóng)等人的經(jīng)典基礎(chǔ)工作之上,遵循先采樣,再壓縮的過程。然而,由于奈奎斯特采樣定理的要求,采樣頻率應(yīng)不小于信號帶寬的兩倍才能保證不失真的信號重構(gòu),使得信號的采樣值存在巨大的冗余。在隨后的變換壓縮過程中,再對變換后的系數(shù)進行大量的舍棄。這一系列過程不僅帶來了巨大的計算和存儲資源的浪費,也對硬件成本和傳輸帶寬等因素帶來了巨大的挑戰(zhàn)。作為稀疏的一種應(yīng)用,壓縮感知是一種有效的信號采樣和重構(gòu)框架。壓縮感知直接把待采樣信號隨機地投影到一個極低維空間中以獲取采樣數(shù)據(jù),然后嘗試通過獲取該信號的稀疏表示來重建信號,實現(xiàn)了采樣和壓縮的同步融合,也以極大概率保證了信號的完美重構(gòu)。因此,壓縮感知降低了采樣端對資源的要求,采樣頻率遠遠低于奈奎斯特采樣頻率,計算負擔也被轉(zhuǎn)移到了解碼端。鑒于此,壓縮感知被廣泛的應(yīng)用于全息成像、醫(yī)學成像、衛(wèi)星多光譜成像、雷達成像等各種成像技術(shù),圖像視頻處理、傳感網(wǎng)絡(luò)以及信道編碼等領(lǐng)域。然而,傳統(tǒng)的壓縮感知理論是建立在一般性稀疏的假設(shè)前提下,對于高維信號的采樣和重構(gòu),無法有效利用其內(nèi)在的結(jié)構(gòu)化信息。...

【文章頁數(shù)】：176 頁

【學位級別】：博士

【文章目錄】：
摘要
abstract
縮略語
第一章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀及難點
    1.3 主要研究內(nèi)容和文章結(jié)構(gòu)
    1.4 主要創(chuàng)新點
第二章 背景知識
    2.1 引言
    2.2 稀疏表示
        2.2.1 一般性稀疏
        2.2.2 結(jié)構(gòu)化稀疏
    2.3 采樣矩陣的設(shè)計
    2.4 CS重構(gòu)算法
        2.4.1 基于一般性稀疏的重構(gòu)算法
        2.4.2 基于結(jié)構(gòu)化稀疏的重構(gòu)算法
    2.5 基于端到端的壓縮感知
    2.6 可伸縮視頻編碼
第三章 壓縮視頻采樣:數(shù)據(jù)驅(qū)動子空間聯(lián)合模型
    3.1 前言
    3.2 壓縮視頻采樣技術(shù)概述
        3.2.1 向量化的壓縮視頻采樣技術(shù)概述
        3.2.2 張量化的壓縮視頻采樣技術(shù)概述
    3.3 背景和驅(qū)動
        3.3.1 單子空間模型
        3.3.2 子空間聯(lián)合模型
        3.3.3 問題驅(qū)動
    3.4 基于數(shù)據(jù)驅(qū)動子空間聯(lián)合模型的壓縮視頻采樣框架
        3.4.1 框架描述
        3.4.2 子空間聚類
        3.4.3 線性子空間學習
        3.4.4 穩(wěn)定重構(gòu)
    3.5 UoDS模型的張量推廣
        3.5.1 廣義問題陳述
        3.5.2 穩(wěn)定重構(gòu)
        3.5.3 基于廣義模型的壓縮視頻采樣框架
    3.6 實驗結(jié)果
        3.6.1 實驗設(shè)置
        3.6.2 線性子空間結(jié)果
        3.6.3 多線性子空間結(jié)果
        3.6.4 計算復雜度
    3.7 小結(jié)
第四章 壓縮視頻采樣:塊稀疏子空間學習框架
    4.1 前言
    4.2 背景及驅(qū)動
    4.3 最優(yōu)結(jié)構(gòu)化稀疏表示
        4.3.1 數(shù)據(jù)驅(qū)動的張量子空間聯(lián)合模型
        4.3.2 塊稀疏下的最優(yōu)性
    4.4 結(jié)構(gòu)化稀疏約束優(yōu)化
        4.4.1 塊稀疏子空間學習
        4.4.2 泛化的塊稀疏子空間學習
    4.5 實驗結(jié)果
        4.5.1 實驗設(shè)置
        4.5.2 線性子空間學習:BSSL
        4.5.3 張量子空間學習:UoTS和 GBSSL
        4.5.4 計算復雜度
    4.6 本章小結(jié)
第五章 結(jié)構(gòu)化稀疏可伸縮壓縮視頻采樣方法
    5.1 前言
    5.2 背景及驅(qū)動
    5.3 結(jié)構(gòu)化稀疏可伸縮壓縮視頻采樣方法(SS-CVS)
        5.3.1 框架描述
        5.3.2 可伸縮的壓縮感知
        5.3.3 穩(wěn)定的可伸縮重構(gòu)
    5.4 質(zhì)量可伸縮性:分層子空間學習
        5.4.1 子空間聚類的層次結(jié)構(gòu)
        5.4.2 基矩陣派生的層次結(jié)構(gòu)
        5.4.3 基于塊稀疏張量的SS-CVS(BT-SS-CVS)
    5.5 實驗
        5.5.1 實驗設(shè)置
        5.5.2 結(jié)構(gòu)化稀疏可伸縮視頻采樣:分層子空間學習
        5.5.3 基于張量的擴展:BT-SS-CVS
        5.5.4 計算復雜度
    5.6 本章小結(jié)
第六章 大尺度優(yōu)化問題的可分解迭代算法
    6.1 前言
    6.2 背景及驅(qū)動
        6.2.1 聯(lián)邦數(shù)據(jù)分析
        6.2.2 二元邏輯回歸
    6.3 垂直網(wǎng)格邏輯回歸學習
        6.3.1 邏輯回歸對偶優(yōu)化問題的牛頓迭代算法
        6.3.2 垂直網(wǎng)格邏輯回歸學習
        6.3.3 基于固定海森矩陣的垂直網(wǎng)格邏輯回歸
    6.4 塊稀疏張量的交替方向乘子法
    6.5 實驗
        6.5.1 實驗:垂直網(wǎng)格邏輯回歸算法
        6.5.2 實驗:塊稀疏張量的交替方向乘子法
    6.6 本章小結(jié)
第七章 總結(jié)和展望
    7.1 全文總結(jié)
    7.2 未來工作展望
附錄 A附錄A定理3.3 的證明
參考文獻
致謝
攻讀學位期間發(fā)表的學術(shù)論文
攻讀學位期間參與的項目
攻讀學位期間申請的專利



本文編號：3910996