壓縮感知
- 魯棒性觀測(cè)矩陣優(yōu)化設(shè)計(jì)及其在機(jī)械故障診斷中的應(yīng)用
斷系統(tǒng)中應(yīng)用壓縮感知（CS）可以有效緩解故障診斷系統(tǒng)數(shù)據(jù)的傳輸和存儲(chǔ)壓力。將觀測(cè)矩陣的優(yōu)化設(shè)計(jì)方法引入機(jī)械設(shè)備故障診斷系統(tǒng)中。結(jié)合機(jī)械信號(hào)信噪比（SNR）較低的特點(diǎn)，在分析不同觀測(cè)矩陣優(yōu)化框架抗噪性能的基礎(chǔ)上，得出適用于機(jī)械信號(hào)的魯棒性觀測(cè)矩陣優(yōu)化框架?；谠搩?yōu)化框架，推導(dǎo)出一種比現(xiàn)有求解方法計(jì)算復(fù)雜度更低的解析解，提高了優(yōu)化觀測(cè)矩陣的求解速度。數(shù)值仿真和實(shí)驗(yàn)結(jié)果表明，所提方法得到的優(yōu)化觀測(cè)矩陣具有良好的魯棒性和更高的計(jì)算效率，相比現(xiàn)有的優(yōu)化觀測(cè)矩陣和常用
振動(dòng)工程學(xué)報(bào) 2023年1期2023-06-30
- 基于低秩稀疏分解快速算法的動(dòng)態(tài)MRI重建
磁共振成像;壓縮感知;低秩稀疏分解;變量分裂中圖分類號(hào)：TP391 ? ? 文獻(xiàn)標(biāo)識(shí)碼：ADynamic MRI Reconstruction based on Low-rankSparse Decomposition Fast Algorithm YANG Qinghai， YANG Min（School of Automation， Nanjing University of Posts and Telecommunications， Nanjing
軟件工程 2022年7期2022-07-21
- 基于壓縮感知的毫米波大規(guī)模MIMO信道估計(jì)
特點(diǎn)，可以與壓縮感知理論很好地結(jié)合，本文分析了正交匹配追蹤算法和稀疏度自適應(yīng)匹配追蹤算法在信道估計(jì)的優(yōu)缺點(diǎn)，并將一種改進(jìn)的稀疏度自適應(yīng)匹配追蹤算法應(yīng)用到毫米波大規(guī)模MIMO信道估計(jì)中，可以取得較好的估計(jì)效果。關(guān)鍵詞：毫米波;MIMO;壓縮感知;稀疏度自適應(yīng)一、引言毫米波（Millimeter Wave，mmWave）的頻段在30GHz～300GHz之間，頻譜資源豐富，且與大規(guī)模天線結(jié)合，能夠彌補(bǔ)毫米波自身所帶來(lái)的高路損，是5G通信的關(guān)鍵技術(shù)之一[1]。在毫
中國(guó)新通信 2022年8期2022-06-11
- 基于改進(jìn)平滑L0范數(shù)的ISAR成像算法
成孔徑雷達(dá);壓縮感知;稀疏信號(hào);成像中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）21-0036-03開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：近年來(lái)，因具有全天時(shí)、全天候、遠(yuǎn)距離成像特性，逆合成孔徑雷達(dá)（ISAR）成像技術(shù)在軍用、民用等領(lǐng)域起到了重要作用，有良好的發(fā)展前景[1-2]。ISAR通過(guò)發(fā)射寬帶信號(hào)，通過(guò)脈沖壓縮技術(shù)可以在距離方向上分離目標(biāo)上的散射點(diǎn)。由于目標(biāo)相對(duì)于雷達(dá)的橫向運(yùn)動(dòng)，不同橫向位置的散射體具有不
電腦知識(shí)與技術(shù) 2022年21期2022-05-30
- 滾動(dòng)軸承壓縮故障信號(hào)的特征代理與凸優(yōu)化重構(gòu)算法
滾動(dòng)軸承;?壓縮感知;?特征重構(gòu)中圖分類號(hào)： TH165.3;?TH133.33 ???文獻(xiàn)標(biāo)志碼： A ???文章編號(hào)： 1004-4523（2022）02-0434-12DOI：10.16385/j.cnki.issn.1004-4523.2022.02.019引??言滾動(dòng)軸承被廣泛應(yīng)用于旋轉(zhuǎn)機(jī)械中，對(duì)其狀態(tài)進(jìn)行監(jiān)測(cè)對(duì)于設(shè)備穩(wěn)定運(yùn)行至關(guān)重要。當(dāng)滾動(dòng)軸承發(fā)生局部故障時(shí)，由傳感器采集到的振動(dòng)信號(hào)將包含滾動(dòng)軸承故障特征，但受機(jī)械結(jié)構(gòu)復(fù)雜背景噪聲的干擾，采集到
振動(dòng)工程學(xué)報(bào) 2022年2期2022-05-14
- 基于壓縮感知的VLC非線性均衡器研究
，本研究采用壓縮感知重構(gòu)算法中的正交匹配追蹤算法（orthogonalmatchingpursuit，OMP）和改進(jìn)的近似消息傳遞算法（approximatemessagepassing，AMP）計(jì)算VS-NPE內(nèi)核參數(shù)。改進(jìn)的AMP算法應(yīng)用時(shí)，需對(duì)VS-NPE測(cè)量矩陣歸一化處理，然后將AMP算法迭代過(guò)程引入阻尼因子和穩(wěn)固閾值函數(shù)，進(jìn)而提高模型構(gòu)建精度。仿真結(jié)果表明，在訓(xùn)練樣本長(zhǎng)度較小時(shí)，OMP算法和改進(jìn)的AMP算法仍擁有較高的重構(gòu)精度，且OMP算法計(jì)算的
- 壓縮感知等效源法近場(chǎng)聲全息關(guān)鍵參數(shù)選取
選取，但隨著壓縮感知的引入，該方法不再適用.通過(guò)對(duì)壓縮感知性質(zhì)與奇異值分布聯(lián)合研究，提出一種基于傳遞矩陣最大列相關(guān)系數(shù)的壓縮感知等效源法的近場(chǎng)聲全息等效源位置選取方式.研究結(jié)果表明，壓縮感知等效源法的等效源距離選取與稀疏基選取有關(guān)，傳統(tǒng)等效源選取范圍距離重建面0.030～0.100 m，而帶有稀疏基的等效源選取范圍距離重建面0.010～0.060 m，在使用適當(dāng)稀疏基的情況下，壓縮感知方法的等效源布置距離較傳統(tǒng)等效源法更為靠近重建面.關(guān)鍵詞：近場(chǎng)聲全息;壓
廣西科技大學(xué)學(xué)報(bào) 2021年4期2021-11-20
- 基于壓縮感知的無(wú)線通信信息處理方法
信技術(shù)，基于壓縮感知對(duì)無(wú)線通信信息處理方法進(jìn)行研究設(shè)計(jì)，將壓縮感知的采樣理論與無(wú)線通信的信息相結(jié)合，利用其進(jìn)行信息采樣，認(rèn)知識(shí)別相關(guān)通信信息，對(duì)其進(jìn)行分類整合，處理列陣信號(hào)，對(duì)通信信息進(jìn)行加工后，基于信息的稀疏特征，對(duì)其設(shè)置稀疏信道估計(jì)，以此將通信信息進(jìn)行進(jìn)一步處理，使其在通信過(guò)程中，保障其信息的準(zhǔn)確性。通過(guò)實(shí)驗(yàn)研究，論證基于壓縮感知的無(wú)線通信信息處理方法更符合時(shí)代的發(fā)展，相較傳統(tǒng)的處理方法，其處理結(jié)果更具有準(zhǔn)確性?！娟P(guān)鍵詞】? ? 壓縮感知? ? ? 無(wú)
中國(guó)新通信 2021年13期2021-09-26
- 基于壓縮感知和卷積神經(jīng)網(wǎng)絡(luò)的諧波檢測(cè)方法研究
提出一種基于壓縮感知（ CS ）和卷積神經(jīng)網(wǎng)絡(luò)（ CNN ）的諧波檢測(cè)新方法。在 CS 理論下建立了具有壓縮采樣和重構(gòu)功能的諧波檢測(cè)框架，并利用 CNN 理論設(shè)計(jì)了具有免變換字典的重構(gòu)網(wǎng)絡(luò)。研究結(jié)果表明，本文所提出的方法具有可行性，可為造紙工業(yè)中的諧波檢測(cè)提供了一種新手段。關(guān)鍵詞：造紙工業(yè);諧波檢測(cè);壓縮感知;卷積神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：TS7?? 文獻(xiàn)標(biāo)識(shí)碼：A??? DOI：10.11980/j. issn.0254-508X.2021.12.009Stu
中國(guó)造紙 2021年12期2021-09-21
- 基于壓縮感知的免授權(quán)NOMA多用戶檢測(cè)算法綜述
摘 要：利用壓縮感知（Compressed Sensing， CS）重構(gòu)方法處理免授權(quán)非正交多址訪問(wèn)（Non-Orthogonal Multiple Access， NOMA）系統(tǒng)中多用戶檢測(cè)（Multi-User Detection， MUD）問(wèn)題已成為熱潮。文章首先介紹了CS重構(gòu)算法及其優(yōu)劣性，然后詳細(xì)介紹了基于CS理論提出的多用戶檢測(cè)算法，最后探討了基于CS免授權(quán)NOMA上行傳輸?shù)腗UD算法未來(lái)的研究重點(diǎn)，為多用戶檢測(cè)算法的改進(jìn)和應(yīng)用提供了理論依據(jù)。
無(wú)線互聯(lián)科技 2021年13期2021-09-13
- 基于壓縮感知的快速語(yǔ)音編解碼方法研究
解碼中，由于壓縮感知能以更少的采樣點(diǎn)恢復(fù)完整的原始信號(hào)，有利于語(yǔ)音通信中的丟包恢復(fù)，因此文章將壓縮感知理論用于語(yǔ)音編解碼方法，致力于研究一種低復(fù)雜度的壓縮感知語(yǔ)音編解碼方法。實(shí)驗(yàn)證明，文章的方法比經(jīng)典的壓縮感知算法在語(yǔ)音重構(gòu)的速度上具有一定的優(yōu)勢(shì)。關(guān)鍵詞：VOIP;低復(fù)雜度;壓縮感知0? ? 引言眾所周知，傳統(tǒng)的信號(hào)采樣方法遵循著名的奈奎斯特采樣定理，即采樣速率必須至少是信號(hào)中存在的最大頻率的兩倍。而由陶哲軒等[1]提出的壓縮感知理論可以通過(guò)比傳統(tǒng)方法更少
無(wú)線互聯(lián)科技 2021年13期2021-09-13
- 壓縮感知理論在MIMO-OFDM系統(tǒng)信道估計(jì)中的應(yīng)用
?該文借助壓縮感知理論完成MIMO-OFDM系統(tǒng)的信道估計(jì)，分別采用壓縮采樣匹配追蹤（CoSaMP）算法和廣義正交匹配追蹤（GOMP）算法重構(gòu)信道參數(shù)，與最小二乘（LS）算法比較，通過(guò)歸一化均方誤差（NMSE）展現(xiàn)了壓縮感知類算法能夠有效地提高信道參數(shù)重構(gòu)的精度。該文設(shè)計(jì)了一個(gè)MIMO-OFDM通信系統(tǒng)，測(cè)試了壓縮感知算法對(duì)數(shù)據(jù)傳輸?shù)恼`碼率（BER）的影響，實(shí)驗(yàn)結(jié)果表明，基于壓縮感知的算法能夠有效降低系統(tǒng)的誤碼率（BER）。【關(guān)鍵詞】? ?GOMP;Co
- 基于壓縮感知技術(shù)的3D黑血MR增強(qiáng)掃描對(duì)腦轉(zhuǎn)移瘤的應(yīng)用價(jià)值
? 探討基于壓縮感知技術(shù)的顱腦3D黑血增強(qiáng)掃描在腦轉(zhuǎn)移瘤中的應(yīng)用價(jià)值。方法? 回顧性分析2018年9月～2020年1月期間阜陽(yáng)市人民醫(yī)院經(jīng)臨床或病理證實(shí)為惡性腫瘤腦轉(zhuǎn)移患者37例，均行常規(guī)MR平掃加增強(qiáng)和黑血增強(qiáng)掃描，甲乙兩名閱片者雙盲法獨(dú)立閱片對(duì)常規(guī)MR增強(qiáng)圖像及黑血圖像質(zhì)量進(jìn)行評(píng)價(jià)及統(tǒng)計(jì)病灶數(shù)量。比較兩種增強(qiáng)圖像質(zhì)量主觀評(píng)價(jià)結(jié)果、表觀信噪比（SNR）、對(duì)比噪聲比（CNR）及病灶數(shù)目顯示情況。結(jié)果? 常規(guī)增強(qiáng)組與黑血組圖像質(zhì)量評(píng)分差異無(wú)統(tǒng)計(jì)學(xué)意義（P>0
中華養(yǎng)生保健 2021年6期2021-08-09
- 一種基于分塊壓縮感知的紅外成像方法
問(wèn)題，將分塊壓縮感知理論應(yīng)用到紅外成像系統(tǒng)之中，編碼模板位于前置紅外鏡頭的像面，并對(duì)目標(biāo)場(chǎng)景所成的像進(jìn)行多次編碼。編碼后的像經(jīng)過(guò)中繼紅外鏡頭被紅外探測(cè)器所采集，采用OMP算法對(duì)采集到的信號(hào)以分塊的方式進(jìn)行重構(gòu)，最終得到目標(biāo)場(chǎng)景圖像。對(duì)不同分塊大小重構(gòu)原始圖像進(jìn)行仿真，并將仿真的重構(gòu)圖像與降采樣圖像進(jìn)行對(duì)比分析。仿真結(jié)果表明，分塊大小越大，重構(gòu)圖像的峰值信噪比越高，重構(gòu)時(shí)間越長(zhǎng)。重構(gòu)圖像的質(zhì)量明顯優(yōu)于降采樣圖像，可以實(shí)現(xiàn)低分辨率紅外探測(cè)器重構(gòu)高分辨率圖像，為
粘接 2021年4期2021-07-11
- 基于物聯(lián)網(wǎng)技術(shù)的小波域分塊壓縮感知算法的圖像重構(gòu)系統(tǒng)設(shè)計(jì)
于小波域分塊壓縮感知算法的圖像重構(gòu)系統(tǒng)。建立低照明度圖像采樣模型，采用圖像的景深自適應(yīng)調(diào)節(jié)方法進(jìn)行小波域分塊壓縮感知和信息融合處理。利用多尺度的Retinex算法進(jìn)行小波域分塊壓縮感知和信息提取，提取圖像的信息熵特征量。采取圖像自適應(yīng)增強(qiáng)方法進(jìn)行低照度圖像增強(qiáng)處理，使用物聯(lián)網(wǎng)技術(shù)進(jìn)行低照明度圖像的三維信息重構(gòu)，結(jié)合細(xì)節(jié)增強(qiáng)方法進(jìn)行低照度圖像增強(qiáng)處理，完成重構(gòu)系統(tǒng)設(shè)計(jì)，實(shí)現(xiàn)透射率圖的輪廓檢測(cè)和特征重構(gòu)。仿真結(jié)果表明，采用該方法進(jìn)行低照明度圖像重構(gòu)的分辨率較高
計(jì)算技術(shù)與自動(dòng)化 2021年1期2021-04-09
- 壓縮感知在物聯(lián)網(wǎng)系統(tǒng)中的應(yīng)用研究
基礎(chǔ)上，結(jié)合壓縮感知理論提出了3種感知層數(shù)據(jù)采集與傳輸方案，給出了壓縮感知理論的框架，并對(duì)提出的數(shù)據(jù)壓縮方案、隨機(jī)采樣方案、半張量模型采集方案進(jìn)行了可行性分析，詳細(xì)探討了3種方案各自適用的應(yīng)用場(chǎng)合，為物聯(lián)網(wǎng)感知層高質(zhì)量、高速率數(shù)據(jù)采集與傳輸提供了可借鑒的方法。關(guān)鍵詞：壓縮感知;物聯(lián)網(wǎng);數(shù)據(jù)采集方案0 引言物聯(lián)網(wǎng)作為新一代信息技術(shù)的重要組成部分，已在零售、交通、農(nóng)業(yè)、智能家居、智慧城市、供應(yīng)鏈、應(yīng)急、醫(yī)療、環(huán)境和能源等領(lǐng)域得到了廣泛應(yīng)用。如果說(shuō)互聯(lián)網(wǎng)打破了空
機(jī)電信息 2020年23期2020-09-26
- 基于改進(jìn)型壓縮感知的平面設(shè)計(jì)圖像處理技術(shù)研究
化最優(yōu)匹配的壓縮感知圖像處理方法。在構(gòu)建壓縮感知信號(hào)模型的基礎(chǔ)上，推導(dǎo)圖像重構(gòu)的等價(jià)最優(yōu)化問(wèn)題。此外，為了降低最優(yōu)化問(wèn)題求解的復(fù)雜度，通過(guò)正則化二次處理與分段篩選，在保證圖像重構(gòu)質(zhì)量的同時(shí)，可以有效地減少圖像處理時(shí)間。仿真實(shí)驗(yàn)結(jié)果表明，所提算法對(duì)于不同的圖像及采樣率均具有良好的重構(gòu)質(zhì)量，且相對(duì)于正交匹配算法，其復(fù)雜度顯著降低。關(guān)鍵詞： 平面設(shè)計(jì); 圖像處理; 壓縮感知; 正則化處理; 分段篩選; 仿真實(shí)驗(yàn)中圖分類號(hào)： TN911.73?34? ? ? ?
現(xiàn)代電子技術(shù) 2020年18期2020-09-23
- 安全壓縮感知在醫(yī)學(xué)圖像云存儲(chǔ)系統(tǒng)的應(yīng)用
一種基于安全壓縮感知的醫(yī)學(xué)圖像隱私保護(hù)的云存儲(chǔ)系統(tǒng)，該系統(tǒng)采集的敏感數(shù)據(jù)樣本不會(huì)以明文形式離開(kāi)傳感器。被保護(hù)的樣本發(fā)送到云數(shù)據(jù)中心存儲(chǔ)、處理和分發(fā)。云數(shù)據(jù)中心無(wú)法知曉數(shù)據(jù)內(nèi)容，從而能夠保證數(shù)據(jù)的安全性，而資源豐富的本地智能端則可以解密和重構(gòu)原始數(shù)據(jù)。實(shí)驗(yàn)表明，該系統(tǒng)實(shí)現(xiàn)了簡(jiǎn)單快速采樣、安全存儲(chǔ)和傳輸。關(guān)鍵詞：壓縮感知;隱私保護(hù);醫(yī)學(xué)圖像;云存儲(chǔ)中圖分類號(hào)：TP309.7 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8228（2020）08-45-040 引言近年來(lái)
計(jì)算機(jī)時(shí)代 2020年8期2020-09-15
- 基于奇異值分解改進(jìn)觀測(cè)矩陣的FBG傳感信號(hào)處理
法，通過(guò)提高壓縮感知處理光纖布拉格光柵傳感信號(hào)精度，完成噪聲預(yù)處理。對(duì)觀測(cè)矩陣進(jìn)行分解重構(gòu)，提高信號(hào)重構(gòu)保真度。首先對(duì)隨機(jī)觀測(cè)矩陣進(jìn)行正交化處理，再對(duì)其進(jìn)行奇異值分解，將特征矩陣特征值改為恒定值，帶入新的特征值后將產(chǎn)生新的觀測(cè)矩陣。對(duì)信號(hào)進(jìn)行觀測(cè)，并采用信噪比、重構(gòu)誤差等指標(biāo)確定稀疏度K。仿真結(jié)果表明，該方法重構(gòu)精度提高約72%。關(guān)鍵詞：壓縮感知;奇異值分解;觀測(cè)矩陣;傳感信號(hào)DOI：10. 11907/rjdk. 192419 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼
軟件導(dǎo)刊 2020年8期2020-09-02
- 基于壓縮感知的圖像魯棒編碼傳輸
文提出了基于壓縮感知的圖像魯棒編碼傳輸算法，實(shí)現(xiàn)單個(gè)操作中同時(shí)采樣壓縮并且能夠進(jìn)行魯棒傳輸。采用小波變換（DWT）對(duì)圖像進(jìn)行稀疏表示，再對(duì)稀疏系數(shù)進(jìn)行塊Hadamard壓縮感知測(cè)量，為獲得圖像的高性能重建，在解碼端采用高效的CRSR重建算法。通過(guò)實(shí)驗(yàn)仿真表明，密文在傳輸過(guò)程中能夠抵抗高丟包率的攻擊，隨著丟包率的上升，本算法獲得的重建性能緩慢下降，在丟包率為0.3時(shí)，解碼端仍可以獲得相對(duì)穩(wěn)定的重構(gòu)圖像，說(shuō)明該算法具有抵抗丟包攻擊的魯棒性，能夠滿足圖像魯棒傳輸
電腦知識(shí)與技術(shù) 2020年20期2020-08-26
- 基于張量字典學(xué)習(xí)的壓縮感知視頻重構(gòu)
量字典學(xué)習(xí)的壓縮感知視頻重構(gòu)算法。把視頻圖像的二維空間特性和一維時(shí)間特性映射到三階張量上，保持了圖像的時(shí)間特性，增強(qiáng)了圖像前后幀之間的相關(guān)性。同時(shí)在重構(gòu)視頻圖像塊的過(guò)程中，相對(duì)于二維矩陣字典，原子的稀疏表達(dá)有著更高的自由度，進(jìn)而提高了重構(gòu)質(zhì)量。對(duì)張量的計(jì)算在傅里葉域中進(jìn)行，減少了算術(shù)運(yùn)算的次數(shù)，縮短了重構(gòu)時(shí)間。通過(guò)實(shí)驗(yàn)數(shù)據(jù)以及視覺(jué)直觀證明，提出的算法重構(gòu)圖像的峰值信噪比較傳統(tǒng)方法提高了2～4 dB。關(guān)鍵詞： 壓縮感知; 視頻圖像重構(gòu); 張量分解; 稀疏表達(dá)
現(xiàn)代電子技術(shù) 2020年3期2020-08-04
- 基于Polar插值改進(jìn)的結(jié)構(gòu)振動(dòng)信號(hào)壓縮采樣正交匹配追蹤恢復(fù)算法
段忠東摘要：壓縮感知是近年來(lái)出現(xiàn)的采樣和信號(hào)處理方法，它利用了信號(hào)中普遍存在的稀疏特性，從而可以以遠(yuǎn)低于奈奎斯特頻率的采樣速率采集壓縮樣本，并依概率恢復(fù)得到真實(shí)信號(hào)。結(jié)構(gòu)振動(dòng)信號(hào)具有一定的稀疏性。對(duì)其進(jìn)行壓縮采樣并進(jìn)行信號(hào)重構(gòu)，離散傅里葉原子的頻率往往與信號(hào)實(shí)際頻率不匹配，造成頻率泄漏，降低信號(hào)重構(gòu)精度。針對(duì)離散原子庫(kù)存在的缺陷，采用Polar插值對(duì)正交匹配追蹤（Orthogonal Matching Pursuit，OMP）算法進(jìn)行了改進(jìn)。以O(shè)MP算法選
振動(dòng)工程學(xué)報(bào) 2020年3期2020-07-16
- 基于改進(jìn)壓縮感知的生豬音頻信號(hào)處理
基于普減法的壓縮感知。在信息采集端采用微處理器NanoPCT4控制的麥克風(fēng)采集音頻信號(hào)，通過(guò)基于普減法的稀疏基矩陣和測(cè)量矩陣，減小聲音傳輸量，接收端運(yùn)用OMP算法，將壓縮信號(hào)進(jìn)行恢復(fù)重構(gòu)，實(shí)現(xiàn)對(duì)生豬音頻信號(hào)的快速準(zhǔn)確傳輸。結(jié)果表明，通過(guò)運(yùn)用這套壓縮-重構(gòu)系統(tǒng)，重構(gòu)率提高20.75%，重構(gòu)時(shí)間縮短近0.20 s，去噪后的峰值信噪比較未去噪的峰值信噪比增大了近1.50 dB，降低了信息傳輸量，節(jié)省了信號(hào)處理、存儲(chǔ)和傳輸?shù)臅r(shí)間，同時(shí)也降低信號(hào)失真。關(guān)鍵詞：聲音信
江蘇農(nóng)業(yè)科學(xué) 2020年10期2020-07-06
- 基于壓縮感知的回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)在時(shí)間序列預(yù)測(cè)中的應(yīng)用
提出一種基于壓縮感知方法的回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)，利用測(cè)量矩陣，將高維的內(nèi)部狀態(tài)壓縮成低維后再求解輸出權(quán)值矩陣。混沌時(shí)間序列預(yù)測(cè)實(shí)驗(yàn)結(jié)果表明，相對(duì)于傳統(tǒng)模型，該方法能在誤差損失允許范圍內(nèi)，將計(jì)算時(shí)間最大程度降低到40%左右。關(guān)鍵詞：數(shù)據(jù)預(yù)測(cè);回聲狀態(tài)神經(jīng)網(wǎng)絡(luò);儲(chǔ)備池計(jì)算;壓縮感知;時(shí)間序列預(yù)測(cè)DOI： 10.11907/rjdk.192786開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：中圖分類號(hào)：TP306文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2020）004
軟件導(dǎo)刊 2020年4期2020-06-19
- 基于壓縮感知的一種改進(jìn)射電圖像重建算法
提出一種基于壓縮感知技術(shù)的射電干涉圖像凸優(yōu)化重構(gòu)算法。該算法對(duì)原始對(duì)偶算法引入迭代收縮算子和閾值模型，迭代收縮算子在每一步迭代過(guò)程中利用前兩點(diǎn)進(jìn)行組合更新，迭代過(guò)程更為精確，通過(guò)閾值模型克服不連續(xù)性產(chǎn)生的偽吉布斯效應(yīng)，使得重建射電圖像光滑并保留了有用高頻信息。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法在信噪比與重建精度方面優(yōu)于PD算法，得到了更好的效果。關(guān)鍵詞： 射電圖像重建; 壓縮感知; 原始對(duì)偶算法; 射電天文觀測(cè); 凸優(yōu)化算法; 閾值去噪中圖分類號(hào)： TN911.73?
現(xiàn)代電子技術(shù) 2020年9期2020-06-19
- 基于壓縮感知的小電流接地系統(tǒng)故障選線方法
確的問(wèn)題，在壓縮感知理論框架下提出了基于壓縮感知的小電流接地故障選線新方法。首先，利用Simulink搭建了10 kV電壓等級(jí)的小電流接地模型，在其基礎(chǔ)上通過(guò)設(shè)置故障相，提取各條線路中的零序電流;然后利用壓縮感知算法對(duì)所提取的零序電流進(jìn)行壓縮，從而得到壓縮零序電流特征;接著通過(guò)調(diào)整線路參數(shù)得到大量正常線路以及故障線路中經(jīng)過(guò)壓縮的零序電流特征樣本;最后利用徑向基神經(jīng)網(wǎng)絡(luò)構(gòu)造了小電流接地故障選線模型。實(shí)驗(yàn)結(jié)果表明所提出的小電流接地故障選線方法不僅具有較高的精度
- 圖像壓縮感知融合技術(shù)探究
像融合技術(shù)和壓縮感知理論，通過(guò)對(duì)壓縮感知理論和非下采樣contourlet變換的研究，將其應(yīng)用在圖像信息融合領(lǐng)域，提出了一個(gè)有創(chuàng)新性的圖像融合新算法，并改進(jìn)現(xiàn)有的圖像壓縮感知重構(gòu)算法，在相同的信息源下，取得更好的重構(gòu)圖像質(zhì)量。關(guān)鍵詞：小波變換;圖像融合;壓縮感知中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）35-0202-02開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：1 背景近些年來(lái)，例如金字塔融合、離散小波變換融合
電腦知識(shí)與技術(shù) 2020年35期2020-06-07
- 多源數(shù)據(jù)融合的壓縮感知算法在智能交通中的應(yīng)用研究
究現(xiàn)狀，利用壓縮感知的基本理論，進(jìn)行智能交通中數(shù)據(jù)融合與重構(gòu)算法。最后，總結(jié)壓縮感知應(yīng)用于智能交通網(wǎng)，以實(shí)現(xiàn)智能交通網(wǎng)絡(luò)中的數(shù)據(jù)采集。智能交通網(wǎng)的數(shù)據(jù)采集的數(shù)據(jù)多、數(shù)據(jù)雜，本文提出壓縮感知理論用于智能交通網(wǎng)的數(shù)據(jù)采集，降低數(shù)據(jù)量，提高有效數(shù)據(jù)的采集，采用的重構(gòu)算法實(shí)現(xiàn)數(shù)據(jù)的重構(gòu)，保證信號(hào)重構(gòu)的精確性和穩(wěn)定性，保證網(wǎng)絡(luò)傳輸信息的準(zhǔn)確性。最后給出了仿真分析論證。關(guān)鍵詞 數(shù)據(jù)融合;壓縮感知;重構(gòu)算法;智能交通引言智能交通系統(tǒng)網(wǎng)絡(luò)中，采用了大量不同類型的傳感器，比
科學(xué)與信息化 2020年3期2020-04-17
- 一種優(yōu)化的核磁共振圖像重建方法
斷中的應(yīng)用，壓縮感知理論提供了解決問(wèn)題的新思路，可以利用圖像稀疏性壓縮信息并通過(guò)數(shù)學(xué)模型重建圖像，方法的關(guān)鍵是模型和算法。本文提出了聯(lián)合先驗(yàn)的重建模型，改進(jìn)了迭代閾值法和增廣拉格朗日法，并通過(guò)對(duì)比實(shí)驗(yàn)證明了優(yōu)化后圖像重建方法的有效性。關(guān)鍵詞：核磁共振圖像;壓縮感知;聯(lián)合先驗(yàn)?zāi)Ｐ?拉格朗日算法中圖分類號(hào)：TP311文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）04-0211-02收稿日期：2019-11-02作者簡(jiǎn)介：郭姿鷸（1994—），女，云南楚
電腦知識(shí)與技術(shù) 2020年4期2020-04-14
- 壓縮感知技術(shù)現(xiàn)狀與展望
孫業(yè)偉摘要：壓縮感知最吸引人的地方在于它直接在采樣的前端能夠以相對(duì)于傳統(tǒng)更加低的采樣率采集信號(hào)。當(dāng)然這是由于我們掌握了信息的稀疏屬性，所以當(dāng)我們知道關(guān)于信號(hào)的更多先知條件時(shí)，那么更加詳細(xì)的采取信息的效率，也就有可能增加。本文綜述了壓縮感知基本原理，介紹了信號(hào)稀疏表示、理論應(yīng)用和未來(lái)展望等內(nèi)容以及壓縮感知理論研究現(xiàn)狀和在相關(guān)領(lǐng)域的應(yīng)用。關(guān)鍵詞：壓縮感知;稀疏表示;理論應(yīng)用;未來(lái)展望引言隨著科學(xué)技術(shù)的飛速發(fā)展，社會(huì)各領(lǐng)域所需要的信息也逐步增加，信息的采取就是模
信息技術(shù)時(shí)代·中旬刊 2020年5期2020-04-07
- 基于壓縮感知的寬測(cè)繪帶海面運(yùn)動(dòng)目標(biāo)多普勒補(bǔ)償成像算法
，同時(shí)利用了壓縮感知技術(shù)進(jìn)行解距離模糊。由于正交編碼對(duì)海面目標(biāo)的運(yùn)動(dòng)特性比較敏感，編碼信號(hào)的脈內(nèi)多普勒特性將影響距離模糊的求解性能。對(duì)編碼信號(hào)的脈內(nèi)多普勒特性進(jìn)行推導(dǎo)與分析，得到脈內(nèi)多普勒特性體現(xiàn)為距離快時(shí)間的頻移且該頻移量等于方位慢時(shí)間的多普勒頻率。因此，提出了在回波信號(hào)的距離時(shí)域方位多普勒域進(jìn)行編碼信號(hào)的脈內(nèi)多普勒特性補(bǔ)償算法，通過(guò)仿真試驗(yàn)分析證實(shí)所提出方法的有效性。關(guān)鍵詞：合成孔徑雷達(dá)；壓縮感知；正交編碼；寬測(cè)繪帶成像；多普勒補(bǔ)償中圖分類號(hào)：TN95
航空科學(xué)技術(shù) 2020年6期2020-02-04
- 基于多尺度變換的壓縮感知目標(biāo)跟蹤算法研究
題。關(guān)鍵詞：壓縮感知;哈爾特征;貝葉斯分類器中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）09-0123-020 引言目標(biāo)跟蹤的魯棒性必須滿足高穩(wěn)定性和實(shí)時(shí)性這兩個(gè)相互競(jìng)爭(zhēng)的要求。壓縮感知指出，原始的高維稀疏或可壓縮信號(hào)可以由低維信號(hào)重構(gòu)，低維信號(hào)的維數(shù)遠(yuǎn)遠(yuǎn)小于奈奎斯特采樣數(shù)。本文提出根據(jù)哈爾特征的維數(shù)自適應(yīng)地確定矩陣的稀疏性和列數(shù)的方法改變目標(biāo)跟蹤矩形區(qū)域尺寸。1基本原理1.1壓縮感知和隨機(jī)投影理論2.3 算法流程多尺度
數(shù)字技術(shù)與應(yīng)用 2019年9期2019-12-13
- 基于壓縮感知的信號(hào)重構(gòu)與DOA估計(jì)
的分辨率。在壓縮感知理論的基礎(chǔ)上，從波達(dá)方向估計(jì)信號(hào)的空間特性出發(fā)，引入了一種協(xié)方差向量稀疏表示的波達(dá)方向估計(jì)算法。仿真結(jié)果表明，所提算法與傳統(tǒng)算法相比波達(dá)方向估計(jì)的分辨率有所提高，在采樣數(shù)據(jù)相對(duì)較少的情況下也能精確恢復(fù)原信號(hào)。關(guān)鍵詞：壓縮感知;波達(dá)方向估計(jì);重構(gòu)算法;分辨率;壓縮感知;協(xié)方差向量中圖分類號(hào)：TP39文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-1302（2019）11-00-030 引 言通過(guò)陣列傳感器接收的信號(hào)來(lái)實(shí)現(xiàn)空間信源的定位是信號(hào)處理領(lǐng)域的一
物聯(lián)網(wǎng)技術(shù) 2019年11期2019-12-11
- 基于Kalman濾波與樣本加權(quán)的壓縮感知跟蹤算法
摘 要：針對(duì)壓縮感知跟蹤算法在目標(biāo)移動(dòng)過(guò)快時(shí)易丟失跟蹤目標(biāo)和跟蹤準(zhǔn)確性不高的缺點(diǎn)，提出了改進(jìn)的壓縮感知跟蹤算法。該算法引入加權(quán)函數(shù)輔助判斷正負(fù)樣本，使用加權(quán)后的樣本計(jì)算特征找到下一幀的目標(biāo)中心位置，當(dāng)目標(biāo)移動(dòng)過(guò)快時(shí)，使用卡爾曼濾波對(duì)當(dāng)前幀目標(biāo)位置進(jìn)行預(yù)測(cè)。對(duì)不同測(cè)試序列的跟蹤結(jié)果表明，改進(jìn)后算法能夠穩(wěn)定跟蹤目標(biāo)，有效地解決了目標(biāo)移動(dòng)過(guò)快時(shí)易丟失跟蹤目標(biāo)的問(wèn)題，并且具有較高的準(zhǔn)確性。關(guān)鍵詞： 壓縮感知;加權(quán)函數(shù);卡爾曼;準(zhǔn)確性【Abstract】 Aimin
智能計(jì)算機(jī)與應(yīng)用 2019年5期2019-12-05
- 壓縮感知中RIP界的研究新進(jìn)展
要：該文對(duì)壓縮感知（稀疏恢復(fù)）問(wèn)題的研究背景以及研究模型進(jìn)行了詳細(xì)闡述，并對(duì)基于最小化的恢復(fù)模型準(zhǔn)確恢復(fù)未知稀疏信號(hào)的恢復(fù)條件進(jìn)行系統(tǒng)介紹，最后對(duì)基于約束等距條件（RIP）條件的恢復(fù)結(jié)果進(jìn)行歸納總結(jié)。關(guān)鍵詞：壓縮感知? 稀疏? RIP條件中圖分類號(hào)：O29 ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2019）09（c）-0237-02現(xiàn)今社會(huì)處于大數(shù)據(jù)研究時(shí)代，海量數(shù)據(jù)帶來(lái)更多信息，但也帶來(lái)了數(shù)據(jù)信號(hào)存儲(chǔ)、傳輸和分析的困難。近年來(lái)，由菲爾茲獎(jiǎng)獲
科技資訊 2019年27期2019-11-30
- 壓縮數(shù)據(jù)分離問(wèn)題研究
：本文首先對(duì)壓縮感知的背景進(jìn)行細(xì)致地闡述，然后對(duì)可分離稀疏信號(hào)恢復(fù)問(wèn)題進(jìn)行介紹，最后基于D-RIP條件，總結(jié)了高斯隨機(jī)測(cè)量下的數(shù)據(jù)分離結(jié)果。關(guān)鍵詞：壓縮感知;數(shù)據(jù)分離;隨機(jī)矩陣中圖分類號(hào)：O29 ?文獻(xiàn)標(biāo)識(shí)碼：A近年來(lái)高維數(shù)據(jù)處理問(wèn)題已經(jīng)成為研究熱點(diǎn)問(wèn)題，特別是現(xiàn)金社會(huì)中海量的數(shù)據(jù)信息給人們帶來(lái)了便利，但也帶來(lái)了數(shù)據(jù)的存儲(chǔ)、傳輸和分析的困難。因此，高維數(shù)據(jù)處理問(wèn)題成為研究者們極為關(guān)注的問(wèn)題。近十余年來(lái)逐漸興起的壓縮感知理論為高維數(shù)據(jù)處理問(wèn)題帶來(lái)了新的變革，
科技風(fēng) 2019年29期2019-11-23
- 基于Logistic混沌Bernoulli測(cè)量矩陣的壓縮感知研究
孫中廷摘要：壓縮感知中測(cè)量矩陣是數(shù)據(jù)采樣和信號(hào)重構(gòu)的關(guān)鍵，傳統(tǒng)測(cè)量矩陣存在重構(gòu)計(jì)算復(fù)雜度高、內(nèi)存耗用大和隨機(jī)不可控等問(wèn)題。利用Logistic混沌序列優(yōu)良的隨機(jī)特性，對(duì)Bernoulli測(cè)量矩陣進(jìn)行改進(jìn)，提出一種復(fù)雜度較低的混沌Bernoulli測(cè)量矩陣。首先通過(guò)Logistic混沌系統(tǒng)產(chǎn)生混沌序列，然后運(yùn)用符號(hào)函數(shù)進(jìn)行映射生成Bernoulli分布的隨機(jī)序列，最后將其構(gòu)造為測(cè)量矩陣并在一維信號(hào)和二維圖像的采樣、重構(gòu)中應(yīng)用。仿真結(jié)果表明，基于Logisti
電腦知識(shí)與技術(shù) 2019年27期2019-11-11
- 基于壓縮感知的陣列信號(hào)測(cè)向算法的設(shè)計(jì)與仿真
能。關(guān)鍵詞：壓縮感知；波達(dá)方向估計(jì)；均勻線陣；超完備冗余字典1.課題研究歷史和現(xiàn)狀對(duì)輻射源的信號(hào)采集，進(jìn)行來(lái)波方向（DOA）估計(jì)和信號(hào)源定位，是國(guó)內(nèi)外信號(hào)處理領(lǐng)域極為重視的課題。近年電子技術(shù)發(fā)展迅猛，陣列信號(hào)處理技術(shù)、信號(hào)的DOA估計(jì)等被廣泛應(yīng)用于雷達(dá)、醫(yī)學(xué)成像[1]、無(wú)線通信、電子對(duì)抗、天文等領(lǐng)域。早期的比幅法、比相法等，無(wú)法實(shí)現(xiàn)滿足要求的高精度測(cè)量。如今，在信號(hào)的DOA估計(jì)上，有許多較為成熟的算法，如MUSIC算法[2]（多重信號(hào)分類算法）、ESPRI
科學(xué)與財(cái)富 2019年20期2019-10-21
- 稀疏度自適應(yīng)回溯追蹤算法改進(jìn)
摘 要：針對(duì)壓縮感知重構(gòu)算法中信號(hào)稀疏度未知和步長(zhǎng)大小固定的問(wèn)題，提出一種新的壓縮感知信號(hào)重構(gòu)算法，即基于弱選擇的稀疏度自適應(yīng)回溯追蹤（SPWAMP）算法。該算法將自適應(yīng)思想、變步長(zhǎng)迭代思想與回溯思想相結(jié)合，在未知信號(hào)稀疏度的情況下，利用閾值方法選取預(yù)選集，通過(guò)變步長(zhǎng)更新支撐集原子個(gè)數(shù)并結(jié)合回溯思想剔除不可靠原子，最終實(shí)現(xiàn)信號(hào)精確重構(gòu)。仿真結(jié)果表明，當(dāng)信號(hào)稀疏度K達(dá)到65時(shí)，該算法重構(gòu)精度相對(duì)稀疏度自適應(yīng)匹配追蹤（SAMP）算法提高了40%，而此時(shí)正交匹配
軟件導(dǎo)刊 2019年8期2019-10-15
- 基于變換域的壓縮感知快速重構(gòu)算法
姣姣摘 要：壓縮感知是信號(hào)處理領(lǐng)域熱門(mén)研究課題，其應(yīng)用前提為原信號(hào)是稀疏或可壓縮的。時(shí)域非稀疏信號(hào)可以變換為頻域稀疏信號(hào)，但變換后的信號(hào)和傳感矩陣表示形式為復(fù)數(shù)，增加了重構(gòu)復(fù)雜度。為了降低復(fù)雜度，提高信號(hào)重構(gòu)效率，提出一種基于實(shí)變換的重構(gòu)算法，該算法將復(fù)數(shù)形式的稀疏信號(hào)和傳感矩陣的實(shí)部和虛部分離后再參與重構(gòu)。與傳統(tǒng)重構(gòu)算法相比，該算法改善了重構(gòu)信號(hào)的均方誤差，明顯縮短了重構(gòu)時(shí)間，極大提高了信號(hào)重構(gòu)效率。關(guān)鍵詞：壓縮感知;頻域分析;稀疏信號(hào);傳感矩陣;實(shí)變換
軟件導(dǎo)刊 2019年7期2019-10-11
- 基于VMD的瓦斯信號(hào)自適應(yīng)壓縮感知算法
元紅摘要：將壓縮感知算法和變分模態(tài)分解相結(jié)合，應(yīng)用于煤礦瓦斯數(shù)據(jù)的處理?？紤]到現(xiàn)有的壓縮感知算法在對(duì)瓦斯處理的過(guò)程中存在著重構(gòu)精度低，重構(gòu)過(guò)程復(fù)雜和需要較多的樣本觀測(cè)值等問(wèn)題，因此提出一種基于VMD和自適應(yīng)觀測(cè)矩陣的壓縮感知算法，有效解決了以較少的樣本觀測(cè)值數(shù)據(jù)實(shí)現(xiàn)信號(hào)高精度重構(gòu)的問(wèn)題，同時(shí)自適應(yīng)地選擇觀測(cè)矩陣，避免了對(duì)稀疏信號(hào)的同類化投影選擇。首先將瓦斯信號(hào)經(jīng)過(guò)VMD進(jìn)行分離，得到一系列瓦斯信號(hào)的本征模態(tài)函數(shù)分量，通過(guò)設(shè)定閾值保留有效信息，使得信號(hào)更加稀
- 基于平克斯公式的l1-l2優(yōu)化算法改進(jìn)
范志勇摘要：壓縮感知的各種重構(gòu)算法中，如何優(yōu)化算法，使重構(gòu)精度變高是研究的重點(diǎn)，本文基于平克斯公式，在l1- l2算法的基礎(chǔ)上進(jìn)行改進(jìn)，實(shí)現(xiàn)正則參數(shù)的優(yōu)化選擇，從而提高重構(gòu)精度.關(guān)鍵詞：壓縮感知 重構(gòu)算法 平克斯公式引言壓縮感知理論克服了原始采樣方法對(duì)信號(hào)采樣率的要求，避免了資源的浪費(fèi)，提高了信號(hào)采樣的效率，求解壓縮感知優(yōu)化問(wèn)題，國(guó)內(nèi)外大概分為三類基本方法：匹配追蹤類算法、凸松弛類算法以及組合算法，各種基本方法進(jìn)行延伸，進(jìn)而發(fā)展了多種重構(gòu)算法，本文在-/2
數(shù)碼世界 2019年5期2019-09-09
- 基于壓縮感知和深度小波網(wǎng)絡(luò)的列車(chē)故障識(shí)別
出了一種基于壓縮感知和深度小波神經(jīng)網(wǎng)絡(luò)（CS-DWNN）的列車(chē)故障識(shí)別方法。首先，對(duì)采集得到的列車(chē)走行部振動(dòng)信號(hào)利用高斯隨機(jī)矩陣進(jìn)行壓縮采樣;其次，構(gòu)建以改進(jìn)小波自編碼器（WAE）為基礎(chǔ)的深層小波網(wǎng)絡(luò)，將壓縮后的信號(hào)直接輸入網(wǎng)絡(luò)進(jìn)行自動(dòng)逐層特征提取;最后，用DWNN學(xué)習(xí)到的多層特征分別訓(xùn)練多個(gè)深度支持向量機(jī)（DSVM）和深度森林（DF）分類器，并將識(shí)別結(jié)果進(jìn)行集成。該方法利用深層小波網(wǎng)絡(luò)從壓縮信號(hào)中自動(dòng)挖掘隱藏的故障信息，受先驗(yàn)知識(shí)和主觀影響較小，并且避免
計(jì)算機(jī)應(yīng)用 2019年7期2019-09-04
- 信號(hào)與系統(tǒng)中基于抽樣定理的教學(xué)內(nèi)容總結(jié)與分析
特性以及基于壓縮感知的抽樣等知識(shí)的討論。關(guān)鍵詞：信號(hào)與系統(tǒng)；窄帶信號(hào)；抽樣定理；壓縮感知中圖分類號(hào)：G642.0 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-9324（2019）34-0255-02一、引言信號(hào)與系統(tǒng)有一個(gè)十分重要的知識(shí)點(diǎn)“抽樣定理”[1-4]，它是連續(xù)信號(hào)和離散信號(hào)相互轉(zhuǎn)換而使信息不丟失的理論依據(jù)，在數(shù)字信號(hào)處理、通信原理、數(shù)字圖像處理等課程中有重要的應(yīng)用，因而深入學(xué)習(xí)和掌握抽樣定理是非常重要的。二、時(shí)域抽樣分析四、頻域抽樣定理的分析五、結(jié)語(yǔ)抽樣
教育教學(xué)論壇 2019年34期2019-08-21
- 稀疏度自適應(yīng)分段正交匹配追蹤算法改進(jìn)
要：在基于壓縮感知的信號(hào)重構(gòu)問(wèn)題中，有一類常見(jiàn)情況——未知信號(hào)稀疏度。針對(duì)此類情況，提出稀疏度自適應(yīng)分段正交匹配追蹤（Sparsity Adaptive Stagewise Orthogonal Matching Pursuit，SAStOMP）算法，該算法將自適應(yīng)思想、變步長(zhǎng)迭代思想與分段正交思想相結(jié)合，在未知信號(hào)稀疏度的情況下，自適應(yīng)地選擇支撐集原子的個(gè)數(shù)，最終實(shí)現(xiàn)信號(hào)的精確重構(gòu)。仿真結(jié)果表明，針對(duì)長(zhǎng)度為256位的原始信號(hào)，該算法重建效果優(yōu)于正交匹配
軟件工程 2019年7期2019-08-06
- 基于壓縮感知的移動(dòng)群智感知任務(wù)分發(fā)機(jī)制
題，提出基于壓縮感知的移動(dòng)群智感知任務(wù)分發(fā)（CS-TD）機(jī)制。首先提出了感知任務(wù)整體成本模型，該模型綜合考慮了參與感知任務(wù)的節(jié)點(diǎn)個(gè)數(shù)、節(jié)點(diǎn)的感知次數(shù)與數(shù)據(jù)上傳次數(shù);然后基于成本模型，分析感知節(jié)點(diǎn)的日常移動(dòng)軌跡，結(jié)合壓縮感知數(shù)據(jù)采集技術(shù)，提出了一種基于感知節(jié)點(diǎn)軌跡的壓縮感知采樣方法;其次通過(guò)區(qū)域覆蓋最小節(jié)點(diǎn)區(qū)域全覆蓋最少節(jié)點(diǎn)（RCLN）此處的描述，與引言中“區(qū)域全覆蓋最少節(jié)點(diǎn)（Region Covers Least Nodes， RCLN）”是一個(gè)意思嗎？二
計(jì)算機(jī)應(yīng)用 2019年1期2019-08-01
- 壓縮感知在無(wú)線傳感器網(wǎng)絡(luò)中的應(yīng)用研究
號(hào)。關(guān)鍵詞：壓縮感知;無(wú)線傳感網(wǎng)絡(luò);稀疏表示;測(cè)量矩陣無(wú)線傳感器網(wǎng)絡(luò)是由分布在監(jiān)測(cè)區(qū)域內(nèi)的大量傳感器節(jié)點(diǎn)通過(guò)無(wú)線通信方式形成的一個(gè)自組織網(wǎng)絡(luò)系統(tǒng)。該系統(tǒng)的目的是協(xié)作感知、采集和處理網(wǎng)絡(luò)覆蓋區(qū)域里被監(jiān)測(cè)對(duì)象的信息，并將結(jié)果發(fā)送給用戶。在感知和采集過(guò)程中，由于無(wú)線傳感器網(wǎng)絡(luò)包含大量傳感器節(jié)點(diǎn)，每個(gè)傳感器節(jié)點(diǎn)采集大量的數(shù)據(jù)，這些數(shù)據(jù)將傳輸?shù)揭粋€(gè)中心控制節(jié)點(diǎn)，也會(huì)在各個(gè)節(jié)點(diǎn)之間傳輸，這種分布式傳感網(wǎng)絡(luò)的數(shù)據(jù)傳輸，對(duì)數(shù)據(jù)傳輸功耗和帶寬需求非常大，所以，如何對(duì)無(wú)線傳感
無(wú)線互聯(lián)科技 2019年8期2019-07-08
- 基于單層小波變換的圖像融合壓縮感知研究
層小波變換與壓縮感知相結(jié)合的圖像融合新方法，僅通過(guò)測(cè)量圖像的高頻小波系數(shù)且保留了低頻小波系數(shù)，利用不同的方案對(duì)低頻小波系數(shù)和高頻小波系數(shù)的測(cè)量進(jìn)行融合。結(jié)合總變分（TV）最小化算法和融合測(cè)量來(lái)恢復(fù)高頻小波系數(shù)，運(yùn)用逆小波變換對(duì)融合圖像進(jìn)行重建。實(shí)驗(yàn)表明，該方法具有良好的融合性能和較低的計(jì)算復(fù)雜度。關(guān)鍵詞：圖像融合;壓縮感知;單層小波變換中圖分類號(hào)：TP751.1 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)
計(jì)算技術(shù)與自動(dòng)化 2019年2期2019-07-05
- 基于矩陣填充理論的R-D算法
填充理論中的壓縮感知對(duì)被干擾、擾動(dòng)的觀測(cè)信號(hào)進(jìn)行重構(gòu)和恢復(fù)，降低微多普勒帶來(lái)的頻帶影響，從而提高SAR圖像對(duì)比度。關(guān)鍵詞：SAR 矩陣填充;多普勒;壓縮感知;R-D算法;微多普勒DOI：10. 11907/rjdk. 182360中圖分類號(hào)：TP312文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2019）001-0086-05Abstract： In view of the fact that the rigid object assumption is
軟件導(dǎo)刊 2019年1期2019-06-07
- 壓縮感知在圖像處理中的應(yīng)用
吳江月摘要：壓縮感知是最近幾年的研究熱點(diǎn)，有很多領(lǐng)域都與之相結(jié)合，既有創(chuàng)新也提高了效率。它是一種新的采樣理論，利用隨即采樣獲取一些包含全部信息的少量信號(hào)，然后使用非線性重建算法來(lái)恢復(fù)原始信息。將CS與圖像處理相結(jié)合，可以減少壓縮成本和采集數(shù)據(jù)的代價(jià)，提高圖像處理傳統(tǒng)技術(shù)的效率。該文主要對(duì)CS在圖像恢復(fù)中的應(yīng)用進(jìn)行研究，敘述了壓縮感知的理論，以及稀疏矩陣、矩陣填充、重構(gòu)算法等。最后，與傳統(tǒng)的圖像恢復(fù)技術(shù)相比較，總結(jié)出存在的不足和改進(jìn)，并對(duì)其未來(lái)的發(fā)展進(jìn)行展望
電腦知識(shí)與技術(shù) 2019年4期2019-05-24
- 基于L1加權(quán)壓縮感知下的車(chē)輛分類
龔火青摘要：壓縮感知在信息技術(shù)和信號(hào)處理領(lǐng)域引起了廣泛關(guān)注，因?yàn)樗峁┝艘环N替代的，無(wú)冗余的信號(hào)壓縮和重建方法。它利用信號(hào)的“稀疏性”來(lái)對(duì)序列進(jìn)行欠采樣并重建，而不添加由Shannon-Nyquist采樣定理建立的混疊噪聲。然而，由于使用非線性重建多項(xiàng)式，重建方法是昂貴的。本文為了增強(qiáng)聲信號(hào)源在變換域中的稀疏性，提出一種L1-加權(quán)迭代軟閾值算法（L1-IST），并與現(xiàn)有的稀疏信號(hào)恢復(fù)方法，壓縮采樣匹配追蹤（CoSaMP）與迭代軟閾值算法（IST）進(jìn)行了比較
電腦知識(shí)與技術(shù) 2019年6期2019-05-22
- 基于壓縮感知的管道漏磁檢測(cè)數(shù)據(jù)稀疏化方法
，設(shè)計(jì)了基于壓縮感知的管道漏磁檢測(cè)數(shù)據(jù)稀疏化方法。通過(guò)實(shí)驗(yàn)對(duì)比由不同觀測(cè)矩陣進(jìn)行漏磁數(shù)據(jù)稀疏化的性能，總結(jié)出數(shù)據(jù)稀疏度和觀測(cè)值的數(shù)量對(duì)重構(gòu)準(zhǔn)確率的影響，選出不同類型漏磁數(shù)據(jù)適用的觀測(cè)矩陣，最終設(shè)計(jì)出基于壓縮感知的管道漏磁檢測(cè)數(shù)據(jù)稀疏化方法。關(guān)鍵詞：壓縮感知;觀測(cè)矩陣;稀疏化方法中圖分類號(hào)：V241.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2019）06-0066-020 引言本文主要基于壓縮感知的管道漏磁檢測(cè)數(shù)據(jù)的稀疏化方法研究，文章分析了幾種常
中國(guó)科技縱橫 2019年6期2019-05-08
- 基于MT-BCS的可分離DOA估計(jì)算法
OA估計(jì); 壓縮感知; 貝葉斯; 多任務(wù)貝葉斯壓縮感知; 分辨率; 算法復(fù)雜度中圖分類號(hào)： TN951?34 ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）06?0010?04Abstract： The constant development of the compressed sensing theory provides a new idea f
現(xiàn)代電子技術(shù) 2019年6期2019-04-04
- 基于壓縮感知的軌道結(jié)構(gòu)故障模式識(shí)別研究
提出一種基于壓縮感知的軌道結(jié)構(gòu)故障模式識(shí)別方法。該方法通過(guò)設(shè)計(jì)重構(gòu)信號(hào)的稀疏基與測(cè)量矩陣，將原始振動(dòng)信號(hào)稀疏重構(gòu)，解決了軌道振動(dòng)信號(hào)在設(shè)計(jì)分類器時(shí)會(huì)出現(xiàn)“過(guò)擬合”的問(wèn)題。通過(guò)構(gòu)造11個(gè)特征征兆指標(biāo)，研究重構(gòu)后的數(shù)據(jù)特征征兆指標(biāo)分布規(guī)律，解決了數(shù)據(jù)集維度高的問(wèn)題。將特征征兆指標(biāo)兩兩組合，結(jié)合密度聚類算法，成功區(qū)分軌道結(jié)構(gòu)正常工況、道床板結(jié)工況、道床翻漿工況和軌枕空吊工況。利用歸一化互信息（NMI）指標(biāo)評(píng)價(jià)密度聚類結(jié)果有效性。算例表明，該方法實(shí)現(xiàn)了大量樣本下軌
智能計(jì)算機(jī)與應(yīng)用 2019年6期2019-03-11
- 基于壓縮感知的磁共振成像降噪處理方法
摘要：壓縮感知即通過(guò)信號(hào)稀疏性進(jìn)行全新信號(hào)采樣，優(yōu)勢(shì)在于信號(hào)測(cè)量數(shù)據(jù)量非常小，因此其在醫(yī)學(xué)磁共振成像處理、無(wú)線通信等領(lǐng)域已實(shí)現(xiàn)了普遍應(yīng)用。稀疏信號(hào)重新構(gòu)建是基于壓縮感知的磁共振成像領(lǐng)域的核心問(wèn)題。由于存在噪聲問(wèn)題，磁共振成像重建質(zhì)量備受影響，而壓縮感知可有效解決這一問(wèn)題，所以，本文提出了基于壓縮感知的磁共振成像降噪處理方法。關(guān)鍵詞：壓縮感知;磁共振成像;降噪處理中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2019）34-0188-0
電腦知識(shí)與技術(shù) 2019年34期2019-03-04
- 基于壓縮感知的紅外人臉識(shí)別
然摘? 要：壓縮感知理論是一種全新的數(shù)據(jù)采集技術(shù)，其采用非自適應(yīng)線性投影來(lái)保持信號(hào)的原始結(jié)構(gòu)，通過(guò)數(shù)值最優(yōu)化問(wèn)題準(zhǔn)確重構(gòu)原始信號(hào)。本文利用壓縮感知的優(yōu)秀特性，采用基于稀疏表示的模式分類方法，通過(guò)提取紅外人臉圖像的全部信息作為特征并建立特征矩陣，將待識(shí)別人臉作為壓縮感知測(cè)量值，并通過(guò)正交匹配追蹤算法進(jìn)行重構(gòu)，根據(jù)重構(gòu)的稀疏系數(shù)所屬類別進(jìn)行紅外人臉識(shí)別。實(shí)驗(yàn)表明，基于壓縮感知的紅外人臉識(shí)別結(jié)果準(zhǔn)確率高。實(shí)驗(yàn)驗(yàn)證了本算法的有效性。關(guān)鍵詞：壓縮感知;稀疏表示;紅外
軟件工程 2019年1期2019-02-08
- 基于非凸低秩優(yōu)化的壓縮感知植株圖像重構(gòu)
礎(chǔ)。傳統(tǒng)圖像壓縮感知方法大多是針對(duì)信號(hào)在某個(gè)特征空間的稀疏性進(jìn)行的，并沒(méi)有考慮信號(hào)的局部特征與結(jié)構(gòu)化特性，存在重構(gòu)效率不高、重構(gòu)精度較低等問(wèn)題。針對(duì)以上情況，提出一種基于非凸低秩優(yōu)化的壓縮感知植株圖像重構(gòu)算法。首先通過(guò)KinectV2.0采集植株圖像深度數(shù)據(jù)并進(jìn)行預(yù)處理，結(jié)合K-means與Mean-shift聚類算法提取目標(biāo)植株有效區(qū)域，再考慮圖像的非局部自相似性，采用加權(quán)l(xiāng)p范數(shù)最小化算法（wsNM）求解低秩優(yōu)化問(wèn)題，較好地保留了圖像結(jié)構(gòu)細(xì)節(jié)，最后采用
軟件導(dǎo)刊 2019年12期2019-02-07
- 以壓縮感知為基礎(chǔ)的語(yǔ)音數(shù)字編碼技術(shù)
儲(chǔ)。文章基于壓縮感知，對(duì)語(yǔ)音編碼技術(shù)進(jìn)行詳細(xì)分析。關(guān)鍵詞：壓縮感知;基礎(chǔ);語(yǔ)音數(shù)字;編碼技術(shù)壓縮感知技術(shù)能夠?qū)崿F(xiàn)對(duì)信號(hào)在采樣的同時(shí)進(jìn)行壓縮，因此，受到信號(hào)處理行業(yè)的重視。對(duì)于數(shù)字語(yǔ)音處理來(lái)說(shuō)，采樣之后的量化編碼是比較重要的一部分，在這樣的背景下，本文以壓縮感知作為基礎(chǔ)，研究語(yǔ)音數(shù)字編碼技術(shù)，希望以此能夠?yàn)橄嚓P(guān)人士提供參考。1? ? 概述壓縮感知壓縮感知，又名壓縮采樣、稀疏采樣，從本質(zhì)上來(lái)講是查找欠定線性系統(tǒng)的一種稀疏技術(shù)，這項(xiàng)技術(shù)被廣泛應(yīng)用于電子工程領(lǐng)域，
無(wú)線互聯(lián)科技 2019年21期2019-01-06
- 運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法綜述
方法；最后對(duì)壓縮感知理論進(jìn)行簡(jiǎn)介，并對(duì)基于該理論的兩種算法：稀疏表示的目標(biāo)跟蹤算法和實(shí)時(shí)壓縮感知目標(biāo)跟蹤算法做出系統(tǒng)的描述。關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測(cè)；運(yùn)動(dòng)目標(biāo)跟蹤；壓縮感知；稀疏表示；特征提取中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）24-0194-04Abstract：Moving target detection and tracking are widely used in multimedia images， vi
電腦知識(shí)與技術(shù) 2018年24期2018-11-26
- 淺析矩陣填充方法
理論研究成為壓縮感知技術(shù)的一個(gè)研究熱點(diǎn).在實(shí)際的應(yīng)用領(lǐng)域中涉及對(duì)高維數(shù)據(jù)的分析與處理，可以運(yùn)用矩陣填充的方法來(lái)解決。其過(guò)程主要是：通過(guò)觀測(cè)到的局部數(shù)據(jù)來(lái)準(zhǔn)確填充缺失數(shù)據(jù)，從而獲得完整數(shù)據(jù)矩陣的過(guò)程。該文先介紹了壓縮感知技術(shù)、矩陣填充方式的低秩矩陣填充、魯棒主成分分析兩種矩陣填充方式的數(shù)據(jù)模型的典范應(yīng)用，并預(yù)測(cè)了壓縮感知知識(shí)將來(lái)探索的領(lǐng)域。關(guān)鍵詞：壓縮感知； 矩陣填充； 低秩矩陣填充； 魯棒主成分分析；稀疏中圖分類號(hào)：TP3-05 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：
電腦知識(shí)與技術(shù) 2018年23期2018-11-26