本文關鍵詞：1-BIT壓縮感知算法及其應用研究　出處：《電子科技大學》2016年博士論文　論文類型：學位論文

  更多相關文章： 1-Bit壓縮感知 稀疏重建 pinball損失函數 矩陣重構 矩陣素描

【摘要】：傳統(tǒng)信號處理理論中,采樣過程需遵循奈奎斯特(Nyqusit)采樣定理,即采樣頻率至少是信號帶寬的兩倍,然而,隨著信息需求量的日益增加,信號帶寬越來越寬,在信息獲取過程中對采樣速率和數據處理速度提出了越來越高的要求,對相應的硬件設備帶來了極大的挑戰(zhàn)。由Donoho和Candès提出的壓縮感知理論指導下的信號采樣率要遠遠低于Nyquist采樣率。在實際系統(tǒng)中,為方便存儲和傳輸,采樣數據需要被量化,由此引入了對量化壓縮感知的研究,由于1-Bit壓縮感知實現方便,受到了極大的關注。當前的1-Bit壓縮感知重構算法主要包括固定點延拓算法,匹配符號追蹤算法,二元迭代硬門限算法以及其衍生算法。其中,二元迭代硬門限算法性能最優(yōu),但是,它要求已知信號的稀疏度,而信號的稀疏度在實際應用中往往是未知量,如何在稀疏度未知的前提下,利用1-Bit采樣值有效地重構信號是當前大多數重構算法存在的問題;其次,受噪聲的影響,采樣數據的符號信息可能發(fā)生改變,即出現符號跳變現象,而二元迭代硬門限及其衍生算法不能有效抑制符號跳變的影響,雖然自適應野值追蹤技術可以提高其抗符號跳變能力,但是其信號重構性能在符號跳變數較多的情況下會出現較大的衰減,這也是目前1-Bit壓縮感知算法存在的一個主要問題。此外,當前大多數1-Bit壓縮感知算法都是針對一維信號的重構,很少可以用來快速重構稀疏矩陣。針對這些問題,本文提出了一些相應的算法。論文的主要工作概括如下:針對實際應用中信號的稀疏度未知的問題,本文介紹了兩種基于重加權的1-Bit壓縮感知方法。這些方法根據信號元素絕對值的不同,給予不同的加權值,通過梯度下降和軟門限方法,可以在信號稀疏度未知的條件下,有效重構出原始信號。與現有的算法相比,該算法更適用于實際應用。針對二元迭代硬門限算法不能有效處理符號跳變的問題,本文將1-Bit壓縮感知中的信號重構問題看成是分類問題,利用pinball損失函數代替當前算法中的hinge損失函數和線性損失函數,并對pinball損失函數取適當的參數,基于最小化該pinball損失函數的1-Bit壓縮感知方法的性能要優(yōu)于傳統(tǒng)的1-Bit壓縮感知算法。尤其在符號跳變數量較多的情況下,其性能優(yōu)勢更明顯。針對當前1-Bit壓縮感知算法只處理稀疏向量的問題,本文提出了一種快速重構稀疏矩陣的1-Bit壓縮感知方法,該方法結合了矩陣素描(Matrix Sketching)技術,可以以矩陣的形式重構原始矩陣,縮短了計算時間,也提高了矩陣重構精度。此外,我們將該方法用在圖像重構中,利用軟門限方法代替原來的硬門限方法。試驗結果表明,在相同的測量位數的情況下,該算法的重構性能要優(yōu)于傳統(tǒng)的壓縮感知方法。將現有的1-Bit凸優(yōu)化模型推廣到二維的情況,并針對該方法處理符號跳變能力較差的缺點,提出了一種基于最小化pinball損失函數的凸優(yōu)化模型,并給出了求解該問題的算法。試驗結果表明,該算法在符號跳變數量較多的情況下,性能優(yōu)于傳統(tǒng)的方法。
[Abstract]:In the theory of traditional signal processing, the sampling process should follow the Nyquist sampling theorem (Nyqusit), the sampling frequency is at least two times the bandwidth of the signal, however, with the increasing demand, the signal bandwidth is more and more wide, in the process of acquiring information in more and more demands on the sampling rate and the speed of data processing is proposed. Bring a great challenge to the corresponding hardware. Proposed by Donoho and Cand s signal compression perception theory under the guidance of the sampling rate is much lower than the Nyquist sampling rate. In the actual system, for the convenience of storage and transmission, data needs to be quantified, then introduces the research on the quantification of compressed sensing, due to 1-Bit compressed sensing is easy to realize and has attracted great attention. The current 1-Bit compressed sensing reconstruction algorithm mainly includes fixed point continuation algorithm, symbol tracking algorithm, two element iterative hard threshold algorithm And its derivative algorithm. Among them, two yuan of iterative hard threshold algorithm for optimal performance, but it requires a known signal sparsity, and signal sparsity in practical applications is often unknown, how in the premise of unknown sparsity, using 1-Bit sampling signals effectively reconstruction is existed in many reconstruction problems; secondly, under the influence of the noise, sampling data symbol information may change, namely symbol jump phenomenon, while the two element iterative hard threshold and influence derivative algorithm cannot suppress the symbol jump, although adaptive outlier tracking technology can improve the anti symbol jump ability, but the performance of signal reconstruction transitions in the case of many symbols will appear larger attenuation, which is currently one of the main problems in 1-Bit compressed sensing algorithm exists. In addition, most of the current algorithms are 1-Bit compressed sensing needle The reconstruction of one-dimensional signal, rarely can be used to the rapid reconstruction of sparse matrix. To solve these problems, this paper puts forward some corresponding algorithm. The main works are summarized as follows: according to the practical application of the sparse signal of unknown problem, this paper introduces two kinds of heavy weighted 1-Bit method based on compressed sensing. These methods according to the signal the absolute value of different elements, give different weighted values by gradient descent and soft threshold method in the signal sparsity is unknown, effectively reconstruct the original signal. Compared with the existing algorithms, this method is more suitable for practical application. For the two yuan can not effectively deal with the iterative hard threshold algorithm for symbol jump the problem, the problem of signal reconstruction in perceptual 1-Bit compression as a classification problem, using Pinball loss function instead of the current hinge loss function and the loss function of linear loss algorithm And, take appropriate parameters on the pinball performance loss function, minimize the loss function pinball 1-Bit compressed sensing method is superior to the traditional 1-Bit algorithm based on compressed sensing. Especially a large number of symbols in the jump condition, the performance advantage is more obvious. In view of the current 1-Bit compressed sensing algorithm only sparse vector, this paper we propose a fast reconstruction of sparse matrix 1-Bit compressed sensing method, this method combines the matrix sketch (Matrix Sketching) technology, with the original matrix form the reconstruction matrix, shorten the calculation time, but also improve the accuracy of the reconstruction matrix. In addition, we will use this method in image reconstruction, using soft threshold method instead of the original hard threshold method. The experimental results show that the measurement of the same number of bits under the condition that the compressed sensing method to reconstruct the performance of the algorithm is superior to the existing 1-. Bit convex optimization model is extended to two-dimensional case, and the processing method of symbol jump defects of a convex optimization model based on minimizing the pinball loss function, and gives the problem solving algorithm. The experimental results show that the algorithm jump number of symbols in the case of performance superior to the traditional.

【學位授予單位】：電子科技大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TN911.7

【相似文獻】

相關期刊論文 前10條

1 葛磊;武芳;王鵬波;張冬林;;3維建筑綜合中基于最小特征的面平移算法[J];測繪科學技術學報;2009年02期

2 駱雯,孫延明,陳振威,陳錦昌;判斷點與封閉多邊形相對關系的改進算法[J];機械;1999年03期

3 李林;盧顯良;;一種基于切割映射的規(guī)則沖突消除算法[J];電子學報;2008年02期

4 劉巧玲;張紅英;林茂松;;一種簡單快速的圖像去霧算法[J];計算機應用與軟件;2013年07期

5 林亞平,楊小林;快速概率分析進化算法及其性能研究[J];電子學報;2001年02期

6 章郡鋒;吳曉紅;黃曉強;何小海;;基于暗原色先驗去霧的改進算法[J];電視技術;2013年23期

7 楊鐵軍;靳婷;;一種動態(tài)整周模糊值求解算法及其仿真分析[J];系統(tǒng)工程與電子技術;2007年01期

8 周秀玲;郭平;陳寶維;王靜;;幾種計算超體積算法的比較研究[J];計算機工程;2011年03期

9 吳一戎,胡東輝,彭海良;Chirp Scaling SAR成象算法及其實現[J];電子科學學刊;1995年03期

10 王貴竹;一種產生單向分解值的算法[J];安徽大學學報(自然科學版);2001年03期

相關會議論文 前10條

1 尹冀鋒;;一種新的圖象自適應增強算法[A];四川省通信學會一九九二年學術年會論文集[C];1992年

2 寧春平;田家瑋;郭延輝;王影;張英濤;鄭桂霞;劉研;;計算機輔助增強、分割算法在鑒別乳腺良、惡性腫塊中的應用價值[A];中華醫(yī)學會第十次全國超聲醫(yī)學學術會議論文匯編[C];2009年

3 謝麗聰;;SVB查詢改寫算法的改進[A];第二十一屆中國數據庫學術會議論文集（研究報告篇）[C];2004年

4 鄭存紅;;復雜背景下相關跟蹤算法研究及DSP實現[A];中國光學學會2010年光學大會論文集[C];2010年

5 楊文杰;吳軍;;RFID抗沖突算法研究[A];2008通信理論與技術新進展——第十三屆全國青年通信學術會議論文集（上）[C];2008年

6 高山;畢篤彥;魏娜;;一種基于UPF的小目標TBD算法[A];第十四屆全國圖象圖形學學術會議論文集[C];2008年

7 周磊;張衛(wèi)華;王曉奇;張軍;;基于流水算法的智能路障機器人設計[A];2011年全國電子信息技術與應用學術會議論文集[C];2011年

8 潘巍;李戰(zhàn)懷;陳群;索博;李衛(wèi)榜;;面向MapReduce的非對稱分片復制連接算法優(yōu)化技術研究[A];第29屆中國數據庫學術會議論文集（B輯）（NDBC2012）[C];2012年

9 李偉偉;蔡康穎;鄭新;王文成;;3D模型中重復結構的多尺度快速檢測算法[A];第六屆和諧人機環(huán)境聯合學術會議（HHME2010)、第19屆全國多媒體學術會議（NCMT2010）、第6屆全國人機交互學術會議（CHCI2010）、第5屆全國普適計算學術會議（PCC2010）論文集[C];2010年

10 楊任爾;陳懇;勵金祥;;基于棱邊方向檢測的運動自適應去隔行算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

相關重要報紙文章 前1條

1 國泰君安資產管理部;“算法交易”是道指暴跌罪魁禍首?[N];上海證券報;2010年

相關博士學位論文 前10條

1 馮輝;網絡化的并行與分布式優(yōu)化算法研究及應用[D];復旦大學;2013年

2 許玉杰;云計算環(huán)境下海量數據的并行聚類算法研究[D];大連海事大學;2014年

3 李琰;基于貓群算法的高光譜遙感森林類型識別研究[D];東北林業(yè)大學;2015年

4 陳加順;海洋環(huán)境下聚類算法的研究[D];南京航空航天大學;2014年

5 王洋;基于群體智能的通信網絡告警關聯規(guī)則挖掘算法研究[D];太原理工大學;2015年

6 雷雨;面向考試時間表問題的啟發(fā)式進化算法研究[D];西安電子科技大學;2015年

7 熊霖;大數據下的數據選擇與學習算法研究[D];西安電子科技大學;2015年

8 周雷;基于圖結構的目標檢測與分割算法研究[D];上海交通大學;2014年

9 王冰;人工蜂群算法的改進及相關應用的研究[D];北京理工大學;2015年

10 蔣亦樟;多視角和遷移學習識別方法和智能建模研究[D];江南大學;2015年

相關碩士學位論文 前10條

1 姚鑫宇;EMD去噪與MUSIC算法在DOA估計中的聯合應用[D];昆明理工大學;2015年

2 陸進;面向含噪數據聚類相關算法的研究[D];復旦大學;2014年

3 李家昌;基于能量約束的超聲圖像自動分割算法[D];華南理工大學;2015年

4 陳堅;基于密度和約束的數據流聚類算法研究[D];蘭州大學;2015年

5 高健;基于Zynq7000平臺的去霧算法研究及實現[D];南京理工大學;2015年

6 顧磊;基于Hadoop的聚類算法的數據優(yōu)化及其應用研究[D];南京信息工程大學;2015年

7 楊燕霞;基于Hadoop平臺的并行關聯規(guī)則挖掘算法研究[D];四川師范大學;2015年

8 王羽;基于MapReduce的社區(qū)發(fā)現算法的設計與實現[D];南京理工大學;2015年

9 許振佳;流式數據的并行聚類算法研究[D];曲阜師范大學;2015年

10 董琴;人工蜂群算法的改進與應用[D];大連海事大學;2015年

，

本文編號：1363364