本文關(guān)鍵詞：多維稀疏信號重構(gòu)算法研究及應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：信息技術(shù)是實(shí)施精準(zhǔn)農(nóng)業(yè)的重要支撐技術(shù)。隨著現(xiàn)代農(nóng)業(yè)的不斷發(fā)展,海量的多維數(shù)據(jù)獲取變得非常普遍,如圖像、視頻、遙感數(shù)據(jù)等,這些龐大的數(shù)據(jù)增加了編碼端和解碼端的計算復(fù)雜度和內(nèi)存占用率,同時對信道的傳輸也造成了很大的負(fù)擔(dān)。如何充分利用多維信號的內(nèi)在結(jié)構(gòu)特點(diǎn),降低多維信號處理的計算復(fù)雜度和內(nèi)存占用率,是實(shí)施精準(zhǔn)農(nóng)業(yè)的關(guān)鍵前提。本文針對多維稀疏信號重構(gòu)質(zhì)量低、計算復(fù)雜度高的問題開展研究工作,提出了二維子空間追蹤(Two Dimensional Subspace Pursuit,2DSP)重構(gòu)算法和三維正交匹配追蹤(Three Dimensonal Orthogonal Matching Pursuit,3D-OMP)重構(gòu)算法,以提高算法重構(gòu)的質(zhì)量,降低計算復(fù)雜度;同時利用眾核處理器GPU強(qiáng)大的并行計算能力,設(shè)計了并行的3D-OMP重構(gòu)算法,進(jìn)一步提高算法的運(yùn)行速度;并將壓縮感知理論成功應(yīng)用于農(nóng)業(yè)工程領(lǐng)域,解決蘋果果實(shí)病害分類識別的問題。主要研究工作和結(jié)論:(1)針對2D-OMP算法重構(gòu)質(zhì)量不高的問題,提出了改進(jìn)的2DSP重構(gòu)算法。優(yōu)化了支撐集的構(gòu)建方法,以搜索最匹配的子空間的方法替代篩選單個最匹配二維原子的方法,提高了算法的重構(gòu)質(zhì)量,而時間復(fù)雜度和空間復(fù)雜度與2D-OMP重構(gòu)算法相同。實(shí)驗結(jié)果證明,2DSP重構(gòu)算法僅需約120個采樣點(diǎn)就能夠以90%的高概率精確重構(gòu)合成的、大小為64?64的4階稀疏信號,隨著稀疏度變大,高概率精確重構(gòu)需要的采樣點(diǎn)數(shù)相應(yīng)增多;采用真實(shí)的圖像對比分析時,2DSP重構(gòu)算法的PSNR值要高于2D-OMP算法0.5d B左右。(2)針對編碼端全局測量三維信號計算復(fù)雜度高的問題,提出了三維分離采樣(Three Dimensional Separable Operator,3DSO)處理方法,采用單獨(dú)的測量矩陣和稀疏變換基對三維信號的三個維度分離進(jìn)行處理,并對3DSO方法中測量矩陣與稀疏變換矩陣的相關(guān)性以及有限等距性質(zhì)進(jìn)行了詳細(xì)的分析。理論分析表明,3DSO方法壓縮測量效果與全局測量方法相同,但是極大的減小了測量矩陣和稀疏變換矩陣的大小,三維分離測量方法的時間復(fù)雜度和空間復(fù)雜度分別為3O(mn)和3O(mn),均為傳統(tǒng)的全局測量方法的21 m,有效減輕了編碼端的負(fù)擔(dān)。(3)針對三維稀疏信號重構(gòu)時計算復(fù)雜度高的問題,提出了3D-OMP重構(gòu)算法。算法通過在每個迭代循環(huán)中篩選一個最匹配的三維原子,加入支撐集,進(jìn)而建立起一個包含k個最匹配三維原子的支撐集。最后基于支撐集采用最小二乘法實(shí)現(xiàn)三維稀疏信號的重建。理論分析表明,3D-OMP算法的時間復(fù)雜度僅為3O(mn),空間復(fù)雜度為3O(n)。采用合成的三維稀疏信號測試表明,3D-OMP算法僅需約140個采樣點(diǎn)就能夠以90%的高概率精確重構(gòu)大小為16?16?16的4階三維稀疏信號,隨著稀疏度變大,高概率精確重構(gòu)需要的采樣點(diǎn)數(shù)相應(yīng)增多;3D-OMP算法的重構(gòu)質(zhì)量和精確重構(gòu)概率僅次于全局測量方法,優(yōu)于KCS算法;采用真實(shí)的高光譜圖像測試表明,在同樣的壓縮比下,3D-OMP算法的重構(gòu)質(zhì)量與KCS算法相當(dāng),但是算法運(yùn)行速度相對于KCS算法平均提高了163.84s。(4)針對三維信號數(shù)據(jù)量龐大,3D-OMP算法重構(gòu)時耗時依然很長的問題,提出了一種并行3D-OMP重構(gòu)算法,利用眾核處理器GPU強(qiáng)大的并行計算能力對算法中大量的、并行度很高的張量和矩陣運(yùn)算進(jìn)行并行設(shè)計,并采用訪存優(yōu)化、規(guī)約求和、指令級優(yōu)化、負(fù)載均衡等優(yōu)化策略優(yōu)化并行算法。實(shí)驗結(jié)果表明,重構(gòu)算法中耗時最長的三維映射部分并行優(yōu)化后,并行算法相對于采用2o級優(yōu)化后的串行算法的加速比最高可達(dá)390倍,計算殘差部分加速比最高可達(dá)55倍,整個重構(gòu)算法的加速比最高為146倍。(5)針對農(nóng)業(yè)工程領(lǐng)域中的病害識別問題,提出了一種基于壓縮感知理論的蘋果果實(shí)病害識別模型,嘗試?yán)脡嚎s感知理論解決農(nóng)業(yè)工程中的具體問題�；谌我庖粋�病害樣本可以由若干個同屬一類的其他樣本稀疏表示的原理,建立病害的稀疏表示模型,然后采用標(biāo)準(zhǔn)CS重構(gòu)算法求解測試樣本在特征矩陣上的稀疏表示系數(shù),通過對稀疏系數(shù)的分析實(shí)現(xiàn)樣本的分類識別。采用3類常見的蘋果果實(shí)病害:輪紋病、炭疽病和新輪紋病等,每類病害26幅,共78幅病害圖像作為實(shí)驗樣本測試模型。為進(jìn)行對比分析,同時建立了基于支持向量機(jī)的病害識別模型。實(shí)驗結(jié)果表明,基于壓縮感知理論的識別模型對輪紋病、炭疽病和新輪紋病的正確識別率分別為80%、90%和100%,平均正確識別率為90%。支持向量機(jī)識別模型對三種病害的識別率分別為80%、100%和90%,平均正確識別率為90%。因此基于壓縮感知理論的識別模型與成熟的支持向量機(jī)識別模型識別效果相當(dāng)。
【關(guān)鍵詞】：二維子空間追蹤 三維分離處理 三維正交匹配追蹤 眾核處理器 病害識別
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要5-7
• ABSTRACT7-13
• 第1章 緒論13-24
• 1.1 研究背景13-15
• 1.2 國內(nèi)外研究現(xiàn)狀15-20
• 1.2.1 壓縮感知重構(gòu)算法研究現(xiàn)狀15-17
• 1.2.2 基于GPU并行優(yōu)化算法研究現(xiàn)狀17-18
• 1.2.3 壓縮感知理論應(yīng)用研究現(xiàn)狀18-19
• 1.2.4 需要解決的關(guān)鍵問題19-20
• 1.3 研究內(nèi)容20
• 1.4 研究方法與技術(shù)路線20-22
• 1.4.1 研究方法20
• 1.4.2 技術(shù)路線20-21
• 1.4.3 具體研究方案21-22
• 1.5 論文組織結(jié)構(gòu)22-24
• 第2章 二維子空間追蹤重構(gòu)算法24-45
• 2.1 壓縮感知理論24-26
• 2.1.1 稀疏表示24-25
• 2.1.2 測量矩陣25
• 2.1.3 重構(gòu)算法25-26
• 2.22D-OMP重構(gòu)算法26-30
• 2.2.1 算法介紹27-28
• 2.2.2 算法分析28-30
• 2.3 二維子空間追蹤算法30-33
• 2.3.1 基本實(shí)現(xiàn)原理30-32
• 2.3.2 時間復(fù)雜度分析32-33
• 2.3.3 空間復(fù)雜度分析33
• 2.4 實(shí)驗對比分析33-43
• 2.4.1 精確重構(gòu)33-34
• 2.4.2 兩種算法對比分析34-35
• 2.4.3 重構(gòu)質(zhì)量分析35-43
• 2.5 本章小結(jié)43-45
• 第3章 三維正交匹配追蹤重構(gòu)算法45-64
• 3.1 三維分離處理45-49
• 3.1.1 三維稀疏變換和分離測量45-46
• 3.1.2 相關(guān)性分析46-47
• 3.1.3 有限等距性質(zhì)分析47-48
• 3.1.4 編碼端復(fù)雜度分析48-49
• 3.2 三維正交匹配追蹤算法49-54
• 3.2.1 三維原子與字典50-51
• 3.2.2 三維映射51
• 3.2.3 最小二乘法求解51-53
• 3.2.4 迭代求逆53-54
• 3.3 重構(gòu)算法分析54-55
• 3.3.1 時間復(fù)雜度分析54-55
• 3.3.2 空間復(fù)雜度分析55
• 3.4 實(shí)驗對比分析55-62
• 3.4.1 精確重構(gòu)55-56
• 3.4.23D-OMP算法性能分析56-58
• 3.4.3 采用真實(shí)圖像的算法對比分析58-60
• 3.4.4 重構(gòu)質(zhì)量分析60-62
• 3.5 本章小結(jié)62-64
• 第4章 基于GPU并行優(yōu)化重構(gòu)算法研究64-88
• 4.1 并行編程技術(shù)研究64-69
• 4.1.1 NVIDIA GPU硬件架構(gòu)64-67
• 4.1.2 CUDA計算架構(gòu)67-69
• 4.1.3 并行優(yōu)化策略69
• 4.2 3D-OMP算法并行性分析69-73
• 4.2.1 三維映射70-71
• 4.2.2 尋找最大值71
• 4.2.3 迭代求逆71
• 4.2.4 計算向量v71-72
• 4.2.5 估計信號72
• 4.2.6 計算殘差72-73
• 4.3 并行設(shè)計 3D-OMP算法73-80
• 4.3.1 并行設(shè)計三維映射73-74
• 4.3.2 并行設(shè)計尋找最匹配的原子74-75
• 4.3.3 并行設(shè)計迭代求逆75-77
• 4.3.4 并行計算向量77-79
• 4.3.5 并行設(shè)計估值信號79-80
• 4.3.6 并行計算殘差80
• 4.4 實(shí)驗結(jié)果與分析80-86
• 4.4.1 實(shí)驗條件80
• 4.4.2 實(shí)驗對象80-81
• 4.4.3 實(shí)驗方法81
• 4.4.4 實(shí)驗分析與優(yōu)化81-86
• 4.5 本章小結(jié)86-88
• 第5章 基于壓縮感知的病害識別模型研究88-105
• 5.1 圖像獲取與預(yù)處理88-90
• 5.1.1 圖像獲取88
• 5.1.2 圖像預(yù)處理88-90
• 5.2 病斑分割與特征提取90-95
• 5.2.1 基于水平集的病斑分割90-92
• 5.2.2 病斑特征提取92-95
• 5.3 基于壓縮感知理論建立識別模型95-100
• 5.3.1 稀疏表示模型95-97
• 5.3.2 重構(gòu)算法求解97-100
• 5.4 基于支持向量機(jī)建立病害識別模型100-101
• 5.5 實(shí)驗結(jié)果與分析101-103
• 5.5.1 實(shí)驗條件101
• 5.5.2 實(shí)驗對象101
• 5.5.3 實(shí)驗方法101-102
• 5.5.4 實(shí)驗結(jié)果分析102-103
• 5.6 本章小結(jié)103-105
• 第6章 結(jié)論與展望105-108
• 6.1 結(jié)論105-107
• 6.2 創(chuàng)新點(diǎn)107
• 6.3 展望107-108
• 參考文獻(xiàn)108-116
• 致謝116-117
• 作者簡介117

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 焦李成;楊淑媛;劉芳;侯彪;;壓縮感知回顧與展望[J];電子學(xué)報;2011年07期

2 楊柳;劉鐵英;;GPU架構(gòu)下的并行計算[J];吉林大學(xué)學(xué)報(信息科學(xué)版);2012年06期

3 張碩;王杰;王金成;李海峰;劉旭;;基于壓縮感知的三維物體成像的簡單計算方法[J];光學(xué)學(xué)報;2013年01期

4 朱秋平;顏佳;張虎;范賜恩;鄧德祥;;基于壓縮感知的多特征實(shí)時跟蹤[J];光學(xué)精密工程;2013年02期

5 陳春雷;慕德俊;張慧翔;胡偉;;CUDA加速的DNA-蛋白質(zhì)匹配及其優(yōu)化[J];電子技術(shù)應(yīng)用;2013年09期

6 汪璞;安瑋;鄧新蒲;郭靖;;使用壓縮感知的遙感圖像振蕩畸變幾何校正方法[J];光學(xué)學(xué)報;2015年01期

7 楊沐津;于策;;孫濟(jì)洲;曹瑋;陳錦言;商朝暉;劉強(qiáng);;GAISP:一種GPU加速的天文圖像相減測光算法[J];計算機(jī)應(yīng)用研究;2011年10期

8 李樹濤;魏丹;;壓縮傳感綜述[J];自動化學(xué)報;2009年11期

9 周煜坤;陳清華;余瀟;;基于CUDA的大規(guī)模流體實(shí)時模擬[J];計算機(jī)應(yīng)用與軟件;2015年01期

10 肖漢;郭運(yùn)宏;周清雷;;面向CPU+GPU異構(gòu)計算的SIFT特征匹配并行算法[J];同濟(jì)大學(xué)學(xué)報(自然科學(xué)版);2013年11期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 譚坤;快速子空間追蹤算法研究[D];電子科技大學(xué);2010年

2 段皓;基于CUDA的JPEG-LS編碼器的并行設(shè)計[D];西北農(nóng)林科技大學(xué);2013年

  本文關(guān)鍵詞：多維稀疏信號重構(gòu)算法研究及應(yīng)用，，由筆耕文化傳播整理發(fā)布。

本文編號：425573