壓縮感知盲稀疏信號貪婪迭代重構算法研究.pdf

1、壓縮感知(Compressive Sensing or Compressed Sampling，CS)作為近幾年新興的一種信號采樣與壓縮技術，突破了傳統奈奎斯特采樣定理的限制，能夠在感知稀疏信號或可壓縮信號的同時直接對數據進行壓縮，從而大大降低數據采樣與壓縮的時間以及存儲空間。作為CS技術的核心內容之一，信號的重構算法已然成為很多學者們研究的熱點。本文針對CS理論重構算法中的貪婪迭代算法作了一些研究，主要工作有盲稀疏度（未知稀疏度）條件

2、時的稀疏信號高概率重構方案的研究，以及優(yōu)化貪婪迭代類算法中的原子搜索策略，主要工作包括以下幾點。
　　本文首先系統地研究了國內外已經出現的一些較為成熟的貪婪迭代算法，這些算法均必須以信號的稀疏度為先驗信息才能完成稀疏信號的高效重建，代表性的包括OMP(Orthogonal Matching Pursuit)、ROMP(Regularize Orthogonal Matching Pursuit)、CoSaMP(Compressiv

3、e Sampling Matching Pursuit)、SP(Subspace Pursuit)算法。首先對幾種算法的基本原理進行闡述，再通過仿真實驗分析概括每一種算法的優(yōu)缺點，引出后續(xù)要研究的內容。
　　其次文章重點研究了稀疏度自適應匹配追蹤算法（Sparsity AdaptiveMatching Pursuit，SAMP），針對其易出現原子過匹配這一不足，給出了一種基于正則化回溯方法的盲稀疏信號重構算法改進方案。改進算法繼承

4、了SAMP算法的優(yōu)勢，并將優(yōu)化后的正則化方法與回溯思想有機結合，優(yōu)化了原子匹配策略，通過原子的二次回溯篩選，進一步提高原子選擇的準確性及自適應性，從而減少重建誤差，完成盲稀疏信號的有效恢復。仿真實驗結果表明，改進算法在重構成功率及重建質量上均優(yōu)于原算法，因為正則化處理，使得運算時間也略低于原算法。
　　最后，本文針對現有貪婪迭代算法中內積匹配準則的不足，將Dice系數原子相似性度量準則應用于SP、SAMP得到DSP（Dice-SP