壓縮感知盲稀疏信號(hào)貪婪迭代重構(gòu)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(hào)采樣與壓縮技術(shù)，突破了傳統(tǒng)奈奎斯特采樣定理的限制，能夠在感知稀疏信號(hào)或可壓縮信號(hào)的同時(shí)直接對(duì)數(shù)據(jù)進(jìn)行壓縮，從而大大降低數(shù)據(jù)采樣與壓縮的時(shí)間以及存儲(chǔ)空間。作為CS技術(shù)的核心內(nèi)容之一，信號(hào)的重構(gòu)算法已然成為很多學(xué)者們研究的熱點(diǎn)。本文針對(duì)CS理論重構(gòu)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(shí)的稀疏信號(hào)高概率重構(gòu)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(diǎn)。
　　本文首先系統(tǒng)地研究了國(guó)內(nèi)外已經(jīng)出現(xiàn)的一些較為成熟的貪婪迭代算法，這些算法均必須以信號(hào)的稀疏度為先驗(yàn)信息才能完成稀疏信號(hào)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(duì)幾種算法的基本原理進(jìn)行闡述，再通過仿真實(shí)驗(yàn)分析概括每一種算法的優(yōu)缺點(diǎn)，引出后續(xù)要研究的內(nèi)容。
　　其次文章重點(diǎn)研究了稀疏度自適應(yīng)匹配追蹤算法（Sparsity AdaptiveMatching Pursuit，SAMP），針對(duì)其易出現(xiàn)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(hào)重構(gòu)算法改進(jìn)方案。改進(jìn)算法繼承

4、了SAMP算法的優(yōu)勢(shì)，并將優(yōu)化后的正則化方法與回溯思想有機(jī)結(jié)合，優(yōu)化了原子匹配策略，通過原子的二次回溯篩選，進(jìn)一步提高原子選擇的準(zhǔn)確性及自適應(yīng)性，從而減少重建誤差，完成盲稀疏信號(hào)的有效恢復(fù)。仿真實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法在重構(gòu)成功率及重建質(zhì)量上均優(yōu)于原算法，因?yàn)檎齽t化處理，使得運(yùn)算時(shí)間也略低于原算法。
　　最后，本文針對(duì)現(xiàn)有貪婪迭代算法中內(nèi)積匹配準(zhǔn)則的不足，將Dice系數(shù)原子相似性度量準(zhǔn)則應(yīng)用于SP、SAMP得到DSP（Dice-SP