压缩传感理论与重构算法

电子学报 ›› 2011, Vol. 39 ›› Issue (1): 142-148.

压缩传感理论与重构算法

杨海蓉^1,2, 张成¹, 丁大为¹, 韦穗¹

1. 安徽大学计算智能与信号处理教育部重点实验室,安徽合肥 230039;2. 合肥师范学院数学系,安徽合肥 230061

收稿日期:2009-11-03 修回日期:2009-12-30 出版日期:2011-01-25
- 基金资助:
- 教育部博士点基金 (No.20070357003); "新一代宽带无线移动通信网"国家科技重大专项 (No.2009ZX03006-001-02)

The Theory of Compressed Sensing and Reconstruction Algorithm

YANG Hai-rong^1,2, ZHANG Cheng¹, DING Da-wei¹, WEI Sui¹

1. Key Laboratory of Intelligent Computing & Signal Processing,Anhui University,Hefei,Anhui 230039,China;2. Mathematics Department,Hefei Normal University,Hefei,Anhui 230061,China

Received:2009-11-03 Revised:2009-12-30 Online:2011-01-25 Published:2011-01-25

摘要/Abstract

摘要： 压缩传感理论(Compressive Sensing,CS)以远低于Nyquist采样频率的非适应性测量和优化方法高概率重构信号.本文介绍了CS的基本理论、重构算法,包括贪婪、凸优化方法及我们提出的MBOOMP算法;同时,采用0-1组成的随机信号进行性能比较的模拟实验,结果表明我们的算法优于传统的OMP算法.

关键词: 压缩传感, 稀疏表示, 信号恢复, 无线传感网络, 模拟-信息转换

Abstract: Compressive sensing,by means of the non-adaptive measurements with a well below the Nyquist frequency and optimization methods,reconstruct signal with high probability.In this paper,we introduce the basic theory of compressed sensing and the main reconstruction algorithms,including iterative algorithms as well as our improved MBOOMP algorithm.Meanwhile,the simulation of radom signal which is composed of 0 and 1 are adapted to compare their performance.It is shown that our algorithm is better than typical OMP algorithm.

Key words: compressive sensing, sparse representation, signal recovery, wireless sensor networks, analog-to-information conversion

中图分类号:

TN911.72

杨海蓉, 张成, 丁大为, 等. 压缩传感理论与重构算法[J]. 电子学报, 2011, 39(1): 142-148.

YANG Hai-rong, ZHANG Cheng, DING Da-wei, et al. The Theory of Compressed Sensing and Reconstruction Algorithm[J]. Acta Electronica Sinica, 2011, 39(1): 142-148.

[1]	冯西安, 寇思玮, 谭伟杰, 毕杨. 水声信号处理中的稀疏表示理论及应用[J]. 电子学报, 2021, 49(9): 1840-1851.
[2]	禤韵怡, 杨春玲. 基于帧间组稀疏的两阶段递归增强视频压缩感知重构网络[J]. 电子学报, 2021, 49(3): 435-442.
[3]	夏楠, 高紫俊, 李博, 王珏. 一种基于循环稀疏表示的同频带干扰抑制及发射源定位方法[J]. 电子学报, 2021, 49(1): 8-13.
[4]	郑学炜, 杨春玲, 禤韵怡. CVS中基于视频运动特征的多假设-双稀疏重构算法[J]. 电子学报, 2020, 48(2): 249-257.
[5]	脱婷, 马慧芳, 李志欣, 赵卫中. 熵权约束稀疏表示的短文本分类算法[J]. 电子学报, 2020, 48(11): 2131-2137.
[6]	周浦城, 张杰, 薛模根, 尹璋堃. 基于卷积分析稀疏表示和相位一致性的低照度图像增强[J]. 电子学报, 2020, 48(1): 180-188.
[7]	田文飚, 芮国胜, 董道广, 康健. 基于盲自适应KLT的蒸发波导压缩感知方法[J]. 电子学报, 2018, 46(9): 2068-2074.
[8]	王鹏, 邱天爽, 金芳晓, 夏楠, 李景春. 脉冲噪声下基于稀疏表示的韧性DOA估计方法[J]. 电子学报, 2018, 46(7): 1537-1544.
[9]	代晓婷, 龚敬, 聂生东. 基于结构联合字典的肺部LDCT图像降噪[J]. 电子学报, 2018, 46(6): 1445-1453.
[10]	和志杰, 杨春玲, 汤瑞东. 视频压缩感知中基于结构相似的帧间组稀疏表示重构算法研究[J]. 电子学报, 2018, 46(3): 544-553.
[11]	李鑫, 孙晋, 肖甫. 基于弹性网稀疏表示的芯片参数成品率估算方法[J]. 电子学报, 2017, 45(12): 2917-2924.
[12]	陈小龙, 关键, 于晓涵, 何友. 雷达动目标短时稀疏分数阶傅里叶变换域检测方法[J]. 电子学报, 2017, 45(12): 3030-3036.
[13]	秦晓燕, 袁广林, 李从利, 张旭. 一种快速鲁棒的视频序列运动目标检测方法[J]. 电子学报, 2017, 45(10): 2355-2361.
[14]	唐意东, 黄树彩, 薛爱军. 面向目标检测基于稀疏表示的波段选择方法[J]. 电子学报, 2017, 45(10): 2368-2374.
[15]	詹曙, 方琪, 杨福猛, 常乐乐, 闫婷. 基于耦合特征空间下改进字典学习的图像超分辨率重建[J]. 电子学报, 2016, 44(5): 1189-1195.