搜索

文章查询

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

分块稀疏信号1-bit压缩感知重建方法

丰卉 孙彪 马书根

分块稀疏信号1-bit压缩感知重建方法

丰卉, 孙彪, 马书根
PDF
导出引用
导出核心图
  • 1-bit压缩感知理论指出:对稀疏信号进行少量线性投影并对投影信号进行1-bit量化,该1-bit信号包含足够的信息,从而能对原始信号进行高精度重建.然而,当信号难以进行稀疏表达时,传统1-bit压缩感知算法无法精确重建原始信号.前期研究表明,分块稀疏模型作为一种特殊的结构型稀疏模型,对于难以用传统稀疏模型进行表达的信号具有较好的表达作用.本文提出了一种针对分块稀疏信号的1-bit压缩感知重建方法,该方法利用分块稀疏的统计特性对信号进行数学建模,通过变分贝叶斯推断方法进行信号重建并在光电容积脉搏波(photoplethysmography)信号上进行了实验验证.实验结果表明,与现有1-bit压缩感知重建方法相比,本文方法重建精度更高,且收敛速度更快.
      通信作者: 孙彪, sunbiao@tju.edu.cn
    • 基金项目: 国家自然科学基金(批准号:61401303,51578189)资助的课题.
    [1]

    Donoho D L 2006 IEEE Trans. Inf. Theory 52 1289

    [2]

    Candes E J, Romberg J, Tao T 2006 IEEE Trans. Inf. Theory 52 489

    [3]

    Zhang J C, Fu N, Qiao L Y, Peng X Y 2014 Acta Phys. Sin. 63 030701(in Chinese)[张京超, 付宁, 乔立岩, 彭喜元2014物理学报 63 030701]

    [4]

    Li L Z, Yao X R, Liu X F, Yu W K, Zhai G J 2014 Acta Phys. Sin. 63 224201(in Chinese)[李龙珍, 姚旭日, 刘雪峰, 俞文凯, 翟光杰2014物理学报 63 224201]

    [5]

    Li S D, Chen W F, Yang J, Ma X Y 2016 Acta Phys. Sin. 65 038401(in Chinese)[李少东, 陈文峰, 杨军, 马晓岩2016物理学报 65 038401]

    [6]

    Li S D, Chen Y B, Liu R H, Ma X Y 2017 Acta Phys. Sin. 66 038401(in Chinese)[李少东, 陈永彬, 刘润华, 马晓岩2017物理学报 66 038401]

    [7]

    Ning F L, He B J, Wei J 2013 Acta Phys. Sin. 62 174212(in Chinese)[宁方立, 何碧静, 韦娟2013物理学报 62 174212]

    [8]

    Sun B, Zhao W F, Zhu X S 2017 J. Neural Eng. 14 036018

    [9]

    Sun B, Feng H, Chen K F, Zhu X S 2016 IEEE Access 4 5169

    [10]

    Sun B, Feng H 2017 IEEE Signal Process. Lett. 24 863

    [11]

    Sun B, Ni Y M 2017 IEEE Commun. Lett. 21 1775

    [12]

    Boufounos P T, Baraniuk R G 2008 Proceedings of the 42nd Annual Conference Information Sciences and Systems Princeton, USA, March 19-21, 2008 p16

    [13]

    Sun B, Jiang J J 2011 Acta Phys. Sin. 60 110701(in Chinese)[孙彪, 江建军2011物理学报 60 110701]

    [14]

    Boufounos P T 2009 Proceedings of the 43rd Asilomar Conference Signals, Systems and Computers Pacific Grove, USA, November 1-4, 2009 p1305

    [15]

    Jacques L, Laska J N, Boufounos P T, Baraniuk R G 2013 IEEE Trans. Inf. Theory 59 2082

    [16]

    Yang Z, Xie L, Zhang C 2013 IEEE Trans. Signal Process. 61 2815

    [17]

    Meng Q H, Li F 2006 Robot 28 89(in Chinese)[孟庆浩, 李飞2006机器人 28 89]

    [18]

    Cao M L, Meng Q H, Zeng M, Sun B, Li W, Ding C J 2014 Sensors 14 11444

    [19]

    Zhang Z, Jung T P, Makeig S, Rao B 2013 IEEE Trans. Biomed. Eng. 60 221

    [20]

    Zhang Z L 2014 Proceedings of IEEE Global Conference on Signal and Information Processing Atlanta, USA, December 3-5, 2014 p698

    [21]

    Zhang Z L, Rao B 2013 IEEE Trans. Signal Process. 61 2009

    [22]

    Tipping M 2001 J. Mach. Learn. Res. 1 211

    [23]

    Tzikas D G, Likas A C, Galatsanos N P 2008 IEEE Signal Process. Mag. 25 131

    [24]

    Bishop C M, Tipping M E 2000 Proceedings of the 16th Conference Uncertainty in Artificial Intelligence San Francisco, USA, June 30-July 3, 2000 p46

    [25]

    Sun B, Feng H, Zhang Z L 2016 Proceedings of the 41st IEEE International Conference on Acoustics, Speech, and Signal Processing Shanghai, China, March 20-25, 2016 p809

    [26]

    Sun B, Zhang Z L 2015 IEEE Sens. J. 15 7161

    [27]

    Li F, Fang J, Li H, Huang L 2015 IEEE Signal Process. Lett. 22 857

  • [1]

    Donoho D L 2006 IEEE Trans. Inf. Theory 52 1289

    [2]

    Candes E J, Romberg J, Tao T 2006 IEEE Trans. Inf. Theory 52 489

    [3]

    Zhang J C, Fu N, Qiao L Y, Peng X Y 2014 Acta Phys. Sin. 63 030701(in Chinese)[张京超, 付宁, 乔立岩, 彭喜元2014物理学报 63 030701]

    [4]

    Li L Z, Yao X R, Liu X F, Yu W K, Zhai G J 2014 Acta Phys. Sin. 63 224201(in Chinese)[李龙珍, 姚旭日, 刘雪峰, 俞文凯, 翟光杰2014物理学报 63 224201]

    [5]

    Li S D, Chen W F, Yang J, Ma X Y 2016 Acta Phys. Sin. 65 038401(in Chinese)[李少东, 陈文峰, 杨军, 马晓岩2016物理学报 65 038401]

    [6]

    Li S D, Chen Y B, Liu R H, Ma X Y 2017 Acta Phys. Sin. 66 038401(in Chinese)[李少东, 陈永彬, 刘润华, 马晓岩2017物理学报 66 038401]

    [7]

    Ning F L, He B J, Wei J 2013 Acta Phys. Sin. 62 174212(in Chinese)[宁方立, 何碧静, 韦娟2013物理学报 62 174212]

    [8]

    Sun B, Zhao W F, Zhu X S 2017 J. Neural Eng. 14 036018

    [9]

    Sun B, Feng H, Chen K F, Zhu X S 2016 IEEE Access 4 5169

    [10]

    Sun B, Feng H 2017 IEEE Signal Process. Lett. 24 863

    [11]

    Sun B, Ni Y M 2017 IEEE Commun. Lett. 21 1775

    [12]

    Boufounos P T, Baraniuk R G 2008 Proceedings of the 42nd Annual Conference Information Sciences and Systems Princeton, USA, March 19-21, 2008 p16

    [13]

    Sun B, Jiang J J 2011 Acta Phys. Sin. 60 110701(in Chinese)[孙彪, 江建军2011物理学报 60 110701]

    [14]

    Boufounos P T 2009 Proceedings of the 43rd Asilomar Conference Signals, Systems and Computers Pacific Grove, USA, November 1-4, 2009 p1305

    [15]

    Jacques L, Laska J N, Boufounos P T, Baraniuk R G 2013 IEEE Trans. Inf. Theory 59 2082

    [16]

    Yang Z, Xie L, Zhang C 2013 IEEE Trans. Signal Process. 61 2815

    [17]

    Meng Q H, Li F 2006 Robot 28 89(in Chinese)[孟庆浩, 李飞2006机器人 28 89]

    [18]

    Cao M L, Meng Q H, Zeng M, Sun B, Li W, Ding C J 2014 Sensors 14 11444

    [19]

    Zhang Z, Jung T P, Makeig S, Rao B 2013 IEEE Trans. Biomed. Eng. 60 221

    [20]

    Zhang Z L 2014 Proceedings of IEEE Global Conference on Signal and Information Processing Atlanta, USA, December 3-5, 2014 p698

    [21]

    Zhang Z L, Rao B 2013 IEEE Trans. Signal Process. 61 2009

    [22]

    Tipping M 2001 J. Mach. Learn. Res. 1 211

    [23]

    Tzikas D G, Likas A C, Galatsanos N P 2008 IEEE Signal Process. Mag. 25 131

    [24]

    Bishop C M, Tipping M E 2000 Proceedings of the 16th Conference Uncertainty in Artificial Intelligence San Francisco, USA, June 30-July 3, 2000 p46

    [25]

    Sun B, Feng H, Zhang Z L 2016 Proceedings of the 41st IEEE International Conference on Acoustics, Speech, and Signal Processing Shanghai, China, March 20-25, 2016 p809

    [26]

    Sun B, Zhang Z L 2015 IEEE Sens. J. 15 7161

    [27]

    Li F, Fang J, Li H, Huang L 2015 IEEE Signal Process. Lett. 22 857

  • [1] 文方青, 张弓, 贲德. 基于块稀疏贝叶斯学习的多任务压缩感知重构算法. 物理学报, 2015, 64(7): 070201. doi: 10.7498/aps.64.070201
    [2] 郝崇清, 王江, 邓斌, 魏熙乐. 基于稀疏贝叶斯学习的复杂网络拓扑估计. 物理学报, 2012, 61(14): 148901. doi: 10.7498/aps.61.148901
    [3] 李慧, 赵琳, 李亮. 基于贝叶斯压缩感知的周跳探测与修复方法. 物理学报, 2016, 65(24): 249101. doi: 10.7498/aps.65.249101
    [4] 蒋川东, 常星, 孙佳, 李天威, 田宝凤. 基于L1范数的低场核磁共振T2谱稀疏反演方法. 物理学报, 2017, 66(4): 047601. doi: 10.7498/aps.66.047601
    [5] 李龙珍, 姚旭日, 刘雪峰, 俞文凯, 翟光杰. 基于压缩感知超分辨鬼成像. 物理学报, 2014, 63(22): 224201. doi: 10.7498/aps.63.224201
    [6] 李广明, 吕善翔. 混沌信号的压缩感知去噪. 物理学报, 2015, 64(16): 160502. doi: 10.7498/aps.64.160502
    [7] 庄佳衍, 陈钱, 何伟基, 冒添逸. 基于压缩感知的动态散射成像. 物理学报, 2016, 65(4): 040501. doi: 10.7498/aps.65.040501
    [8] 郑兆勃. 无限次微扰理论的分块矩阵法证明. 物理学报, 1981, 30(7): 866-877. doi: 10.7498/aps.30.866
    [9] 李扬, 郭树旭. 基于稀疏分解的大功率半导体激光器1/f噪声参数估计的新方法. 物理学报, 2012, 61(3): 034208. doi: 10.7498/aps.61.034208
    [10] 白旭, 李永强, 赵生妹. 基于压缩感知的差分关联成像方案研究. 物理学报, 2013, 62(4): 044209. doi: 10.7498/aps.62.044209
    [11] 汪韧, 郭静波, 惠俊鹏, 王泽, 刘红军, 许元男, 刘韵佛. 基于卷积高斯混合模型的统计压缩感知. 物理学报, 2019, 68(18): 180701. doi: 10.7498/aps.68.20190414
    [12] 冯丙辰, 方晟, 张立国, 李红, 童节娟, 李文茜. 基于压缩感知理论的非线性γ谱分析方法. 物理学报, 2013, 62(11): 112901. doi: 10.7498/aps.62.112901
    [13] 宁方立, 何碧静, 韦娟. 基于lp范数的压缩感知图像重建算法研究. 物理学报, 2013, 62(17): 174212. doi: 10.7498/aps.62.174212
    [14] 王哲, 王秉中. 压缩感知理论在矩量法中的应用. 物理学报, 2014, 63(12): 120202. doi: 10.7498/aps.63.120202
    [15] 张新鹏, 胡茑庆, 程哲, 钟华. 基于压缩感知的振动数据修复方法. 物理学报, 2014, 63(20): 200506. doi: 10.7498/aps.63.200506
    [16] 文方青, 张弓, 陶宇, 刘苏, 冯俊杰. 面向低信噪比的自适应压缩感知方法. 物理学报, 2015, 64(8): 084301. doi: 10.7498/aps.64.084301
    [17] 时洁, 杨德森, 时胜国, 胡博, 朱中锐. 基于压缩感知的矢量阵聚焦定位方法. 物理学报, 2016, 65(2): 024302. doi: 10.7498/aps.65.024302
    [18] 甘甜, 冯少彤, 聂守平, 朱竹青. 基于分块DCT变换编码的小波域多幅图像融合算法. 物理学报, 2011, 60(11): 114205. doi: 10.7498/aps.60.114205
    [19] 甘甜, 冯少彤, 聂守平, 朱竹青. 基于分块离散小波变换的图像信息隐藏与盲提取算法. 物理学报, 2012, 61(8): 084203. doi: 10.7498/aps.61.084203
    [20] 南一冰, 唐义, 张丽君, 常月娥, 陈廷爱. 一种卫星平台振动光谱成像数据分块校正方法. 物理学报, 2014, 63(1): 010701. doi: 10.7498/aps.63.010701
  • 引用本文:
    Citation:
计量
  • 文章访问数:  381
  • PDF下载量:  260
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-03-14
  • 修回日期:  2017-05-15
  • 刊出日期:  2017-09-20

分块稀疏信号1-bit压缩感知重建方法

  • 1. 天津大学电气自动化与信息工程学院, 天津 300072;
  • 2. 立命馆大学机器人系, 滋贺 5258577
  • 通信作者: 孙彪, sunbiao@tju.edu.cn
    基金项目: 

    国家自然科学基金(批准号:61401303,51578189)资助的课题.

摘要: 1-bit压缩感知理论指出:对稀疏信号进行少量线性投影并对投影信号进行1-bit量化,该1-bit信号包含足够的信息,从而能对原始信号进行高精度重建.然而,当信号难以进行稀疏表达时,传统1-bit压缩感知算法无法精确重建原始信号.前期研究表明,分块稀疏模型作为一种特殊的结构型稀疏模型,对于难以用传统稀疏模型进行表达的信号具有较好的表达作用.本文提出了一种针对分块稀疏信号的1-bit压缩感知重建方法,该方法利用分块稀疏的统计特性对信号进行数学建模,通过变分贝叶斯推断方法进行信号重建并在光电容积脉搏波(photoplethysmography)信号上进行了实验验证.实验结果表明,与现有1-bit压缩感知重建方法相比,本文方法重建精度更高,且收敛速度更快.

English Abstract

参考文献 (27)

目录

    /

    返回文章
    返回