浅谈压缩感知方法及其在雷达领域的应用
浅谈压缩感知方法及其在雷达领域的应用
摘要：传统信号处理的采样率必须满足香农定理。随着携带信息量和系统分辨率的提高，系统带宽不断增大，这对系统传输和存储等带来巨大压力。压缩感知理论利用信号内在的稀疏性，以低于奈奎斯特采样率对其进行采样，显著降低信号处理的成本。文章介绍了压缩感知方法的基本理论和几类典型稀疏重构方法，并通过仿真实验分析了它们的性能。最后结合几个典型实例，概述了采用压缩感知方法解决雷达信号处理领域某些特定工程问题的优势。
Abstract：Conventional signal processing approaches must follow Shannon's celebrated theorem. As the promotion of information and resolution，the band of system will also increase. The transmission and storage of system is greatly challenged. While compressive sensing theory can sample signal at the rate below Nyquist Sampling frequency to lessen the system cost in signal processing. This paper introduces the basic theory of compressive sensing and several typical sparse recovery methods. The performance of different methods was illustrated through simulation. Via several typical applications in radar，we showed the advantage in dealing with some special
radar problem with compressive sensing.
关键词：压缩感知；ISAR成像；DOA估计；雷达应用
Key words：compression sensing；ISAR imaging；DOA estimation；radar application
中图分类号：F273.4 文献标识码：A 文章编号：
1006-4311（2017）18-0243-03
0 引言
传统信号处理必须遵循香农采样定理（采样率不小于信号最高频率的两倍，即奈奎斯特采样定理）。随着信息量的增加和系统分辨率的提高，系统带宽也不断提高，这给系统传输和存储等带来巨大压力。压缩感知理论（CS，Compressed Sensing）[1]于2006年被Donoho等人正式提出。即当目标信息在某些特征域内稀疏分布时，以低于奈奎斯特采样率对其进行采样，可重构出原始信号，降低信号处理成本。CS理论通过“测量矩阵”与“压缩采样”对高维信号进行降维采样，将信号稀疏重构问题转化为约束优化问题，这有着非常重要的工程意义。
目前典型的稀疏重构方法有三类：基于最??化理论的范数求解[2]，基于贪婪思想[3]，基于统计理论[4]。其中贪婪类算法运算速度最快，其他方法重构精度更高。在雷达信号处理领域，利用部分孔径/稀疏孔径数据对原始数据进行恢复，大大简化了雷达接收机的硬件设计和存储资源。在ISAR成像
和波达方向估计领域，利用压缩感知模型在降采样条件下可提高成像分辨率和DOA估计精度，对存在稀疏先验的目标信号，利用稀疏重构实现超分辨。
1 压缩感知理论模型及其重构原理
1.1 压缩感知理论模型
对于稀疏信号，x可由K（K1时，lp球是外凸的，图像与直线的切点必不位于坐标轴上（可行域不与坐标轴平时），无法得到稀疏解。基于l1范数的稀疏优化重构，利用观测矩阵Φ对K稀疏度的信号进行m维降维观测，若（7）式满足，则能以超过1-δ的概率精确重构信号[8]。其中C是固定常?担?u（Φ，Ψ）表示稀疏字典与观测矩阵的相干性，表达式如下：
u（Φ，Ψ）与前面描述的RIP性质以及冗余字典维数有关，RIP性质越好，字典维数越低，该值越趋于1，所需的样本数越低。从雷达信号处理角度来说，字典分的越细，分辨率越高。CS理论不能无限制提高分辨率，必须满足公式（7），否则无法实现稀疏重构。
2 几类典型的压缩感知重构方法
2.1 基于子空间追踪（Subspace Pursuit，SP）的稀疏恢复方法
SP[3]和OMP方法运算速度相当，但是OMP算法在字典选取的过程中无剔除操作，算法不够稳健，而SP算法在挑
选稀疏原子的同时，对字典中原子进行迭代更新，保证了原子的准确性，具有和LP优化问题相当的恢复精度，是比较常用的一类方法。
2.2 基于平滑l0范数（SL0）的稀疏恢复方法
SL0方法[2]利用高斯函数逼近l0范数，通过迭代更新平滑参数，以逼近l0范数，SL0方法放宽了对字典RIP性质的
要求，表达式如下：f？滓（s）=exp（-高斯函数可微，利用最优化方法即可求解稀疏重构。迭代过程中，随着？滓的变小，函数趋向于l0范数，逐渐提升精度。
2.3 基于贝叶斯压缩感知（Bayesian Compressive Sensing，BCS）的稀疏恢复方法
BCS方法[4]利用目标稀疏的先验信息，结合测量过程，得到稀疏矢量的后验概率。假定接收信号包含方差为？滓2
的高斯白噪声，接收数据为
似然分布为
通过似然函数，将CS稀疏重构转化为线性回归问题。
利用Laplace分布表征稀疏特性：
结合贝叶斯公式，得到后验概率密度。最大化后验概率得到稀疏矢量的估计值，再利用贝叶斯分析得到稀疏矢量s 和？滓完全后验概率分布。
2.4 采用上述方法对稀疏信号的重构实验
假定稀疏矢量s的长度N=512，其中包含K个非零值，
非零值在s中的位置和幅度是随机的。利用随机矩阵Φ（M ×N）对该信号进行降维观测，其中M=100。采用以上三种方法重构结果如图2所示。图2（a）中K=20，三种方法重构误差均小于0.05，其中SP方法速度最快。图2（b）中K=30，SP方法的重构误差增加，而BCS和SL0方法仍能够保证较高的重构精度。可见，在解决实际问题时，根据精度和运算速度需求选择合适的信号处理方法。
3 压缩感知方法在雷达领域的应用
3.1 ISAR成像领域的应用
以星载雷达对空间目标成像为仿真背景，考虑目标自旋现象引起的遮挡效应，图3为采用SRMF方法[9]和结合CS 的成像结果。其中目标自标角速度ω=8.12π，图3（a-b）是在观测周期L=4和L=8的条件下结合CS得到的成像结果。11个散射点都能够很好的实现聚焦。然而，图3（c-d）所示的SRMF方法仅有部分散射点被恢复，成像质量差于结合CS的成像结果。有三方面原因：一是SRMF方法的匹配滤波器旁瓣较高，淹没其他散射点，二是只有在观测角不被遮挡时目标信号才能接收到，为了匹配多周期的回波信号以及实现快速FFT操作，SRMF方法无法考虑阴影效应。另外，随着ω提升，多普勒带宽增加，SRMF方法因多普勒模糊成像结果变差，然而，利用CS理论可实现等效采样，改善冗余字典性质，得到更清晰的图像。
3.2 压缩感知方法在DOA领域的应用
本小节重点比较传统DOA估计方法和基于CS方法的DOA估计性能三个远场信号入射到阵元数为8的均匀线阵上，阵元间距取半波长，方位角分别为-70°，-20°，60°，其
中-70°，-20°相干。CS算法为单快拍，MUSIC算法快拍数为300。如图4所示，MUSIC算法无法实现解相干，而对于CS算法，由于CS理论采集的信息与信号中的结构和位置相关，并不受相干的限制，可以实现相干源的检测。同时CS
方法为单快拍，在样本数不足时仍然能够保持高精度估计，也是CS算法的优势。
4 结论
CS理论打破了传统的香农采样定理，在稀疏信号模型下，以低于奈奎斯特采样率对信号进行采样。通过ISAR成像和DOA估计两个应用实例，给出了雷达信号处理领域中结合CS 实现雷达功能的优势。当然，结合CS理论也存在一些弊端，例如在DOA估计中，若阵列存在误差，冗余字典设计存在偏差，此时DOA估计性能反而不及传统方法。同时，在信噪比较低时，绝大多数稀疏恢复方法无法使用。
参考文献：
[1]Donoho D.，"Compressed Sensing，" Ieee Transactions On Information Theory，vol. 52，pp. 5406-5425，2006.
[2]Mohimani Hosein，Babaie-Zadeh Massoud，Jutten
Christian，"A Fast Approach for Overcomplete Sparse Decomposition Based On Smoothed Norm，" Ieee Transactions On Signal Processing，vol. 57，pp. 289-301，2009.
[3]Wei Dai，Milenkovic Olgica，"Subspace Pursuit for Compressive Sensing Signal Reconstruction，" Ieee Transactions On Information Theory，vol. 55，pp. 2230-2249，2009. [4]Tipping Michael E.，"Sparse Bayesian Learning and the Relevance Vector Machine，" Journal Of Machine Learning Research，vol. 1，pp. 211-244，2001.
[5]Dossal C.，PeyréG.，Fadili J.，"A Numerical Exploration of Compressed Sampling Recovery，" Linear Algebra And Its Applications，vol. 432，pp. 1663?C1679，2010.
[6]Davies M. E.，Gribonval R.，"Restricted Isometry Constants Where Lp Sparse Recovery Can Fail for 0
基于压缩感知的雷达成像
H a r b i n I n s t i t u t e o f T e c h n o l o g y 课程报告 课程名称：现代信号处理专题论文题目：基于压缩感知的雷达成像院系：电信学院 班级：电子一班 设计者：刘玉鑫 学号：13S005061 指导教师：张云 时间：2014.06 哈尔滨工业大学
第一章压缩感知理论基本原理 1.1 压缩感知的基本知识 压缩感知理论的核心思想主要包括两点。第一个是信号的稀疏结构。传统的香农信号表示方法只开发利用了最少的被采样信号的先验信息，即信号的带宽。但是，现实生活中很多广受关注的信号本身具有一些结构特点。相对于带宽信息的自由度，这些结构特点是由信号的更小的一部分自由度所决定。换句话说，在很少的信息损失情况下，这种信号可以用很少的数字编码表示。所以，在这种意义上，这种信号是稀疏信号（或者近似稀疏信号、可压缩信号）。另外一点是不相关特性。稀疏信号的有用信息的获取可以通过一个非自适应的采样方法将信号压缩成较小的样本数据来完成。理论证明压缩感知的采样方法只是一个简单的将信号与一组确定的波形进行相关的操作。这些波形要求是与信号所在的稀疏空间不相关的。 压缩感知方法抛弃了当前信号采样中的冗余信息。它直接从连续时间信号变换得到压缩样本，然后在数字信号处理中采用优化方法处理压缩样本。这里恢复信号所需的优化算法常常是一个已知信号稀疏的欠定线性逆问题。 1.2 压缩感知的主要原理内容 总的说来，压缩感知方法的处理流程可简要描述为：基于待处理信号在某个基上的稀疏性或可压缩性，设计合理的测量矩阵，获得远小于信号维数但包含足够信号特征信息的采样，通过非线性优化算法重构信号。 在传统理论的指导下，信号X的编解码过程如图1-1所示。编码端首先获得X的N店采样值经变换后只保留其中K个最大的投影系数并对它们的幅度和位置编码，最后将编得的码值进行存储或者传输。 解压缩仅仅是编码过程的逆变换。实际上，采样得到的大部分数据都是不重要的，即K值很小，但由于奈奎斯特采样定理的限制，采样点数N可能会非常大，采样后的压缩是造成资源浪费的根本所在。
压缩感知理论综述(原创)
压缩感知理论综述 摘要：信号采样是模拟的物理世界通向数字的信息世界之必备手段。多年来，指导信号采样的理论基础一直是著名的Nyquist采样定理，但其产生的大量数据造成了存储空间的浪费。压缩感知（Compressed Sensing）提出一种新的采样理论，它能够以远低于Nyquist采样速率采样信号。本文详述了压缩感知的基本理论，着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展，并介绍了压缩感知的应用及仿真，举例说明基于压缩感知理论的编解码理论在一维信号、二维图像处理上的应用。 关键词：压缩感知；稀疏表示；观测矩阵；编码；解码 一、引言 Nyquist采样定理指出，采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。可见，带宽是Nyquist采样定理对采样的本质要求。然而随着人们对信息需求量的增加，携带信息的信号带宽越来越宽，以此为基础的信号处理框架要求的采样速率和处理速度也越来越高。解决这些压力常见的方案是信号压缩。但是，信号压缩实际上是一种资源浪费，因为大量的不重要的或者只是冗余信息在压缩过程中被丢弃。从这个意义而言，我们得到以下结论：带宽不能本质地表达信号的信息，基于信号带宽的Nyquist采样机制是冗余的或者说是非信息的。 于是很自然地引出一个问题：能否利用其它变换空间描述信号，建立新的信号描述和处理的理论框架，使得在保证信息不损失的情况下，用远低于Nyquist 采样定理要求的速率采样信号，同时又可以完全恢复信号。与信号带宽相比，稀疏性能够直观地而且相对本质地表达信号的信息。事实上，稀疏性在现代信号处理领域起着至关重要的作用。近年来基于信号稀疏性提出一种称为压缩感知或压缩采样的新兴采样理论，成功实现了信号的同时采样与压缩。 简单地说，压缩感知理论指出：只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。在该理论框架
陆吾生-压缩感知方法及其在稀疏信号和图像处理中的应用
陆吾生教授短期课程“压缩感知方法及其在稀疏信号和图像 处理中的应用”资料 1. 课程介绍_压缩感知方法及其在稀疏信号和图像处理中的应 用.doc 2. 陆吾生教授短期课程“压缩感知方法及其在稀疏信号和图像处理中的应用”的讲义 Lecture_Notes_CS_LWS_Final.pdf 3. 各章所涉及到的Matlab程序 Main functions Main functions.zip（内含 ex3_1.m (for Example 3.1) ex3_2.m (for Example 3.2) gp_denoise.m (for Algorithm GP in Sec.3.2) fgp_denoise.m (for Algorithm FGP in Sec.3.2) gp_deblurr.m (for Algorithm GPB in Sec.3.3) ) Auxiliary functions Auxiliary functions.zip（内含gen_dct.m oper_L.m oper_Lt.m proj_bound.m proj_pair.m gp_denoise_w.m） Data Data.zip（内含camera256.mat 及 lena256.mat）
4. 陆吾生“压缩感知方法及其在稀疏信号和图像处理中的应用”课程（1A-6B）上课录像 Lecture_LWS_1A.rmvb 2010.11.09.(220M) Lecture_LWS_1B.rmvb 2010.11.09.(231M) Lecture_LWS_2A.rmvb 2010.11.11.(252M) Lecture_LWS_2B.rmvb 2010.11.11.(193M) Lecture_LWS_3A.rmvb 2010.11.12.(225M) Lecture_LWS_3B.rmvb 2010.11.12.(200M) Lecture_LWS_4A.rmvb 2010.11.16.(239M) Lecture_LWS_4B.rmvb 2010.11.16.(169M) Lecture_LWS_5A.rmvb 2010.11.18.(239M) Lecture_LWS_5B.rmvb 2010.11.18.(226M) Lecture_LWS_6A.rmvb 2010.11.19.(256M) Lecture_LWS_6B.rmvb 2010.11.19.(224M) 5. 陆吾生教授2010.11.17.在上海大学所做的学术报告，题为：
基于压缩感知的DOA估计程序
程序可运行,有图有真相，MATLAB得事先装好cvx优化包。 clc; clear; close; lambda=1; d=lambda/2; %阵元间距离，取为入射波长的一半 K=500; %采样快拍数 theta=[-5 10]; %入射角度 SignalNum=length(theta); %入射信号数量 Nnum=5; %%阵列阵元数量 SNR1=-10; %%信噪比 Aratio=sqrt(10^(SNR1/10)); %信号幅度与噪声幅度比值，并假设信号幅度为1 Fs=5*10^3; %信号频率 Fc=[2*10^3,5*10^3,8*10^3]; %入射信号频率 fs=20*10^3; thetatest=(-90*pi/180:1*pi/180:90*pi/180); %theta角度搜索范围 thetanum=length(thetatest); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%计算信号协方差矩阵%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% T_Vector=(1:K)/fs; A=zeros(Nnum,SignalNum); SignalVector=zeros(SignalNum,K); %NoiseVector=zeros(Nnum,K); Xt=zeros(Nnum,K); %%构造A矩阵 for k2=1:SignalNum for k1=1:Nnum %1:12 At(k1)=exp(j*(k1-1)*2*pi*d*sin(theta(k2)*pi/180)/lambda); A(k1,k2)=At(k1); end end %%%构造信号矩阵和噪声矩阵 for k1=1:SignalNum SignalVector(k1,:)=exp(j*2*pi*Fc(k1).*T_Vector); %信号 end Xtt=A*SignalVector;
压缩感知在高速(雷达)信号采集中的应用
2013雷达对抗原理期末报告 题目：压缩感知在高速（雷达）信号采 集中的应用 院（系）信息与电气工程学院 专业电子信息工程 学生 班级1002503 学号100250311 教师 报告日期2013-11-15 1研究背景 信号采样是模拟的物理世界通向数字的信息世界之必备手段。多年来，指导信号采样的理论基础一直是着名的Nyquist采样定理。定理指出，只有当采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。可见，带宽是Nyquist采样定理对采样的本质要求。但是，对于超宽带通信和信号处理、核磁共振成像、雷达遥感成像、传感器网络等实际应用[1]，信号的带宽变得越来越大，人们对信号的采样速率、传输速度和存储空间的要求也变得越来越高。为了
缓解对信号传输速度和存储空间的压力，当前常见的解决方案是信号压缩，如基于小波变换的JPEG2000 标准。但是，信号压缩实际上是一种严重的资源浪费，因为大量的采样数据在压缩过程中被丢弃了，而它们对于信号来说是不重要的或者只是冗余信息。从这个意义而言，我们得到以下结论：带宽不能本质地表达信号的信息，基于信号带宽的Nyquist 采样机制是冗余的或者说是非信息的。下图是一个传统方法采样压缩过程[2]。 图1.1 传统的信号压缩过程 2国内外在该方向的研究现状及分析 压缩感知(Compressed Sensing or Compressive Sampling)理论由Donoho, Candes和Tao等人提出，它的出现是充分利用了信号在某变换域的稀疏性或者可压缩的性质，将较长的接收信号随机投影到一个较短的矢量上面，经过求解一个非线性最优化问题，将一组远低于奈奎斯特采样率得到的信号实现精确的重构，这样在一定程度上就减轻了采样系统硬件的负担。雷达成像的原理是利用雷达接收端获得回波信号的反射特性在空间上分布的特点，因此根据雷达回波的信息来重建目标信息的过程就是雷达成像的最根本的体现。雷达目标的电磁散射特性研究结果表明:在高频区域，雷达目标的回波可以认为是由较为重要的散射中心回波的合成，发射宽带信号的雷达可以获得的对分析有用的目标数量远小于组成这些散射中心的原始的数据样本数。由以上分析可知，雷达目标的这种电磁特性达到了压缩感知理论对待压缩信号稀疏性的要求，为将CS理论运用于雷达成像的应用研究中提供了可能。以上结论说明雷达回波与信号的稀疏理论相匹配，可以将压缩感知的相关理论成果与雷达成像的相关技术相结合。 近几年来，国内外的专家与研究机构对基于压缩感知的雷达成像技术陆续展开研究工作，在某些领域已经有了一定程度的进展。为雷达接收端降低采样率，解决系统中的超大数据采集以及存储与传输的问题带来了巨大的变革。 3主要研究内容和研究方案 3.1主要研究内容 压缩感知（Compressive Sensing, or Compressed Sampling，简称CS），
压缩感知在雷达成像中的应用
2014雷达对抗原理期末报告 题目：压缩感知在雷达成像中的应用 院（系）信息与电气工程学院 专业电子信息工程 学生 班级 学号 教师 报告日期2014-11-25 1.课题来源 1.1摘要 以 ISAR 和 InISAR 为代表的高分辨率雷达成像技术在军事和民用领域有着广泛的需求。通常情况下，高分辨率雷达图像的获得需要宽带雷达信号，而宽带雷达信号则又会导致雷达数据率的增加。近年来在雷达技术领域得到高度关注的压缩感知理论，其非相关测量过程能够有效地降低高分辨率雷达成像系统的数据率，有望解决雷达系统中超大数据量的采集、存储与传输问题。因此压缩感知理论和技术在雷达成像领域的应用，有可能会为高分辨率雷达成像技术带来巨大变革。压缩感知在高分辨率雷达成像中的应用研究工作虽然取得了一定的进展，但还没有针对压缩感知雷达成像理论进行系统性研究，也没能在此基础上给出实用化的成像算法。论文以基于压缩感知的雷达成像理论与算法作为研究内容，将压缩感知理论应用到高分辨率雷达成像算法中。论文围绕着成像数据获取方法、
成像信号处理方法和压缩感知在宽带雷达成像中的应用等紧密联系而侧重不同的三个方面展开了研究，建立了匹配滤波体制和去斜体制下的基带回波信号稀疏表示模型，提出了压缩感知测量器应用到雷达接收机的数字方案与模拟方案，构建了具有保相性的压缩感知距离压缩算法，通过距离-方位解耦合的雷达成像框架，将压缩感知距离压缩算法与传统的雷达二维成像和 InISAR 三维成像算法相结合，形成了压缩感知雷达成像算法，并将其应用到调频步进宽带雷达成像中。论文通过对仿真和实测数据的处理，证明了所提出的方法的有效性。 1.2研究的目的和意义 在压缩感知雷达成像算法研究中，首先在常用的稀疏信号重建算法中筛选出适合雷达成像的算法，然后与雷达回波信号稀疏表示模型以及非相干测量矩阵一起构建了具有保相性的压缩感知距离压缩算法。在此基础上利用距离-方位解耦合的雷达成像框架，将压缩感知距离压缩算法与传统的雷达二维成像和 InISAR 三维成像算法相结合，形成了压缩感知雷达成像算法。 在压缩感知宽带雷达成像算法研究中，结合调频步进信号的子脉冲合成方法，提出了针对调频步进信号的压缩感知测量方法，实现了压缩感知宽带雷达成像。 2.国内外在该方向的研究现状及分析 雷达成像的历史可以追溯到 20 世纪 50 年代。1951 年 6 月，美国Goodyear Aircraft 公司的 Carl Wiley 首先提出利用频率分析方法改善雷达的角分辨率，并设计了实验装置进行验证，这是合成孔径雷达思想的最初体现。1957 年 8 月，Michigan 大学雷达和光学实验室的 Cutrona 和 Leith 等人研制的机载合成孔径雷达进行了飞行试验，得到了第一张大面积的聚焦型合成孔径雷达图像。70 年代，Kirk 等人研制了第一台 SAR 数字处理系统。1978年 5 月，星载 SAR SeaSat 升空，标志着 SAR 技术已进入空间领域。目前，美国、欧空局、加拿大、日本等都有自己的实用化机载和星载合成孔径雷达系统，机载 SAR 系统有美国的 AN/APY-6，德国的 AER-Ⅱ，英国的 DERA ‘ESR’，以及瑞士的 DO-SAR 等；星载SAR 系统有美国的 SIR-A 和 SIR-B 卫星，欧空局的 ERS-1 和 ERS-2 卫星，日本的 JERS-1和 ALOS 卫星，加拿大的 Radarsat-1 和 Radarsat-2 卫星，意大利航天局的 COSMO-SkyMed高分辨雷达卫星星座系统，美国航天局、德国空间局和意大利空间局联合发射的SIR-C/X-SAR 以及德国空间中心和欧洲EADS Astrium 公司合作开发的 TerraSAR-X 卫星等。在国内，从七十年代开始大力研究 SAR 相关技术，中国科学院电子学研究所在 1979年成功研制了机载合成孔径雷达原理样机，并获得首批 SAR 成像数据。从“八五”开始，对SAR 系统的研究就一直是遥感技术中的重点研究方向之一。目前，中科院电子所、信息产业部 14 所、38 所、航空工业总公司 607 所，以及航科集团等单位都已对 SAR 技术开展了研究，许多单位已经有了机载 SAR 的实验系统，并获得了大量实际成像数据。bZ0YfRP。 逆合成孔径雷达是在合成孔径雷达的基础上发展起来的又一种高分辨成像雷达，其历史可以追溯到二十世纪六十年代。六十年代，在 Brown 领导下的Willow Run 实验室就开展了对旋转目标的成像。Walker 从 1970 年起开展对旋转目标成像的研究，他的研究工作对距离-多普勒成像理论做了更明确的阐述，并且由于引入了极坐标存储技术（光学处理），解决了运动穿越分辨单元的处理
基于压缩感知的电力监控系统研究
基于压缩感知的电力监控系统研究 摘要：随着经济和科技水平的快速发展，电力行业发展也十分快速。智能电网 的关键部分之一是构建低功耗、高效率的监控网络，该网络需要支持数以百万计 的智能电表或其它监控终端，其中，“最后一公里”成为制约当前智能电网发展的 首要问题。使用无线通讯技术以及由此衍生的无线传感器网络能够满足较少节点 的非实时数据采集和传输，然而当接入网络的智能电表或终端数量急剧增加、提 高系统实时性要求，则产生的大量数据及其通讯将导致较大的网络时延并降低网 络可靠性。在汇聚节点或区域基站采用压缩感知是解决该问题的有效方法之一， 与传统的数据压缩算法相比，压缩感知方法的稀疏矩阵的维数明显小于原始数据 矩阵维数，通过非线性重建算法能够获得比典型的线性回归方法更低的误差率。 压缩感知已被应用一些电力系统中，如文献[6]对智能电网中路由协议和质量问题 进行研究；在对智能电网文献综述中阐述了压缩感知在其中的应用发展情况；提 出基于压缩感知的小区电网数据监控方案。 关键词：智能电网；无线传感器网络；压缩感知 引言 随着社会经济的发展和科学技术的进步，电力企业得到了快速的发展，在电 力系统运行的过程中，由于电力系统的运行稳定性极易受到外界因素的影响，所 以为了避免电力系统运行故障的发生，我们需要给予电力监控系统网络安全监测 装置足够的重视，一定要能够确保电力系统安全、稳定的运行。电力行业的稳定 发展会直接影响到社会经济的发展速度，电力是现阶段社会工业生产建设中最主 要的能源，也是人们日常生活中最基础的能源，一旦电力系统的运行出现故障， 可能会给国家经济的增长以及人们的正常电力生活带来巨大的影响。 1电力监控系统特点分析 随着智能电网的建设和发展，电力监控系统在电网中得到了广泛的应用。电 力监控系统通过计算机技术对整个电网的运行状态进行实时监控和管理，为整个 电网的安全运行起到了保障作用。计算机技术和网络技术在电力监控系统中的应用，提高了电力监控系统的监控管理质量。在电力监控系统中，以太网技术实现 了电力监控系统的自动化和网络化。自动化装置和数字化电能表等智能电子设备 在电力监控系统中的应用，不仅建立了安全可靠的智能化电力监控系统，而且提 高了整个电力监控系统的自动化水平。中的很多设备都是由不同厂商制造，易出 现信息孤岛问题。MAS理论作为分布式人工智能技术，在电力监控系统中的应用，不仅解决了信息孤岛问题，而且实现了电力监控系统的自动化和智能化，并且在 电力监控系统的设计中得到了广泛应用。 2压缩感知系统测试 为了验证进一步验证系统及压缩感知模型的有效性，选取研究者所在大楼及 周边区域部署WSN测试系统，系统中包含了服务器（Host）、中继器（Router） 和传感器（Sensor）三类共7个设备节点构成典型的传感器网络测试环境。在该 测试模型中设定了两个具有路由功能的节点router1（R1）和router2（R2）它们 与测试终端构成两条基本待测通讯链路L1和L2，以及由R2R1H1所形成的路由中继链路L3L1；每个中继节点分别下辖2个传感器Sensor（S1~S4）。它们 分别使用传感器数据链路B1~B4向中继节点提交数据。各节点的温度传感器有高 低两种采样率，其中低速采样率为1h/次，高速采样率为6min/次；选取10月9 日这一天的天气温度作为对比测试样本，在小气候的作用下整体而言S1、S2获
基于压缩感知的人脸识别算法
龙源期刊网 https://www.360docs.net/doc/f9290873.html, 基于压缩感知的人脸识别算法 作者：胡槟 来源：《科技探索》2013年第09期 中图分类号：TP391.41 文献标识码：A 文章编号：1007-0745（2013）09-0141-01 1 压缩感知介绍 过去的几十年间，各种传感系统获取数据的能力不断地增强，这就对系统的采集和处理能力提出了更高的要求。如果仍然采用传统的Nyquis T采样定理，就需要二倍于信号带宽的采 样率，这给采样硬件设备带来了极大的挑战。 压缩感知理论是由Donoho与Candes等人提出的一个新的理论框架，其在线性模型的基础上，核心是只要信号是稀疏的，低维信号就能很好的恢复到高维信号。 2 理论简介 传统的信息处理主要由采样、压缩、传输和解压缩四个部分组成。在这个传统过程中，采样率必须高于信号模拟信号中最高频率的二倍，随着图像数据的越来越大，这给采样设备提出了更高的要求。传统的信号压缩是通过对信号进行一些变换（如：小波变换、离散余弦变换），然后剔除掉变换后为零或近似为零的数据，通过对少数绝对这大的新书进行压缩编码，从而实现大数据的压缩。在传统信号获取过程中，将采样和压缩分开，是否可以将压缩和采样过程合并呢？于是有人就尝试着将采样和压缩过程合并，这不仅能够大大缓解香农定理对于采样率和传输处理的要求，也能够大大提高数据采集的效率和性能。 2.1 信号稀疏表示 通常，大部分自然信号并不是稀疏的，但是通过实验发现大部分自然信号都可以通过某些映射变将其变换为稀疏的根据调和分析理论，一个一维离散信号f，可以通过一组标准正交基线性表出： 或（3.1） 其中，N为信号长度，为标准正交基，为正交基的第 i列的向量，系数矩阵。如果系数 矩阵x是稀疏的，那么原始信号f就是可稀疏表示的。如果说系数矩阵x为信号f的K稀疏表示，则向量x中只有K个非零分量。 2.2信号重构
压缩感知理论
压缩感知理论 一、压缩感知理论简介 压缩感知，又称压缩采样，压缩传感。它作为一个新的采样理论，它通过开发信号的稀疏特性，在远小于Nyquist 采样率的条件下，用随机采样获取信号的离散样本，然后通过非线性重建算法完美的重建信号。压缩感知理论一经提出，就引起学术界和工业界的广泛关注。它在信息论、图像处理、地球科学、光学、微波成像、模式识别、无线通信、大气、地质等领域受到高度关注，并被美国科技评论评为2007年度十大科技进展。 二、压缩感知产生背景 信号采样是模拟的物理世界通向数字的信息世界之必备手段。多年来，指导信号采样的理论基础一直是著名的Nyquist 采样定理。定理指出，只有当采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。可见，带宽是Nyquist 采样定理对采样的本质要求。但是，对于超宽带通信和信号处理、核磁共振成像、雷达遥感成像、传感器网络等实际应用，信号的带宽变得越来越大，人们对信号的采样速率、传输速度和存储空间的要求也变得越来越高。为了缓解对信号传输速度和存储空间的压力，当前常见的解决方案是信号压缩但是，信号压缩实际上是一种严重的资源浪费，因为大量采样数据在压缩过程中被丢弃了，它们对于信号来说是不重要的或者只是冗余信息。故而就有人研究如何很好地利用采集到的信号，压缩感知是由 E. J. Candes 、J. Romberg 、T. T ao 和D. L. Donoho 等科学家于2004 年提出，压缩感知方法抛弃了当前信号采样中的冗余信息。它直接从连续时间信号变换得到压缩样本，然后在数字信号处理中采用优化方法处理压缩样本。这里恢复信号所需的优化算法常常是一个已知信号稀疏的欠定线性逆问题。 三、压缩感知理论 压缩感知理论主要涉及到三个方面，即信号的稀疏表示、测量矩阵的设计和重构算法的构造。稀疏信号广义上可理解为信号中只有少数元素是非零的，或者信号在某一变换域内少数元素是非零的。那么在我们如果只保留这些非零数据，丢弃其他的系数，则可以减小储存该信号需要的空间，达到了压缩(有损压缩）的目的，同时，这些系数可以重构原始信号，不过一般而言得到的是X 的一个逼近。在实际生活中有很多数字信号都是稀疏信号或者在某一变换域内是稀疏的，这样压缩感知理论的第一个方面就可以得到满足。如果信号N x R ∈在某变换域内是稀疏的，可以用一组正交基12[,,,]N ψψψψ= 线性组合表示：1 N i i i x s s ψ===ψ∑，其中式中，是对应于正交基的投影系数。由稀疏性可知其内只含有少数不为零的数，感知信号y 可表示为：y x s s =Φ=Φψ=Θ，Φ就为测量矩阵，Ψ为稀疏表示矩阵，当测量矩阵与稀疏表示矩阵不相关时就可以从s 中不失真的恢复出原始信号x ，常用的测量矩阵有高斯随机阵等。接下来是算法的重构，由于用少数信号恢复原来的大信号，这是一个欠定问题，一般用最优化方法来求解。这就是压缩感知理论体系的基本理论。 四、对这一创新案例的分析
压缩感知原理
压缩感知原理(附程序) 1压缩感知引论 传统方式下的信号处理，是按照奈奎斯特采样定理对信号进行采样，得到大量的采样数据，需要先获取整个信号再进行压缩，其压缩过程如图2.1。 图2.1 传统的信号压缩过程 在此过程中，大部分采样数据将会被抛弃，即高速采样后再压缩的过程浪费了大量的采样资源，这就极大地增加了存储和传输的代价。 由于带宽的限制，许多信号只包含少量的重要频率的信息。所以大部分信号是稀疏的或是可压缩的，对于这种类型的信号，既然传统方法采样的多数数据会被抛弃，那么，为什么还要获取全部数据而不直接获取需要保留的数据呢？Candes和Donoho等人于2004年提出了压缩感知理论。该理论可以理解为将模拟数据节约地转换成压缩数字形式，避免了资源的浪费。即，在采样信号的同时就对数据进行适当的压缩，相当于在采样过程中寻找最少的系数来表示信号，并能用适当的重构算法从压缩数据中恢复出原始信号。压缩感知的主要目标是从少量的非适应线性测量中精确有效地重构信号。核心概念在于试图从原理上降低对一个信号进行测量的成本。压缩感知包含了许多重要的数学理论，具有广泛的应用前景，最近几年引起广泛的关注，得到了蓬勃的发展。 2压缩感知原理 压缩感知，也被称为压缩传感或压缩采样，是一种利用稀疏的或可压缩的信号进行信号重构的技术。或者可以说是信号在采样的同时被压缩，从而在很大程度上降低了采样率。压缩感知跳过了采集N个样本这一步骤，直接获得压缩的信号的表示。CS理论利用到了许多自然信号在特定的基 上具有紧凑的表示。即这些信号是“稀疏”的或“可压缩”的。由于这一特性，压缩感知理论的信号编解码框架和传统的压缩过程大不一样，主要包括信号的稀疏表示、编码测量和重构算法等三个方面。
基于压缩感知认知模型的面像识别与理解
基于稀疏贝叶斯回归的人脸姿势识别方法（专利） 一种基于稀疏贝叶斯回归的人脸姿势识别方法，用于图像处理技术领域。步骤如下：采用Ｇａｂｏｒ滤波器为人脸姿势图像提取Ｇａｂｏｒ特征；将Ｇａｂｏｒ特征进行下采样，然后将采样后的特征行堆叠为一维向量；在训练样本上运用线性切空间排列方法，获得人脸姿势图像的本质低维子空间，并且得到相应的投影矩阵；在低维子空间运用稀疏贝叶斯回归方法训练识别参数；将每一个测试样本通过训练的得到的投影矩阵映射到低维子空间，运用训练的得到的识别参数进行人脸姿势识别。本发明能够得到人脸姿势的非确定解，降低错误率，提高实时性。 基于非负矩阵因子的人耳识别研究（硕士） 生物识别技术已经作为一种较为成熟的身份识别鉴定技术应用于实际生活的各个方面，目前常用的 生物特征包括人脸、虹膜、指纹、手形等。但是由于各个生物特征都有其局限性和不足，在研究和应用 过程中仍然存在一些尚未解决的问题。人耳识别技术是个体生物特征识别领域的一项新技术，人耳生物 特征自身的一些特点使人耳识别能丰富生物特征识别技术，能补充目前的一些生物识别技术的不足，其 可行性已经得到了试验证明。但是在现实生活中，人耳总是会有意或无意地被遮挡。系统所提取的人耳 特征将会受到很大的影响，则系统的鲁棒性、可靠性都将有所下降。所以在实现“非打扰识别”中，有必要 研究人耳遮挡问题。因此我们探索和研究了一种有效的针对遮挡情况下的人耳特征描述方法。首先提出 了一种改进的带有稀疏性限制的非负矩阵因子方法，为了使基空间和特征空间同时具有良好的稀疏性， 通过增加一个使系数矩阵尽可能正交的约束条件来定义原目标函数，给出了求解该新目标函数的迭代规则，并证明了迭代规则的收敛性。然后对人耳图像进行子区域划分，用改进的带有稀疏性限制的非负矩 阵因子方法对各子区域提取特征，并计算各子区域相似度，最后融合各子区域相似度得到整体相似度， 确定由局部相似度到整体相似度的最佳映射，以保证最优类间区分能力。在实验中，针对样本库的人耳 用改进的带有稀疏性限制的非负矩阵因子方法提取其特征变量，从结果数据可以看出所提取的特征向量 稀疏性及正交性都有所增强，使得特征向量之间的可区分性增强，导致识别率的提高。实验结果还证明，在遮挡情况下，采用基于子区域划分的融合方法的识别率比基于单一模式的识别率高。 作者：张玉学科专业：控制理论与控制工程授予学位：硕士学位授予单位：北京科技大学导 师姓名：穆志纯学位年度：2005 研究方向：分类号：TP391.4 关键词：人耳识别生物识别子 区域划分识别技术目标函数
压缩感知技术综述
压缩感知技术综述 摘要：信号采样是模拟的物理世界通向数字的信息世界之必备手段。多年来，指导信号采样的理论基础一直是著名的Nyquist采样定理，但其产生的大量数据造成了存储空间的浪费。压缩感知（Compressed Sensing）提出一种新的采样理论，它能够以远低于Nyquist采样速率采样信号。本文详述了压缩感知的基本理论，着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展，并介绍了压缩感知的应用及基于压缩感知SAR成像的仿真。 关键词：压缩感知；稀疏表示；观测矩阵；SAR成像； Abstract: Signal sampling is a necessary means of information world physical world to the digital simulation. Over the years, the base theory of signal sampling is the famous Nyquist sampling theorem, but a large amount of data generated by the waste of storage space. Compressed sensing and put forward a new kind of sampling theory, it can be much less than the Nyquist sampling signal sampling rate. This paper introduces the basic theory of compressed sensing, emphatically introduces the new progress in three aspects of signal sparse representation, design of measurement matrix and reconstruction algorithm, and introduces the application of compressed sensing and Simulation of SAR imaging based on Compressive Sensing Keywords: Compressed sensing; Sparse representation; The observation matrix; SAR imaging; 0 引言 Nyquist采样定理指出，采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。可见，带宽是Nyquist采样定理对采样的本质要求。然而随着人们对信息需求量的增加，携带信息的信号带宽越来越宽，以此为基础的信号处理框架要求的采样速率和处理速度也越来越高。解决这些压力常见的方案是信号压缩。但是，信号压缩实际上是一种资源浪费，因为大量的不重要的或者只是冗余信息在压缩过程中被丢弃。从这个意义而言，我们得到以下结论：带宽不能本质地表达信号的信息，基于信号带宽的Nyquist采样机制是冗余的或者说是非信息的。 于是很自然地引出一个问题：能否利用其它变换空间描述信号，建立新的信号描述和处理的理论框架，使得在保证信息不损失的情况下，用远低于Nyquist 采样定理要求的速率采样信号，同时又可以完全恢复信号。与信号带宽相比，稀疏性能够直观地而且相对本质地表达信号的信息。事实上，稀疏性在现代信号处理领域起着至关重要的作用。近年来基于信号稀疏性提出一种称为压缩感知或压缩采样的新兴采样理论，成功实现了信号的同时采样与压缩。
基于压缩感知的雷达目标检测研究硕士学位
基于压缩感知的雷达目标检测研究硕士学位
中图分类号：TN957 论文编号：1028704 15-S051 学科分类号：081001 硕士学位论文 基于压缩感知的 雷达目标检测研究 研究生姓名 学科、专业通信与信息系统 研究方向雷达信号处理 指导教师 XIII
Nanjing University of Aeronautics and Astronautics The Graduate School College of Electronic and Information Engineering Study of Radar Target Detection Based on Compressed Sensing A Thesis in Radar Signal Processing By Advised by Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Engineering December, 2014 XIII
毕业论文（设计）原创性声明 本人所呈交的毕业论文（设计）是我在导师的指导下进行的研究工作及取得的研究成果。据我所知，除文中已经注明引用的内容外，本论文（设计）不包含其他个人已经发表或撰写过的研究成果。对本论文（设计）的研究做出重要贡献的个人和集体，均已在文中作了明确说明并表示谢意。 作者签名：日期： 毕业论文（设计）授权使用说明 本论文（设计）作者完全了解**学院有关保留、使用毕业论文（设计）的规定，学校有权保留论文（设计）并向相关部门送交论文（设计）的电子版和纸质版。有权将论文（设计）用于非赢利目的的少量复制并允许论文（设计）进入学校图书馆被查阅。学校可以公布论文（设计）的全部或部分内容。保密的论文（设计）在解密后适用本规定。 作者签名：指导教师签名： 日期：日期： XIII
压缩感知原理
压缩感知原理 1压缩感知引论 传统方式下的信号处理，是按照奈奎斯特采样定理对信号进行采样，得到大量 的采样数据，需要先获取整个信号再进行压缩，其压缩过程如图 2.1。 在此过程中，大部分采样数据将会被抛弃，即高速采样后再压缩的过程浪费了大量的采样资源，这就极大地增加了存储和传输的代价。 由于带宽的限制，许多信号只包含少量的重要频率的信息。所以大部分信号是稀疏的或是可压缩的，对于这种类型的信号，既然传统方法采样的多数数据会被抛弃，那么，为什么还要获取全部数据而不直接获取需要保留的数据呢？Candes和Donoho等人于2004年提出了压缩感知理论。该理论可以理解为将模拟数据节约地转换成压缩数字形式，避免了资源的浪费。即，在采样信号的同时就对数据进行适当的压缩，相当于在采样过程中寻找最少的系数来表示信号，并能用适当的重构算法从压缩数据中恢复出原始信号。压缩感知的主要目标是从少量的非适应线性测量中精确有效地重构信号。核心概念在于试图从原理上降低对一个信号进行测量的成本。压缩感知包含了许多重要的数学理论，具有广泛的应用前景，最近几年引起广泛的关注，得到了蓬勃的发展。 2压缩感知原理 压缩感知，也被称为压缩传感或压缩采样，是一种利用稀疏的或可压缩的信号进行信号重构的技术。或者可以说是信号在采样的同时被压缩，从而在很大程度上降低了采样率。压缩感知跳过了采集N个样本这一步骤，直接获得压缩的信号的表示。CS理论利用到了许多自然信号在特定的基上具有紧凑的表示。即这些信号 是“稀疏”的或“可压缩”的。由于这一特性，压缩感知理论的信号编解码框架和传统的压缩过程大不一样，主要包括信号的稀疏表示、编码测量和重构算法等三个方面。 对于一个实值的有限长一维离散时间信号 X ,可以看作为一个R N空间N X 1的 维的列向量，元素为n, n,=1 , 2,…N。R N空间的任何信号都可以用N X1维
浅谈压缩感知方法及其在雷达领域的应用
浅谈压缩感知方法及其在雷达领域的应用 摘要：传统信号处理的采样率必须满足香农定理。随着携带信息量和系统分辨率的提高，系统带宽不断增大，这对系统传输和存储等带来巨大压力。压缩感知理论利用信号内在的稀疏性，以低于奈奎斯特采样率对其进行采样，显著降低信号处理的成本。文章介绍了压缩感知方法的基本理论和几类典型稀疏重构方法，并通过仿真实验分析了它们的性能。最后结合几个典型实例，概述了采用压缩感知方法解决雷达信号处理领域某些特定工程问题的优势。 Abstract：Conventional signal processing approaches must follow Shannon's celebrated theorem. As the promotion of information and resolution，the band of system will also increase. The transmission and storage of system is greatly challenged. While compressive sensing theory can sample signal at the rate below Nyquist Sampling frequency to lessen the system cost in signal processing. This paper introduces the basic theory of compressive sensing and several typical sparse recovery methods. The performance of different methods was illustrated through simulation. Via several typical applications in radar，we showed the advantage in dealing with some special
压缩感知理论综述
压缩感知理论综述摘要：信号采样是模拟的物理世界通向数字的信息世界之必备手段。多年来，指导信号采样的理论基础一直是著名的Nyquist采样定理，但其产生的大量数据造成了存储空间的浪费。压缩感知(Compressed Sen si ng)提出一种新的采样理论，它能够以远低于Nyquist采样速率采样信号。本文详述了压缩感知的基本理论，着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展，并介绍了压缩感知的应用及仿真，举例说明基于压缩感知理论的编解码理论在一维信号、二维图像处理上的应用。 关键词：压缩感知；稀疏表示；观测矩阵；编码；解码 一、引言 Nyquist采样定理指出，采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。可见，带宽是Nyquist采样定理对采样的本质要求。然而随着人们对信息需求量的增加，携带信息的信号带宽越来越宽，以此为基础的信号处理框架要求的采样速率和处理速度也越来越高。解决这些压力常见的方案是信号压缩。但是，信号压缩实际上是一种资源浪费，因为大量的不重要的或者只是冗余信息在压缩过程中被丢弃。从这个意义而言，我们得到以下结论：带宽不能本质地表达信号的信息，基于信号带宽的Nyquist采样机制是冗余的或者说 是非信息的。 于是很自然地引出一个问题：能否利用其它变换空间描述信号，建立新的信号描述和处理的理论框架，使得在保证信息不损失的情况下，用远低于Nyquist 采样定理要求的速率采样信号，同时又可以完全恢复信号。与信号带宽相比，稀疏性能够直观地而且相对本质地表达信号的信息。事实上，稀疏性在现代信号处理领域起着至关重要的作用。近年来基于信号稀疏性提出一种称为压缩感知或压缩采样的新兴采样理论，成功实现了信号的同时采样与压缩。 简单地说，压缩感知理论指出：只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。在该理论框架 下，采样速率不再取决于信号的带宽，而在很大程度上取决于两个基本准则：稀疏性
压缩感知技术研究进展分析
压缩感知技术研究进展 摘要：信号采样是联系模拟信源和数字信息的桥梁.人们对信息的巨量需求 造成了信号采样、传输和存储的巨大压力. 如何缓解这种压力又能有效提取承载在信号中的有用信息是信号与信息处理中急需解决的问题之一. 近年国际上出现的压缩感知理论(Compressed Sensing,CS)为缓解这些压力提供了解决方法. 本文综述了CS 理论框架及关键技术问题, 并介绍了仿真实例、应用前景, 评述了其中的公开问题,对研究中现存的难点问题进行了探讨,最后对CS技术做了一下总结和展望. 关键词：压缩感知；稀疏表示；观测矩阵；编码；解码 Advances in Theory and Application of Compressed Sensing Abstract：Sampling is the bridge between analog source signal and digital signal. With the rapid progress of information technologies, the demands for information are increasing dramatically. So the existing systems are very difficult to meet the challenges of high speed sampling, large volume data transmission and storage. How to acquire information in signal efficiently is an urgent problem in electronic information fields. In recent year s, an emerging theory of signal acquirement. compressed sensing(CS) provides a golden opportunity for solving this problem. This paper reviews the theoretical framework and the key technical problems of compressed sensing and introduces the latest developments of signal sparse representation, design of measurement matrix and reconstruction algorithm. Then this paper also reviews several open problems in CS theory and discusses the existing difficult problems. In the end, the application fields of compressed sensing are introduced. Key words:compressed sensing;sparse representation; the observation matrix; coding;decoding 一、引言 在过去的半个世纪里，奈奎斯特采样定理几乎支配着所有的信号或图像等