观测矩阵

摘要： 非洲蝗虫灾害给当地农作物带来了巨大的损害,为了实时监测蝗虫迁徙动向和蝗虫变异状态,提出一种改进的压缩采样匹配追踪(uCoSaMP)蝗虫图像重构算法。针对观测矩阵性能不佳的现状,通过构造新观测矩阵,有效提高观测值的重构潜能。在原子选择阶段,利用修正因子自适应地修正残差与观测矩阵各列的相关性,提高候选集的正确率;在原子剔除阶段,细分为两步:第一步采用最小二乘法将候选集尺寸缩小到两倍稀疏度大小,第二步利用信号和残差的加权值获得支撑集;根据残差二范数和阈值的大小设置迭代停止条件;以近景和远景蝗虫图像为仿真对象分别进行实验,结果表明:改进算法在主观和客观方面均具有更优的重构性能,峰值信噪比(PSNR)最大提高了10%。

摘要： 为了解决在利用压缩感知理论重构信号时,随机矩阵优化算法不能很好地解决最优相关性的问题,提出用改进的麻雀搜索算法来加强观测矩阵的全局寻优性,使得观测矩阵与稀疏矩阵的互相关系数降低,以此提高信号的重构精度。该算法用黄金正弦算法优化了麻雀算法的种群生成模式,减少了算法的迭代次数,增强了全局寻优能力,然后用改进麻雀算法在随机高斯矩阵的基础上进行寻优,直到找到最优观测矩阵。通过仿真实验发现,相比于同类算法,该算法的信号重建噪声比、互相关系数、运行时间以及相对误差性能均优于其他算法,证明了本方法的有效性。

摘要： 单像素成像系统是通过无空间分辨能力的单像元探测器来获取目标二维分布信息的计算光学成像技术,与传统直接成像技术相比具有高能量收集效率、高灵敏度等一系列优点,在高能物理诊断技术领域有着广阔的应用前景。针对实际单像素压缩感知成像系统在复杂诊断环境中存在的重建噪声较大的问题,提出并实现了基于分块平滑投影Landweber二次重构算法的单像素成像系统。根据算法观测矩阵分布特性以及数字微镜硬件输入要求实现了实际投影观测矩阵的变换,利用二次重构算法实现了单像素诊断的仿真分析与实验测试。仿真结果表明,在采样率为20%~30%的条件下,重建图像峰值信噪比大于20 dB,结构相似性高于0.8。进一步搭建单像素成像平台完成实验研究及验证,实验结果表明,利用二次重构算法模型对目标场景进行恢复的效果优于其余两种传统算法。二次重构单像素成像系统在采样率仅为20%的条件下能够重建出清晰的原始图像,具有较好的噪声抑制特性。

摘要： 为了降低云-雾节点之间的通信消耗,对物联网数据融合计算效率问题进行研究,提出一种基于雾计算的物联网高维度数据压缩算法。在空时压缩机制基础上,建立了雾计算的离线与实时混合数据分析架构,充分考虑高维度数据的空时相关性和观测矩阵的自相关性。通过构造克罗内克(Kronecker)联合观测矩阵,并利用最优化理论对其进行求解,获得该观测矩阵最优值。最后,基于Intel Lab Data公开数据集对提出的算法进行实验验证。实验结果表明,相比于有效数据聚合(Effective Data Aggregating Method based on Compressive Sensing,EDAM)算法和基于动态环的路由方案实现寿命最大化(Lifetime Maximization Dynamic Ring-based Routing Scheme,LMDRS)算法,基于雾计算的观测矩阵优化压缩算法收敛性较好、压缩误差低,在相同的压缩率情况下,所提算法的相对重构误差最小。

摘要： 在压缩感知理论中,最为关键的问题是观测矩阵的构造.影响图像重建质量的因素包括观测矩阵列向量间的独立性以及观测矩阵与稀疏基间的互相关性.基于此提出了一种优化算法.该算法采用QR分解以增大观测矩阵列独立性,同时对利用等角紧框架(Equiangular Tight Frame,ETF)收缩的Gram矩阵进行优化,通过更新每次梯度下降的方向,加快收敛速度,从而减小观测矩阵与稀疏基间的互相关性.仿真实验结果显示,在信号稀疏度或观测次数相同情况下,该优化观测矩阵的方法在提高图像重建质量与稳定性方面都有一定优势.

摘要： 针对电容层析成像逆问题求解存在病态性和欠定性的问题,将压缩感知理论应用到成像过程中缓解其欠定性.首先将初始信号稀疏化处理,其次基于高斯随机阵对灵敏度矩阵的各行重新排列,随后进行奇异值分解得到了列独立性更高的观测矩阵.最后将基于l1/2-范数的半阈值迭代算法引入到ECT成像过程中,并在罚函数中加入l2-范数的约束项,通过改进的半阈值迭代算法进行求解.仿真实验表明,该算法有效地降低了图像误差,并兼顾了成像速度,在ECT成像过程中具有良好的性能.

摘要： 基于卷积神经网络,对某尾矿区1997—2019年水平位移监测数据进行了方向自动识别.该法首先改进神经网络的卷积核并设计卷积-池化结构,然后将多年监测数据分类为训练集、验证集与测试集,并设置其构成比例与运行参数.实验结果表明,采用卷积神经网络模型进行尾矿区水平位移方向自动识别,具有较高的效率和精度,数据运行时间为636.5 s,识别相对精度为0.23％,该法不失为一种健壮性好、普适性强的水平位移方向识别新方法.

摘要： 为了提高稀疏度自适应贪婪迭代(sparsity adaptive greedy iterative,SAGI)算法的重构性能,缩短重构时间,提出了一种基于有限等距性质(restricted isometry property,RIP)的稀疏度预测自适应匹配追踪(RIP based prediction-sparsity adaptive matching pursuit,RSAMP)算法,并成功将其应用于正交频分复用(orthogonal frequency division multiplexing,OFDM)系统信道估计.首先,提出一种基于RIP的稀疏度预测方法,可以在稀疏度未知的情况下快速精确地逼近真实稀疏度,大大缩短了算法的运行时间.其次,利用主成分分析法对观测矩阵采取了优化处理,提高了算法的重构性能.仿真实验显示,相较于SAMP、SAGI算法,本文提出的RSAMP算法可以获取更好的估计性能和更短的运行时间.

摘要： 为降低可穿戴心电监护系统的实时数据量,以方便数据存储、传输,探讨了小波稀疏域下心电信号压缩感知采样和重构过程,以得到小波稀疏域下的心电信号最优压缩感知方法.从压缩率、重构精度和重构耗时角度,分析了心电信号在以Daubechies、Coiflet、Symlet、Biorthogonal、ReverseBior等小波构建的变换矩阵下的稀疏性能,研究了伯努利、循环、高斯、哈达马、托普利兹等观测矩阵的采样性能,完成了不同重构算法的结果分析,提出了基于db4小波滤波稀疏、伯努利观测矩阵采样、GOMP重构的心电信号压缩感知采样方法.基于MIT-BIH数据库的实验结果表明:该方法在心电信号压缩比(CR)达68.75％时,重构均方根差百分比误差(PRD)约为1％,且重构用时短,具有显著的应用优势.

摘要： 压缩感知理论颠覆了传统的奈奎斯特采样定理,提出了一种将信号采样与压缩过程合二为一的信号采集方法。其采样于压缩过程实质是线性观测的过程。音频信号在压缩采样过程中要完成高维矩阵运算,利用传统的压缩感知观测矩阵如高斯随机矩阵、部分哈达玛矩阵对音频信号压缩采样的时间复杂度、空间复杂度较高,难以在计算、存储资源有限的硬件设备上实现。针对该问题,本文针对音频信号设计了一种以伯努利矩阵为基础的观测矩阵,并对该矩阵的观测性能及信号重建效果进行了仿真分析,分析表明该矩阵能以高概率满足RIP性质.

摘要： 压缩感知是一种能够在数据采样的同时实现压缩的新的信号处理方法。利用信号可稀疏表示的先验知识，压缩感知系统设计随机观测矩阵来实现与稀疏变换基不相干的要求，能从比Nyquist采样率低得多的观测值中重构原始信号，突破了传统Nyquist采样定理的约束。本文利用混沌系统的良好伪随机性质，通过一类由符号混沌空间有限性子转移产生的伪随机序列构造压缩感知观测矩阵，并通过与Bernoulli随机观测矩阵的实验比较，证明了该方法的可行性和有效性。

摘要： 本文在假设超混沌系统非线性函数满足Lipschitz条件的基础上,利用非线性系统的李亚普诺夫稳定性理论,构造混沌系统及其观测器的状态误差方程的李亚普诺夫函数,讨论了一类连续混沌动力学系统的状态观测器设计方法,给出了该类系统设计观测器时的参数取值范围,仿真结果进一步验证了该方法的有效性.

摘要： 本文在假设超混沌系统非线性函数满足Lipschitz条件的基础上,利用非线性系统的李亚普诺夫稳定性理论,构造混沌系统及其观测器的状态误差方程的李亚普诺夫函数,讨论了一类连续混沌动力学系统的状态观测器设计方法,给出了该类系统设计观测器时的参数取值范围,仿真结果进一步验证了该方法的有效性.

摘要： 本文在假设超混沌系统非线性函数满足Lipschitz条件的基础上,利用非线性系统的李亚普诺夫稳定性理论,构造混沌系统及其观测器的状态误差方程的李亚普诺夫函数,讨论了一类连续混沌动力学系统的状态观测器设计方法,给出了该类系统设计观测器时的参数取值范围,仿真结果进一步验证了该方法的有效性.

摘要： 本发明公开了基于全天候观测误差协方差矩阵的数值天气预报方法，步骤包括：对红外高光谱观测资料进行同化，构造观测误差协方差矩阵，并进行分解和求逆计算，得到观测误差相关矩阵；将观测误差相关矩阵用代价函数实现；将模拟的有云辐射率与观测辐射率分别和晴空辐射率计算偏差，获得背景场的云辐射率和观测包含的云辐射率和云特征函数；构造不同通道的膨胀因子，由膨胀因子构成对角化的膨胀矩阵；将云特征函数和云量函数带入代价函数，在同化系统中计算新构造的代价函数及其梯度，并极小化解求解最优分析场，根据最优分析场进行数值天气预报。本发明可针对全天候气象有效利用观测误差相关对红外高光谱资料进行同化。

摘要： 本申请提出了基于扩张状态观测器的多电平矩阵变流器控制方法，包括：建立M3C的数学模型；进行双αβ0变换，得到M3C的解耦数学模型；将αβ0坐标系下M3C数学模型写成超局部模型的形式；设计对超局部模型中的不确定项进行估计的扩张状态观测器，基于得到的扩张状态观测器，利用无差拍算法计算M3C参考桥臂电压，根据调制算法产生桥臂内子模块的开关状态组合。通过设计扩展状态观测器对M3C系统中的未建模动态和外部扰动进行实时估计，利用M3C的超局部模型进行控制，具有无模型的控制特性。因此能够提高系统面对外部扰动以及参数失配等工况的鲁棒性，改善传统无差拍控制策略依赖变流器精确数学模型的缺点，能够取得快速的动态响应和较好的稳态性能。

摘要： 本发明提供的电机全阶观测器的反馈矩阵获取方法，包括：获取电机的五阶误差系数矩阵；获取矢量控制系统不稳定区域的边界；消除不稳定区域，将四维反馈矩阵参数的选取转化为单一反馈矩阵参数的选取；判断单一反馈矩阵参数是否合格；基于合格的反馈矩阵参数输出反馈矩阵，以构建新的全阶观测器模型。通过将多维反馈矩阵参数的求解转化为单一反馈矩阵参数的求解，通过得到的反馈矩阵参数调整电机的全阶观测器，实现电机在任何工况下的稳定控制；简化电机全阶观测器的五阶误差系数矩阵的特征根的获取难度，将现有的纯符号运算转换为可计算的数值运算，从而根据特征根是否具有负实部来判断反馈矩阵参数的选取是否合格。

摘要： 本发明提出一种基于稀疏化哈达玛矩阵的压缩感知观测矩阵构造方法，包括以下步骤：A：建立第一稀疏化哈达玛矩阵集，第一稀疏化哈达玛矩阵集中每个第一稀疏化哈达玛矩阵为

摘要： 本发明是一种基于近似观测矩阵的聚束SAR压缩感知成像方法，包括如下步骤：步骤一、基于尺度变换的极坐标格式算法得到距离向尺度变换的矩阵形式；步骤二、基于尺度变换的极坐标格式算法得到方位向尺度变换的矩阵形式；步骤三、根据步骤一和步骤二的结果推导出极坐标格式算法成像过程的矩阵表达形式，步骤四、根据步骤三得到的雷达投影矩阵的信号模型，推导出逆成像过程的信号模型；步骤五、将上述步骤得到的PFA成像过程和逆成像过程和基于近似观测矩阵的迭代阈值收缩算法构建CS重建模型。该发明对PFA成像过程进行稀疏约束，PFA成像在SAR领域应用的范围更加宽泛，与传统的精确测量矩阵相比，大大降低了计算复杂度和存储内存。

摘要： 本发明公开了一种融合字典训练与观测矩阵优化的数据高质压缩方法，通过对稀疏字典与观测矩阵联合优化，实现字典与观测矩阵之间相关性的深入挖掘，主要解决了实际传感器数据采集的问题：首先，本发明构建了一种基于K‑SVD思想的二维字典训练方法，实现IIoT中空时数据的稀疏表示；其次，通过在空间和时间域优化相应的观测矩阵来最小化感知矩阵的列相干性，从而匹配训练后的稀疏字典。最后，提出了一种联合优化方法，在字典训练以及观测矩阵优化之间进行了权衡考量，使得重构误差达到理论上的最小值。与现有的数据压缩方案相比，本发明提出的HQDC方法可以在真实的IIoT场景中高效地工作；同时，HQDC方法在重建精度上也显著优于其他的数据压缩方案。

摘要： 本发明公开了一种基于阿基米德螺线作为观测矩阵的红外图像重构方法，包含如下步骤：步骤(1)：读入所需重构维度为N×N的红外图像，根据维度定义阿基米德螺线极坐标方程；步骤(2)：在阿基米德螺线上均匀地采集N2个点，构造一个确定的序列；步骤(3)：利用确定的序列构造确定性矩阵作为所需重构维度为N×N的红外图像的初始观测矩阵；步骤(4)：根据采样率构造确定性矩阵的维度M×N，得到确定性观测矩阵，再利用确定性观测矩阵重构红外图像。本发明将CS理论引入到红外成像系统中，获得高分辨率重构红外图像，使获得的重构红外图像包含更多有价值的目标信息，有助于后续的目标检测、识别和跟踪工作。且重构误差明显减小，峰值信噪比值明显提高。

摘要： 本发明提出一种基于稀疏化哈达玛矩阵的压缩感知观测矩阵构造方法，包括以下步骤：A：建立第一稀疏化哈达玛矩阵集，第一稀疏化哈达玛矩阵集中每个第一稀疏化哈达玛矩阵为

摘要： 本发明公开了一种兼容地基GNSS和掩星资料的电离层数据同化观测矩阵构建方法，包括如下步骤：步骤A，计算GNSS卫星‑接收机之间信号传播路径坐标：步骤B，计算信号传播路径与同化区域内离散化网格交叉面的纬度、经度和高度：步骤C，计算传播路径上的所有相交点的位置坐标：步骤D，构建电离层数据同化观测矩阵。本发明提供了的电离层数据同化观测矩阵构建方法，兼顾了地基GNSS和掩星的特点，特别考虑了掩星接收机与GNSS卫星传播路径上纬度和高度变化非单调递增或递减的关系，有效避免了观测矩阵构建过程中射线在网格内的截距求解误差，实现了数据同化观测矩阵的准确估计。

摘要： 本发明涉及一种基于观测矩阵实现量化预测的模拟信息转换器。本发明与传统的量化器不同，本发明的预测量化器将观测矩阵作为预测参数恢复压缩采样后信号的相关性，根据观测矩阵中伪随机序列的不同值，选择前值预测、零值预测和不预测直接量化等不同的量化模式，解决了压缩采样所带来的信号自相关性下降的问题，对不同频率的输入信号以及不同的压缩采样比的情况都能有较好的兼容性。