分布式压缩感知联合重建算法的研究

《分布式压缩感知联合重建算法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文MASTER’SDISSERTATION论文题目分布式压缩感知联合重建算法的研究作者姓名候肖兰学科专业信息与通信工程指导教师司菁菁2016年5月中图分类号：TP391.4学校代码：10216UDC：621.39密级：公开工学硕士学位论文分布式压缩感知联合重建算法的研究硕士研究生：候肖兰导师：司菁菁申请学位：工学硕士学科专业：信息与通信工程所在单位：信息科学与工程学院答辩日期：2016年5月授予学位单位：燕山大学ADissertationinInformationandCommunicationEngineeringTHEJOINTRECONSTRUCTIONALGORITHMSR

2、ESEARCHOFDISTRIBUTEDCOMPRESSEDSENSINGbyHouXiaolanSupervisor:AssociateProfessorSiJingjingYanshanUniversityMay,2016燕山大学硕士学位论文原创性声明本人郑重声明：此处所提交的硕士学位论文《分布式压缩感知联合重建算法的研究》，是本人在导师指导下，在燕山大学攻读硕士学位期间独立进行研究工作所取得的成果。论文中除已注明部分外不包含他人已发表或撰写过的研究成果。对本文的研究工作做出重要贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签字：日期：年月日摘要摘要压

3、缩感知是一种新型的信号采样理论，利用信号的稀疏性，在对信号采样的同时对数据进行了压缩。分布式压缩感知建立在压缩感知理论基础之上，在利用信号内部相关性的同时，利用了信号之间的相关性，将单个信号的压缩与重构扩展到多个信号，实现了多信号的分布式压缩与联合重构。本文研究分布式压缩感知的联合重构，主要进行了以下几方面的研究工作。首先，针对分布式压缩感知的混合支撑集模型，设计了联合向前变步长正交匹配追踪算法，在信号重构过程中根据相邻次迭代重建信号的能量差，自适应地对向前参数进行动态调整，在信号重建精度与算法运行时间之间取得平衡。进而，在联合向前变步长正交匹配追踪算法的基础上，设计了联合向前向后的变步长正

4、交匹配追踪算法，有效降低了原子误选的几率，提高了信号重建的精度。然后，针对多路径匹配追踪算法无法利用稀疏信号的结构信息、迭代层数较高时计算复杂度较大等问题，设计了一种适用于重构块稀疏信号的块剪枝多路径匹配追踪算法。该算法以原子块作为路径扩张的节点，在一定迭代层数后引入树枝修剪操作，极大地降低了数据运算量。进而，针对多观测向量问题，设计了多观测向量块剪枝多路径匹配追踪算法，用以实现无线传感器网络小范围内多传感器信号的联合重构。实验结果表明本文提出的算法在重构效果和运行时间上具有优越性。最后，面向分簇无线传感器网络研究层次化分布式压缩感知。建立块稀疏簇内联合稀疏模型，联合描述簇内成员采集数据的时

5、间相关性与空间相关性；建立块稀疏簇间联合稀疏模型，描述同一监测区域内各簇采集数据的空间相关性。基于分簇无线传感器网络采集信号的结构化稀疏特性，设计层次化观测方案以及分级联合重构方案。仿真实验结果表明了该方案在保证重建新号质量的同时，能够有效减少网络中传输的数据量，减少簇头的通信负担。关键词：分布式压缩感知；联合重构；贪婪追踪；多观测向量；块稀疏；无线传感器网络IAbstractAbstractCompressedsensingisanewsignalsamplingtheorywhichmakesfulluseofthesignalsparsityandfinishessamplingand

6、compressingatthesametime.Distributedcompressedsensingestablishedonthebasisofcompressedsensing.Itcanexploitbothintra-andinter-signalcorrelationstructuresatthesametimewhichmakescompressionandreconstructionfromasinglesignaltoexpansionofmulti-signalsandimplementmulti-signalsdistributedcompressionandrec

7、onstruction.Basedondistributedcompressedsensingofjointreconstructionalgorithm,thispaperconductsthefollowingresearchaspects.First,focusingonthemixedsupport-setmodelofdistributedcompressedsensing,jointlookahe