船舶优化中压缩感知算法的应用剖析.pptxVIP

压缩感知算法介绍和应用 汇报人： 日 期：2015.2.01 压缩感知原理 传统的信号采样方法基于香农采样定理，即采样频率需大于两倍的信号带宽才能完全还原原始信号。许多有损压缩技术例如 JPEG，JEPG-2000，MPEG 和 MP3 等都是基于视频或数字图像信号在合适的变换基下具有稀疏性。压缩过程一般是把信号变换后的大系数保存下来，而丢弃微小的系数。 压缩感知理论是在2006年提出来的，其基本思想是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。 压缩感知理论三大部分 （1）信号的稀疏表示；（2）设计测量矩阵，要在降低维数的同时保证原始信号x的信息损失最小；（3）设计信号恢复算法，利用M个观测值无失真地恢复出长度为N的原始信号。 压缩感知的数学模型 一般的自然信号x本身并不是稀疏的，需要在某种稀疏基上进行稀疏表示，x=Ψs，Ψ为稀疏基矩阵，s为的稀疏系数。 压缩感知方程为y=Φx=ΦΨs=Θs。 将原来的测量矩阵Φ变换为Θ=ΦΨ（称之为传感矩阵），解出s的逼近值 ，则原信号 。 稀疏性的定义 一个实值有限长的N维离散信号 ，由信号理论可知，它可以用一个标准正交基 的线性组合来表示，假定这些基是规范正交的，其中 表示矩阵 的转置，那么有 其中 ，若 在基 上仅有K 个非零系数 时，称 为信号 的稀疏基， 是 K 稀疏(K-Sparsity)的。 观测矩阵的设计 观测器的目的是采样得到M个观测值，并保证从中能够重构出原来长度为N的信号x 或者稀疏基下的系数向量s 。 观测过程就是利用M×N观测矩阵的M个行向量对稀疏系数向量进行投影，得到 M个观测值。 观测矩阵需要满足的条件 必须保证观测矩阵不会把两个不同的 项稀疏信号映射到同一个采样几何中，这就要求从观测矩阵中抽取的每个列向量构成的矩阵是非奇异的。 R.Baraniuk将上述条件简化为如果保证观测矩阵和稀疏基不相干，则在很大概率上满足RIP性质。不相干是指 不能用 稀疏表示，不相干性越强，互相表示时所需的系数越多。 信号重构 首先介绍下范数的概念。向量的p-范数为： 当p=0时得到0-范数，它表示上式中非零项的个数。 由于观测数量 M远小于N，不能直接求解，在信号X可压缩的前提下，求解病态方程组的问题转化为最小0-范数问题： 2000 2000 1)第一类贪婪算法：这类算法是通过每次迭代时选择一个局部最优解来逐步逼近原始信号，典型的贪婪算法--MP算法，贪婪算法是针对组合优化提出, 目前已发展了多种变形，例如，OMP, OOMP, CosMP等。该类重建算法速度快, 然而需要的测量数据多且精度低。 2)第二类凸优化算法：这类方法是将非凸问题转化为凸问题求解找到信号的逼近，如BP算法，梯度投影方法等。该类算法速度慢，然而需要的测量数据少且精度高。 3)第三类组合算法：这类方法要求信号的采样支持通过分组测试快速重建，如代表性方法Sparse Bayesian。该类方法位于前两者之间。 目前出现的重构算法 2000 压缩感知案例 对256×256大小的8bit灰度lena图像进行仿真计算，由于数据量过大，将图像分为16×16大小的分块进行计算，稀疏矩阵采用DCT矩阵，观测矩阵采用高斯随机矩阵，重构算法采用OMP（正交匹配追踪）算法。 原图像 采样率0.7 采样率0.5 采样率0.3 某实习船舵参数优化结果 谢谢！