基于压缩感知的信号重构算法.docVIP

基于压缩感知的的信号重构算法 1 引言 至今，已有众多国内外学者在重建算法领域做出了新的研究和探索。Candes等证明了信号重建问题可以通过求解最小范数问题解决，但Donoho指出，求解最小范数是一个NP问题，需要穷举中非零值的所有中排列可能，因而无法直接求解。此后，研究人员提出了一系列求得次最优解的算法，主要包括最小范数法、贪婪迭代匹配追踪系列算法等。其中，匹配追踪类方法为其近似求解提供了有力工具，文献中指出了该类方法用于稀疏信号重建时具有一定的稳定性。 重建算法的关键是如何从压縮感知得到的低维数据中精确地恢复出原始的高维数据，即由维测量向量重建出长度为的信号的过程。传统的匹配追踪算法能够精确的重建出原始信号，但同时又有不同方面的缺陷，因此有关压縮感知重建算法的研究还有很多值得探索和研究的地方。 2 最小范数模型 从数学意义上讲，基于压缩感知理论的信号重建问题就是寻找欠定方程组(程的数量少于待解的未知数)的最简单解的问题，范数刻画得就是信号中非零元素的个数，因而能够使得结果尽可能地稀疏。通常我们采用下式描述最小范数最优化问题： s.t. (3.1) 实际中，允许一定程度的误差存在，因此将原始的最优化问题转化成一个较简单的近似形式求解，其中是一个极小的常量： s.t. (3.2) 但是这类问题的求解数值计算极不稳定，很难直接求解。 3 匹配追踪类算法 匹配追踪类稀疏重建算法解决的是最小范数问题，最早提出的有匹配追踪(MP)算法和正交匹配追踪(OMP)算法。MP的基本思想是在每一次的迭代过程中，从过完备原子库里(即感知矩阵)选择与信号最匹配的原子来进行稀疏逼近并求出余量，然后继续选出与信号余量最为匹配的原子。经过数次迭代，该信号便可以由一些原子线性表示。但是由于信号在己选定原子(感知矩阵的列向量)集合上的投影的非正交性使得每次迭代的结果可能是次最优的，因此为获得较好的收敛效果往往需要经过较多的迭代次数。 OMP算法则有效克服了这个问题，该算法沿用了匹配追踪算法中的原子选择准则，在重建时每次迭代得到的支撑集的一个原子，只是通过递归对己选择原子集合进行正交化以保证迭代的最优性，从而减少迭代次数。实验表明对固定稀疏的维离散时间信号，用高斯随机矩阵时，只要，正交匹配追踪算法将以极大概率准确重构信号，而且运行时间远比最小范数模型短。但是，正交匹配追踪算法精确重构的理论保证比最小范数算法弱，并非对所有信号都能准确重构，而且对于感知矩阵的要求比约束等距性更加严格。 Needell等在OMP的基础上提出了正则正交匹配追踪(Regularized Orthogonal Matching Pursuit, ROMP)算法，对于所有满足约束等距性条件的矩阵和所有稀疏信号都可以准确重构。之后，Needell等人又提出了引入回溯思想的压缩采样匹配追踪(Compressive Sampling Matching Pursuit, CoSaMP)算法，不仅提供了比OMP算法更全面的理论保证，并且能在采样过程中对噪声有很强的鲁棒性。同样引入回溯思想的还有子空间追踪(Subspace Pursuit,SP)算法，在得到的支撑集之前先建立一个候选集，之后再从候选集中舍弃不需要的原子，形成最终的支撑集，它们理论重建质量与相当，同时重建复杂度低，但是这些算法都是建立在稀疏度已知的基础上。 然而实际应用中，往往是未知的，由此出现了对自适应的稀疏自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)算法，它通过固定步长逐步逼近进行重建，可以在未知的情况下获得较好的重建效果，速度也远快于OMP算法。综合考虑，匹配追踪系列算法对于维数较低的小尺度信号问题运算速度很快， 是一种效果较好的信号重建算法。 3.1 OMP算法 OMP算法作为最早的贪婪迭代算法之一，它的思想对之后出现的各种贪婪算法都有着不容忽视的意义。OMP仍然沿用了MP算法中的原子选择准则，不同的是OMP算法要将所选原子利用Gram-Schmidt正交化方法进行正交处理，再将信号在这些正交原子构成的空间上投影，得到信号在各个已选原子上的分量和余量，然后用相同方法分解余量。在每一步分解中，所选原子均满足一定条件，因此余量随着分解过程迅速减小。通过递归地对已选择原子集合进行正交化保证了迭代的最优性，从而减少了迭代次数。 另一方面，OMP的重建算法是在给定迭代次数的条件下重建，这种强制迭代过程停止的方法使得OMP需要非常多的线性测量来保证精确重建。总之，它以贪婪迭代的方法选择的列，使得在每次迭代中所选择的列与当前的冗余向量最大程度地相关，从测量向量中减去相关部分并反复迭代，直到迭代次数达到稀疏度，