用于压缩感知的非欠定估算制造技术

信号矢量的非零元素，其可为稀疏信号矢量，其可基于代表欠定观测的集合的观测矢量、运用压缩感知优化和非欠定估算方法例如迭代线性最小均方差(“LMMSE”)估算而确定。压缩感知优化可用于求得所述信号矢量的潜在非零元素的子集，然后LMMSE估算可用于从所述潜在非零元素中找出非零元素。然后可使用标明的所述非零元素来从所述观测矢量中还原出所述信号矢量。此技术可用于从测量中还原压缩数据，例如音频或视频数据的稀疏频率空间表示。此技术也可用于在过载通信网络中的基站处识别出相对少数的活动设备。

【技术实现步骤摘要】
【国外来华专利技术】用于压缩感知的非欠定估算相关申请的交叉引用本申请要求申请日为2015年1月14日、专利技术名称为“用于压缩感知的非欠定估算”的第14/596,680号美国专利申请的优先权，上述专利申请的全部公开内容通过引用结合至本申请中。
本公开涉及通讯和信号处理应用中稀疏信号的重构。
技术介绍
在数字通信和信号处理应用中，使用连续的物理现象或信号，例如电磁波来对数字信息进行编码。要将编码为连续物理信号的数字信号还原，就要以某些采样率对该连续信号进行采样。常规采样方法通常要求采样率至少等于该连续信号中最大频率的两倍，也称奈奎斯特采样率，方能可靠地重构数字信号。然而在很多应用中，处理代价是与采样率相关的，因此希望开发出技术，实现测量采样率的降低。如果已知或预见到数字信号是稀疏的，即指信号中很多系数都等于或几乎等于零，则以亚奈奎斯特采样率从编码后的连续信号中还原出数字信号是有可能的。这种技术就称为压缩感知(compressedsensing)。这里的稀疏性假设作为一个附加约束，以实现本问题的求解。从观测的欠定集合中还原出稀疏信号属于非确定性多项式时间困难(NP-hard)问题，但如果用范数来作为稀疏化范数，则可化归为凸优化问题。已提出了若干种解决这个优化问题的算法。一些已知算法运用最小二乘法中的最小绝对收缩与选择算子(Lasso)法。两个此种已知算法包括最小角回归(LARS)和坐标下降(CD)。然而，这些算法都存在一定的局限性。第一，它们并不求解原始的压缩感知问题，因为那属于NP-hard问题。第二，由于它们对某些参数敏感，所以经过给定次数的迭代之后，所找到的未必是问题的最优解。此外，已知的迭代压缩感知算法趋向于每次迭代都增加复杂度，也就增加了实现更好地估算数字信号元素的处理代价。因此，依然希望开发改进的技术，使用具有更低的复杂度和处理代价的压缩感知算法来还原出稀疏信号。
技术实现思路
本文所公开的实施例克服或改进了现有方法的缺陷，提供了附加能力或优点，或提供了用于产生理想结果的可选方法。一般的，一种常规压缩感知算法可用于得到信号矢量的潜在非零元素的子集。然后，一种非欠定估算方法例如迭代线性最小均方差优化可用于从所述潜在非零元素中找出非零元素。所述非欠定估算方法的运算强度会低于所述常规压缩感知算法，并也能够更快地求解出所述信号矢量中的非零元素。在一个实施例中可以从包含有观测集合的观测矢量中还原出信号矢量，该信号矢量可为稀疏信号矢量。所述信号可对具有若干非零元素的信号矢量进行编码。所述观测矢量的元素的个数可少于所述信号矢量的元素的总个数。在一个实施例中，所述观测矢量中元素的个数大于所述信号矢量的非零元素的个数。运用压缩感知优化，可基于所述观测矢量和观测矩阵生成信号矢量估算。所述观测矩阵描述所述观测矢量与所述信号矢量之间的关系。依据稀疏化范数，可确定所述信号矢量估算中特征元素的指数集。所述特征元素的个数至多为所述观测矢量中元素的个数，且在一个实施例中大于所述信号矢量中非零元素的个数。在一个实施例中，所述特征元素的个数小于所述观测矢量的元素的个数。基于所述观测矩阵、所述观测矢量和所述信号矢量估算中特征元素的所述指数集，通过执行非欠定估算方法，可生成所述信号矢量的非零元素的指数集，所述方法可以是迭代线性最小均方差优化。以上所提供的概要便于更好地理解下文对实施例的详细描述。这些实施例包含附加特征和优点，并且本领域普通技术人员将会理解的是，以下所述具体实施例可以在不违背所附权利要求中所提出的主题的精神和范围的同时进行修改，或以之为基础进行构建，以执行本文所提出的相同的功能，并提供相同的结果。附图说明现在将参照附图，以仅为举例的方式，描述本公开的实施例。图1是本文所公开的实施例提供的系统的框图；图2是本文所公开的实施例提供的用于从欠定观测矢量中确定稀疏信号矢量的非零元素的方法流程图；图3是本文所公开的实施例提供的、适于在图2的方法中使用的迭代线性最小均方差优化算法的流程图；图4是本文所公开的实施例提供的、适用于执行图2的方法的过载通信系统的框图；图5是符合本文所公开的实施例的、适用于执行图2的方法的一种基站的框图；并且图6是本文所公开的实施例提供的、显示了示出执行图2所示方法与常规方法在标识活动设备上进行对比的仿真结果的图表。具体实施方式现在将在其中运用了信号数据的压缩感知的通信和信号处理系统的上下文中描述具体实施例。不过，本领域普通技术人员将会理解的是，可应用本文所提出的原理来让实施例顺应任意对信号或数据进行压缩采样的内容。一般而言，数字信号x可以编码为某种具有连续信号特征的物理现象，且通过求解下列关系式，可以从对该连续信号的观测y中还原出此数字信号x：ym×p＝Am×nxn×p(1)其中，A是一个算子，可称之为“观测矩阵”，它描述了观测y与编码后的数字信号x之间的关系。在非欠定的，或换言之，完全确定或超定的系统中，即m≥n，如果算子A是满秩的，则原则上可以得到x的唯一解。不过在实际中，一般要求运用优化方法来确定所述数字信号x的估计值。具体而言，在观测y中的测量次数m小于数字信号x中的元素个数n时，亦即m＜n时，问题就是欠定的，且原则上不可能得到x的唯一解。不过，如果已知或预见到x是s稀疏的，意指其所包含的非零元素的个数s相对较小，使得s＜＜n，则这个附加约束使得可以实现求解。从观测的欠定集中还原出s-稀疏信号就称为压缩感知(compressedsensing)。虽然观测的次数m小于信号x中元素的个数n，并且有s＜m＜n，但由于稀疏性约束，仍有可能还原出信号x。例如，压缩感知就是一种可用于以低于奈奎斯特比率的采样率从连续信号中还原出数字信号的技术。要解决从线性观测的欠定集y中还原出s稀疏的矢量x的问题，可使用凸优化压缩感知算法。一些此类算法运用最小二乘法中的最小绝对收缩与选择算子(1eastabsoluteshrinkageandselectionoperator，“Lasso”)法，也称无约束的基追踪去噪问题(unconstrainedbasispursuitdenoisingproblem，UBPDN)：两种这样的已知算法包括最小角回归(least-angleregression，LARS)和坐标下降(coordinatedescent，CD)算法。然而，这些算法都存在一定的局限性，因而依然希望提供改进的技术，使用具有更低的复杂度和处理代价的压缩感知算法来重构出稀疏信号。一种改进的信号还原方法可使用常规的压缩感知算法来生成信号x的估算并要么基于对信号x中非零元素个数的先验了解，要么基于用于估算此个数的单独方法，可以选出一个有k个潜在非零元素的子集，其中k≤m，其中m是观测的次数。这样，优化问题就不再是欠定的。选出k个潜在非零元素之后，可使用不同于所述压缩感知算法的其他方法来求解这个非欠定优化问题，但现在的选择可以不受欠定系统约束的限制。具体而言，可使用非欠定估算方法，其中所述非欠定估算方法是适用于估算不欠定的方程组的解的任意方法。所述非欠定估算方法的运算强度可以低于压缩感知算法，能够更快地求解出信号x中的非零元素。在一些实施例中，所述非欠定估算方法是迭代线性最小均方差(linearminimummean-squareerr本文档来自技高网...

【技术保护点】
一种方法，包括：处理器接收观测矢量，所述观测矢量包括对信号的观测集；基于所述观测矢量和观测矩阵，所述处理器运用压缩感知优化生成信号矢量估算；依据稀疏化范数，所述处理器确定所述信号矢量估算中特征元素的指数集，其中所述特征元素的个数至多为所述观测矢量中元素的个数；以及基于所述观测矩阵、所述观测矢量和所述信号矢量估算中特征元素的所述指数集，所述处理器通过执行非欠定估算方法，生成信号矢量的非零元素的指数集。

【技术特征摘要】
【国外来华专利技术】2015.01.14 US 14/596,6801.一种方法，包括：处理器接收观测矢量，所述观测矢量包括对信号的观测集；基于所述观测矢量和观测矩阵，所述处理器运用压缩感知优化生成信号矢量估算；依据稀疏化范数，所述处理器确定所述信号矢量估算中特征元素的指数集，其中所述特征元素的个数至多为所述观测矢量中元素的个数；以及基于所述观测矩阵、所述观测矢量和所述信号矢量估算中特征元素的所述指数集，所述处理器通过执行非欠定估算方法，生成信号矢量的非零元素的指数集。2.根据权利要求1所述的方法，其中所述信号对所述信号矢量进行编码，并且所述观测矢量中元素的个数少于所述信号矢量中元素的总数。3.根据权利要求1所述的方法，其中所述观测矢量中元素的个数大于所述信号矢量的非零元素的个数。4.根据权利要求3所述的方法，其中所述特征元素的个数大于所述信号矢量的非零元素的个数。5.根据权利要求1所述的方法，其中所述特征元素的个数小于所述观测矢量的元素的个数。6.根据权利要求1所述的方法，其中所述观测矩阵描述所述观测矢量与所述信号矢量之间的关系。7.根据权利要求1所述的方法，其中所述非欠定估算方法是迭代线性最小均方差LMMSE估算法，其中所述处理器在所述LMMSE估算法的每次迭代中都基于所述观测矢量和迭代指数集生成信号矢量估算子集，并依据所述稀疏化范数，确定所述信号矢量估算子集中特征元素的迭代指数子集，其中在每次迭代中，所述迭代指数子集的大小都比所述迭代指数集小一个预定的步长，其中在第一迭代中，所述迭代指数集是所述信号矢量估算的特征元素的指数集，并且其中在每次逐次迭代中，所述迭代指数集都是其上一次迭代的迭代指数子集。8.根据权利要求7所述的方法，其中所述信号矢量的非零元素是所述LMMSE估算法最后一次迭代之后的所述信号矢量估算子集的元素。9.根据权利要求8所述的方法，还包括：基于所述LMMSE估算法最后一次迭代之后的所述信号矢量的非零元素的指数集和所述信号矢量估算子集的元素，还原所述信号矢量；以及输出所述信号矢量。10.根据权利要求1所述的方法，还包括：输出所述信号矢量的非零元素的指数集。11.根据权利要求8所述的方法，其中在所述LMMSE估算法的每次迭代中，所述信号矢量估算子集确定于：其中，其中，是所述迭代指数集，是对应于迭代指数集的所述信号矢量估算子集，y是所述观测矢量，是矢量子集的协方差矩阵，是对应于迭代指数集的观测子矩阵，是观测子矩阵的共轭转置，并且Cz是噪音矢量z的协方差矩阵。12.根据权利要求1所述的方法，其中所述稀疏化范数是l1范数。13.根据权利要求1所述的方法，其中所述压缩感知优化法优化最小绝对收缩与选择算子Lasso。14.根据权利要求13所述的方法，其中所述压缩感知优化法是所述Lasso的坐标下降优化。15.根据权利要求1所述的方法，其中所述处理器包括数字信号处理器。16.根据权利要求1所述的方法，其中所述观测矢量对所述信号矢量的压...

【专利技术属性】
技术研发人员：贾瓦德·阿布多利，贾明，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东,44