一种低相干观测矩阵构造方法技术

本发明专利技术提出一种投影矩阵优化方法。是在传统投影矩阵优化问题研究基础上，从理论上看，单位矩阵的特殊性很大，且对硬件设备要求极高；在实际应用中，逼近等角紧框架就能达到较好的性能。所以本发明专利技术的研究是在逼近理想单位矩阵以及构建的等角紧框架之间寻求一种平衡，以减小Gram矩阵的非对角线元素来降低观测矩阵与稀疏矩阵之间的相干系数。除此之外，考虑到稀疏表示过程中可能存在的误差会影响压缩感知过程的性能，故考虑将稀疏表示误差作为一项正则项加入传统表达式，并对其进行理论推导，求出优化表达式的解，提出一个矩阵优化算法。本发明专利技术提出的优化方法，不仅降低观测矩阵和稀疏基之间的相干性，并且设计得到的优化系统在考虑了稀疏表示误差之后，性能更稳定。

A Method for Constructing Low Coherence Observation Matrix

The invention provides an optimization method of projection matrix. Based on the research of traditional projection matrix optimization, theoretically speaking, the particularity of unit matrix is very great, and the requirement of hardware equipment is very high. In practical application, approaching the equiangular tight frame can achieve better performance. Therefore, the research of the present invention seeks a balance between approximating the ideal unit matrix and constructing an equiangular compact frame to reduce the non-diagonal elements of the Gram matrix and the coherence coefficient between the observation matrix and the sparse matrix. In addition, considering that the possible errors in the sparse representation process will affect the performance of compressed sensing process, we consider adding the sparse representation error as a regular term to the traditional expression, and deduce it theoretically, find the solution of the optimization expression, and propose a matrix optimization algorithm. The optimization method proposed by the invention not only reduces the coherence between the observation matrix and the sparse basis, but also ensures that the performance of the designed optimization system is more stable after considering the sparse representation error.

【技术实现步骤摘要】
一种低相干观测矩阵构造方法
本专利技术属于信号处理
，具体为一种低相干观测矩阵构造方法。
技术介绍
当今社会是一个多媒体通信和网络视频的迅速发展年代，图像作为表达信息的载体，在各个领域得到了广泛的应用。传统的图像处理方法遵循奈奎斯特(Nyquist)采样定理，该采样定理指的是要想实现无失真的信号重建，信号的采样频率不能少于信号最高频率的两倍。若图像使用Nyquist采样定理采样，会产生大量的采样数据，而并不是所有的采样数据都有用，这使得数据的存储和传输代价大大增加。这就给信号处理的能力提出了更高的要求，也给相应的硬件设备带来了极大的挑战。传统的信号处理是先对数据采样然后再压缩，对大量的数据进行压缩会导致数据精度降低，最终重建的信号效果较差。目前信息需求量在逐渐增大，信号的带宽越来越大。因此，提出一种采集频率低，产生的数据量更小并且提高重构精度的处理方法成为必然。2006年，Candès与Emmanuel、TerenceTao等人共同提出了一种崭新的理论---压缩感知(compressivesensing，CS)信号采样理论。压缩感知理论突破传统的Nyquist采样定理的限制，基于信号的稀疏性、观测矩阵的随机性和非线性优化算法完成对信号的采样和重构。压缩感知的核心思想是：如果信号是可压缩或者在某个变换域内可稀疏表示，就可以利用一个测量矩阵将信号从高维空间投影到一个低维空间(故而也称投影矩阵)，从而获得远小于信号维度的测量值，然后再通过适当的重构算法求解出原始信号。压缩感知理论使得在信号采集的同时对数据进行压缩，解决了奈奎斯特采样定理在信号采集中的不足，避免了大量无用数据的采集，速率低的问题，并且重构的信号质量好，节省了时间和资源，为信号采样领域带来了革新。CS理论主要包括三方面的研究内容，即信号的稀疏表示，观测矩阵的构造以及重构算法的设计。本专利技术主要从观测矩阵入手，观测矩阵的设计和优化是压缩传输关键的两步，好的测量矩阵能够在投影测量时候保持原始信号的重要信息，并且可以结合测量值重构出原始信号。为了保证这个低维信号能够精确的重构出来，测量矩阵需要满足有限紧致特性(RestrictedIsometryProperty，RIP)，已经证实，高斯随机矩阵可以在统计意义下高概率的满足RIP性质，还有如部分傅里叶矩阵，托普利兹测量矩阵等。当前的测量矩阵主要分为三大类：一是随机测量矩阵，如高斯测量矩阵和伯努利测量矩阵等；第二类是部分傅里叶矩阵，部分哈达玛矩阵和非相关测量矩阵等；第三类是确定性测量矩阵，有托普利兹测量矩阵和循环测量矩阵等。目前对观测矩阵的研究，主要是根据观测矩阵的约束条件，提出大量的观测矩阵优化和构造方法，通过将稀疏基和观测矩阵相乘得到感知矩阵，然后采用Gram矩阵和阈值收缩函数对感知矩阵的互相关系数进行优化，提升观测矩阵的性能。目前的研究方法有：从理想情况出发逼近单位矩阵，或者构造不同性质的等角紧框架，用Gram矩阵去逼近等角紧框架，但只逼近某一个矩阵考虑的因素不够全面；还有通过最小二乘法直接逼近等角紧框架的方式来降低观测矩阵和稀疏基之间的互相干系数；也有通过对矩阵求逆来优化，但是此方法计算的复杂度过高，且有些矩阵不可逆；也有通过梯度投影法逼近等角紧框架，减少优化观测矩阵的计算复杂度；也有通过最小化奇异值与矩阵列向量独立性的研究，再利用QR分解增大矩阵奇异值的方式来优化观测矩阵。Gram矩阵的非对角线元素代表的含义就是观测矩阵和稀疏矩阵之间的相干性，数字越小代表两个矩阵之间的相干性越低，所以，最理想的情况就是用Gram矩阵去逼近单位矩阵。考虑到单位矩阵的特殊性很大，且对硬件设备要求极高，而在实际应用中，逼近等角紧框架就能达到较好的性能，本专利技术提出优化方法就是在理想单位矩阵与等角紧框架之间求平衡；最后在同时逼近单位阵和等角紧框架之间之外，考虑稀疏表示误差，分析其性能，并对比其优化效果。附图说明图1为本专利技术实施例中压缩感知观测过程图图2为本专利技术实施例中摘要附图图3为本专利技术实施例中测量矩阵优化前后直方对比图图4为本专利技术实施例中信号的重构误差随信号稀疏度的变化对比图图
技术实现思路
本专利技术目的在于针对现有技术的不足，提出一种同时逼近单位阵，紧框架的投影优化方法，将成对出现的观测矩阵和感知字典分别用于投影矩阵和重构算法，理想情况下可以重构迭代至残差为零，从而精确的恢复出原始信号。本专利技术提出的同时逼近单位阵和紧框架的投影矩阵优化方法理论，该算法的优点是观测矩阵与感知字典的相干性低，重构精度高算法复杂度低。定义1：测量矩阵Φ满足参数(K,δK)的有限紧特性，其中0＜δK＜1，则对所有的K稀疏信号都有(1)式成立：(1-δK)||x||2≤||Φx||≤(1+δK)||x||2(1)上式的δK称之为等距常数，它的取值范围在0到1之间，当投影矩阵Φ满足(1)的条件就可以从M个投影值中恢复出K个稀疏表示系数，也就是常说的观测矩阵的有限等距性。但是在实际应用中为了保证算法的稳定性，对于K阶系数信号，要求观测矩阵能够满足2K有限等距性或者更加高阶的有限等距性。定义2：测量矩阵的的相关性参数定义为：其中Φi为测量矩阵的第i列，由于Gram矩阵G＝ΨTΦTΦΨ，观察上式，相关性也可以理解为Gram矩阵的非对角线元素的最大值。虽然μ(D)在一定程度上能够反映测量矩阵的性能，但由于得到相干系数分布具有离散性，可以采用平均互相干性稀疏，定义为：μ(D)的下界为:也就是一般说的Welch界，当矩阵GETF的非对角线元素为μ0(D)时，且其对角元素全部为1，则称矩阵GETF为等角紧框架矩阵。其中S稀疏信号X能够被精确恢复的条件为：从上式可以看出相关性参数μ(D)的值越小，不相干性越强，则原始信号的恢复率越高，当减小μ(D)的值，不等式右边的式子增大，则左边式子也可增大上限，即S的值增大，相当于降低了对原始信号的稀疏度的要求。另一方面，假如保持S的值不变，减小μ(D)的值，则原始信号的重构率将会增高。具体实施方式以下给出投影矩阵优化算法的具体构造方法，对本专利技术的实施做进一步的说明。压缩感知理论中观测机矩阵的选取是决定整个算法最后效果的关键因素，目前主要将随机矩阵作为基础观测矩阵，如高斯矩阵，故对随机矩阵的研究也有必要。大多数的观测矩阵优化都是基于Gram矩阵，这些算法通过不同的途径减少Gram矩阵的非对角线元素，来降低稀疏系数的相干性，以达到优化观测矩阵并且提高重构精度的目的。本研究也是基于Gram矩阵，逼近单位矩阵以及紧框架，来缩小非对角线元素，以达到矩阵具有低相干性特性。优化投影矩阵需要在迭代中更新，用逼近每次得到的Gram矩阵的方法来计算投影矩阵。传统的投影矩阵的优化形式如下：式中X是感知矩阵，G是Gram矩阵，F是Frobrnius范数。一种理想情况是当G＝I，可以看做观测矩阵优化问题。则投影矩阵优化问题等效于：在假设逼近单位矩阵的基础上，再多考虑一种Gram矩阵对角线元素为1的约束情况，即并基于此进行研究讨论，但是此约束仅仅约束了对角线元素，并没有从本质上约束Gram矩阵的非对角元素的大小来减小相干性。所以考虑再结合紧框架技术，故本专利技术提出的投影矩阵优化问题变为：G是根据Gram矩阵设计得到的紧框架，理解上式可以认为是本文档来自技高网...

【技术保护点】
1.一种低相干投影矩阵优化算法的主要包括以下步骤：压缩感知的前提是某一个信号能在某一个变换域下可以稀疏表示，则可以应用压缩感知这个工具来进行传输，故先设计一个合适维度的观测矩阵Φ和稀疏基矩阵Ψ，此处的稀疏基矩阵采用DCT，可以验证输入的信号在这个变换域下是可以稀疏表示的，但存在一定的稀疏表示误差；利用合适维度的观测矩阵和稀疏基矩阵得到Gram矩阵，Gram矩阵的非对角线元素代表的含义就是观测矩阵和稀疏矩阵之间的相干性，数字越小代表两个矩阵之间的相干性越低，所以，最理想的情况就是用Gram矩阵去逼近单位矩阵，但单位矩阵的特殊性很大，且对硬件设备要求极高，所以一般单位阵只作为理论研究，在实际应用中，若逼近等角紧框架就能达到较好的性能，本专利技术提出优化方法的第二步就是在理想单位矩阵与等角紧框架之间求平衡；最后在同时逼近单位阵和等角紧框架之间之外，考虑第一步提到的稀疏表示误差，分析其性能，并对比其优化效果。

【技术特征摘要】
1.一种低相干投影矩阵优化算法的主要包括以下步骤：压缩感知的前提是某一个信号能在某一个变换域下可以稀疏表示，则可以应用压缩感知这个工具来进行传输，故先设计一个合适维度的观测矩阵Φ和稀疏基矩阵Ψ，此处的稀疏基矩阵采用DCT，可以验证输入的信号在这个变换域下是可以稀疏表示的，但存在一定的稀疏表示误差；利用合适维度的观测矩阵和稀疏基矩阵得到Gram矩阵，Gram矩阵的非对角线元素代表的含义就是观测矩阵和稀疏矩阵之间的相干性，数字越小代表两个矩阵之间的相干性越低，所以，最理想的情况就是用Gram矩阵去逼近单位矩阵，但单位矩阵的特殊性很大，且对硬件设备要求极高，所以一般单位阵只作为理论研究，...

【专利技术属性】
技术研发人员：赵辉，张乐，张静，刘莹莉，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50