论文部分内容阅读
压缩感知(Compressed sensing,CS)理论在某种程度上打破了原始的采样定理的限制,以远低于奈奎斯特(Nyquist)采样频率的速度对稀疏信号进行采集,并同时实现对数据的压缩。现在,压缩感知已经广泛应用于信号重建,图像处理,无线传感器网络,医学成像,核磁共振成像等领域。 信号重构算法是压缩感知理论的重点内容之一,其中,l1正则化最小二乘问题的算法研究在信号重构算法中占有重要地位。本文研究了解决l1正则化最小二乘问题的部分算法,并对迭代近似梯度投影(IAGP)算法和Huang等提出的BB型(Huang_BB)算法中的步长进行了改进,分别提出了修正的迭代近似梯度(MIAGP)算法和基于新步长的稀疏优化(NSP)算法。具体地,本文主要内容如下: 首先论述了压缩传感的基本理论,对压缩感知理论中的稀疏分解、观测矩阵和信号重构算法等几个主要方面进行了具体分析,并在此基础上,研究了当前压缩感知重构中问题的部分经典算法。 然后,研究了IAGP算法。本文针对其重构时间较长的这一问题,对算法中的步长进行重点研究。设计了一种新的Hessian矩阵的近似,利用函数在当前迭代点的二次近似模型和延迟策略得出一种新步长。结合新步长提出一种求解稀疏信号重构问题的MIAGP算法,并给出算法的收敛性。通过仿真实验,对提出的新算法与原始算法在重构效果上进行了多方面的对比。最终,实验数据证明,MIAGP算法不但可以保留IAGP算法中可以更好的恢复原始信号中非零元素个数的优势,还可以有效的提高重构时间。 接着,研究了Huang_BB算法。类似于MIAGP算法中新步长的构造,利用函数在当前迭代点处的近似模型和延迟策略提出另一种新步长,并结合新步长提出NSP算法,并给出了算法收敛性,然后进行了仿真实验,应用于图像去模糊问题,对其实验效果进行了验证。实验数据证明,NSP算法有效降低了重构所需的迭代次数,并缩短了算法的重构时间。