论文部分内容阅读
压缩感知(Compressive Sensing,CS)是一种从随机采样测量中重构信号的先进采样方法,在图像处理、地球物理、医学成像、计算机科学、信号处理、应用数学等方面拥有广泛应用,有着传统信号处理理论无法比拟的优点。本文主要研究了基于深度网络的压缩感知重构算法,提出了两种算法模型,从算法的稀疏性依赖条件、对测量值的要求、实用性、时间成本、抗噪性等方面对重构性能进行了评估。本文的主要研究内容及创新点如下:1.针对土壤超宽带雷达(Ultra Wide Band,UWB)回波信号,提出三种高斯类脉冲函数稀疏字典模型和KSVD学习字典,实验验证了高斯一阶脉冲字典比KSVD和其他高斯类脉冲字典更稳定并且性能更好。2.设计了基于长短时记忆网络(Long Short Term Memory Networks,LSTM)网络的分布式压缩感知模型,对其联合稀疏先验条件进行了研究和仿真验证,证明了针对深度学习的压缩感知可以不依赖于稀疏先验信息直接运用原始数据进行压缩测量,为后续模型提供研究基础。3.根据正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法原理设计了一套基于残差卷积神经网络的压缩感知重构模型(OMP-IRCNN),并且提出了有效的产生训练数据集的方法和训练方式。在重构实验中模型的表现优异,实验验证了该模型在重构误差、压缩率、测试时间等方面优于其他算法并且不依赖于稀疏先验条件。4.对迁移学习在压缩感知领域的可行性与优势进行了分析,建立了基于卷积架构的迁移压缩感知算法(CTCS),用微调法和在高维卷积层最小化多核均值差异损失函数,将源域上训练出的模型迁移到目标域上再训练,实现在目标域上的高性能重构。设计实验并分析了迁移CTCS算法在抗噪性、重构误差、压缩测量值和稀疏先验条件限制等方面的优势。本文在实测数据集和公开数据集上从多个方面验证了两种重构算法模型的有效性。首先研究了稀疏性对重构性能的影响,针对实测UWB数据集设计并对比了四种稀疏字典模型以备后续研究,随后从改进模型算法和模型迁移两个方面提出了重构算法OMP-IRCNN和CTCS,在多个角度上分析了模型的特点与优势。