一种适用于TDOMP算法的测量矩阵优化方法

赵娟 白霞

引用本文:
Citation:

一种适用于TDOMP算法的测量矩阵优化方法

    作者简介: 赵娟(1975-),女,四川人,北京理工大学信息与电子学院副教授,博士,主要研究领域为压缩感知理论及应用。E-mail:juanzhao@bit.edu.cn白霞(1978-),女,辽宁人,北京理工大学信息与电子学院讲师,博士,主要研究领域为SAR信号处理。E-mail:bai@bit.edu.cn.
    通讯作者: 赵娟, juanzhao@bit.edu.cn
  • 基金项目:

    国家自然科学基金(61421001, 61331021),北京市高等教育青年英才资助课题(YETP1159)

Measurement Matrix Optimization Method for TDOMP Algorithm

    Corresponding author: Zhao Juan, juanzhao@bit.edu.cn ;
  • Fund Project: The National Natural Science Foundation of China (61421001, 61331021), Beijing Higher Education Young Elite Teacher Project (YETP1159)

  • 摘要: 测量矩阵的优化设计有利于提高压缩感知中信号的重构性能。该文研究了适用于TDOMP (TwoDictionaries OMP)重构算法的测量矩阵优化方法。TDOMP算法是一种改进的OMP算法,该算法使用与感知矩阵互相关性低的匹配矩阵来辨识正确的感知矩阵原子。所提方法利用交替投影的思想来优化测量矩阵从而得到相关性低的感知矩阵和匹配矩阵,然后用于TDOMP算法来提高信号的重建性能。仿真实验验证了所提方法的有效性。
  • [1] Donoho D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.
    [2] Candes E J, Romberg J, and Tao T. Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information[J]. IEEE Transactions on Information Theory, 2006, 52(2): 489-509.
    [3] Tsaig Y and Donoho D L. Extensions of compressed sensing[J].Signal Processing, 2006, 86(3): 549-571.
    [4] Ender J H G. On compressive sensing applied to radar[J]. Signal Processing, 2010, 90(5): 1402-1414.
    [5] Sharma S K, Patwary M and Abdel-Maguid M. Spectral efficient compressive transmission framework for wireless communication systems[J]. IET Signal Processing, 2013, 7(7): 558-564.
    [6] Majumdar A and Ward R K. On the choice of compressed sensing priors and sparsifying transforms for MR image reconstruction: an experimental study[J]. Signal Processing: Image Communication, 2012, 27(9): 1035-1048.
    [7] Kim S, Koh K, Lustig M, et al.. An interior-point method for large scale l1 regularized least squares[J]. IEEE Journal of Selected Topics in Signal Processing, 2007, 1(4): 606-617.
    [8] Tropp J A. Greed is good: algorithmic results for sparse approximation[J]. IEEE Transactions on Information Theory, 2004, 50(10): 2231-2242.
    [9] Donoho D L, Elad M, and Temlyakov V N. Stable recovery of sparse overcomplete representations in the presence of noise[J]. IEEE Transactions on Information Theory, 2006, 52(1): 6-18.
    [10] Duarte J M and Sapiro G. Learning to sense sparse signals: simultaneous sensing matrix and sparsifying dictionary optimization[J]. IEEE Transactions on Image Processing, 2009, 18(7): 1395-1408.
    [11] Abolghasemi V, Ferdowsi S, and Sanei S. A gradient-based alternating minimization approach for optimization of the measurement matrix in compressive sensing[J]. Signal Processing, 2012, 92(4): 999-1009.
    [12] Elad M. Optimized projections for compressed sensing[J]. IEEE Transactions on Signal Processing, 2007, 55(12): 5695-5702.
    [13] Xu J, Pi Y, and Cao Z. Optimized projection matrix for compressive sensing[J]. EURASIP Journal on Advances in Signal Processing, 2010: 560349.
    [14] Schnass K and Vandergheynst P. Dictionary preconditioning for greedy algorithms[J]. IEEE Transactions on Signal Processing, 2008, 56(5): 1994-2002.
    [15] Zhao Juan, Bai Xia, Bi Shi-he, et al.. Coherence-based analysis of modified orthogonal matching pursuit using sensing dictionary[J]. IET Signal Processing, 2015, 9(3): 218-225.
  • [1] 杨军张群罗迎邓冬虎 . 基于压缩感知的认知雷达多目标跟踪方法. 雷达学报, 2016, 5(1): 90-98. doi: 10.12000/JR14107
    [2] 王爱春向茂生 . 基于块压缩感知的SAR层析成像方法. 雷达学报, 2016, 5(1): 57-64. doi: 10.12000/JR16006
    [3] 顾福飞张群杨秋霍文俊王敏 . 基于NCS算子的大斜视SAR压缩感知成像方法. 雷达学报, 2016, 5(1): 16-24. doi: 10.12000/JR15035
    [4] 韦顺军田博坤张晓玲师君 . 基于半正定规划的压缩感知线阵三维SAR自聚焦成像算法. 雷达学报, 2018, 7(6): 664-675. doi: 10.12000/JR17103
    [5] 肖鹏吴有明于泽李春升 . 一种基于压缩感知恢复算法的SAR图像方位模糊抑制方法. 雷达学报, 2016, 5(1): 35-41. doi: 10.12000/JR16004
    [6] 吴一戎洪文张冰尘蒋成龙张柘赵曜 . 稀疏微波成像研究进展(科普类). 雷达学报, 2014, 3(4): 383-395. doi: 10.3724/SP.J.1300.2014.14105
    [7] 张增辉郁文贤 . 稀疏微波SAR图像特征分析与目标检测研究. 雷达学报, 2016, 5(1): 42-56. doi: 10.12000/JR15097
    [8] 刘振魏玺章黎湘 . 一种新的随机PRI脉冲多普勒雷达无模糊MTD算法. 雷达学报, 2012, 1(1): 28-35. doi: 10.3724/SP.J.1300.2013.10063
    [9] 闫敏韦顺军田博坤张晓玲师君 . 基于稀疏贝叶斯正则化的阵列SAR高分辨三维成像算法. 雷达学报, 2018, 7(6): 705-716. doi: 10.12000/JR18067
    [10] 陈文峰李少东杨军马晓岩 . 基于线性Bregman迭代类的多量测向量ISAR成像算法研究. 雷达学报, 2016, 5(4): 389-401. doi: 10.12000/JR16057
    [11] 仲利华胡东辉丁赤飚张问一 . 一种稀疏孔径下大尺寸目标的ISAR 成像方法. 雷达学报, 2012, 1(3): 292-300. doi: 10.3724/SP.J.1300.2012.20033
    [12] 刘向阳杨君刚孟进张晓牛德智 . 低信噪比下基于Hough变换的前视阵列SAR稀疏三维成像. 雷达学报, 2017, 6(3): 316-323. doi: 10.12000/JR17011
    [13] 李杭梁兴东张福博吴一戎 . 基于高斯混合聚类的阵列干涉SAR三维成像. 雷达学报, 2017, 6(6): 630-639. doi: 10.12000/JR17020
    [14] 赵曜张冰尘洪文吴一戎 . 基于RIPless 理论的稀疏微波成像波形分析方法. 雷达学报, 2013, 2(3): 265-270. doi: 10.3724/SP.J.1300.2013.13032
    [15] 任笑真杨汝良 . 一种基于幅度和相位迭代重建的四维合成孔径雷达成像方法. 雷达学报, 2016, 5(1): 65-71. doi: 10.12000/JR15135
    [16] 田鹤李道京 . 稀疏重航过阵列SAR运动误差补偿和三维成像方法. 雷达学报, 2018, 7(6): 717-729. doi: 10.12000/JR18101
    [17] 王文钦程胜娟邵怀宗 . 基于稀疏矩阵和相关函数联合优化的MIMO-OFDM线性调频波形复用设计与实现方法. 雷达学报, 2015, 4(1): 1-10. doi: 10.12000/JR14148
    [18] 黄平平 . 两发两收SAR 系统互相关噪声消除方法研究. 雷达学报, 2012, 1(1): 91-95. doi: 10.3724/SP.J.1300.2013.20003
    [19] 熊丁丁崔国龙孔令讲杨晓波 . 基于互相关熵的非高斯背景下微动参数估计方法. 雷达学报, 2017, 6(3): 300-308. doi: 10.12000/JR17007
    [20] 林玉川张剑云武拥军周青松 . 双基星载HRWS-SAR系统方位向信号重构的矩阵求逆算法. 雷达学报, 2017, 6(4): 388-396. doi: 10.12000/JR17060
  • 加载中
计量
  • 文章访问数:  798
  • HTML浏览量:  216
  • PDF下载量:  1080
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-12-26
  • 录用日期:  2016-01-24
  • 刊出日期:  2016-02-28

一种适用于TDOMP算法的测量矩阵优化方法

    通讯作者: 赵娟, juanzhao@bit.edu.cn
    作者简介: 赵娟(1975-),女,四川人,北京理工大学信息与电子学院副教授,博士,主要研究领域为压缩感知理论及应用。E-mail:juanzhao@bit.edu.cn白霞(1978-),女,辽宁人,北京理工大学信息与电子学院讲师,博士,主要研究领域为SAR信号处理。E-mail:bai@bit.edu.cn
  • 1. (北京理工大学信息与电子学院 北京 100081)
基金项目:  国家自然科学基金(61421001, 61331021),北京市高等教育青年英才资助课题(YETP1159)

摘要: 测量矩阵的优化设计有利于提高压缩感知中信号的重构性能。该文研究了适用于TDOMP (TwoDictionaries OMP)重构算法的测量矩阵优化方法。TDOMP算法是一种改进的OMP算法,该算法使用与感知矩阵互相关性低的匹配矩阵来辨识正确的感知矩阵原子。所提方法利用交替投影的思想来优化测量矩阵从而得到相关性低的感知矩阵和匹配矩阵,然后用于TDOMP算法来提高信号的重建性能。仿真实验验证了所提方法的有效性。

English Abstract

参考文献 (15)

目录

    /

    返回文章
    返回