本發(fā)明屬于信號處理領(lǐng)域,具體為一種基于混沌的結(jié)構(gòu)化壓縮感知循環(huán)觀測矩陣的構(gòu)造。
背景技術(shù):
根據(jù)傳統(tǒng)的Nyquist采樣定理,要想無失真的恢復(fù)原始信號,信號的采樣頻率必須不小于信號最高頻率的兩倍。因此,當采樣頻率很高時,硬件系統(tǒng)面臨著很大的采樣速率壓力,硬件設(shè)備已經(jīng)不能滿足如此高的采樣需求。另一方面,由于采集到的數(shù)據(jù)信息包含大量的冗余信息,故在對信號進行處理、傳輸和存儲之前需要進行壓縮處理,這種先采樣后壓縮的處理模式浪費了大量的采樣資源。2006年,Candès與Emmanuel、Terence Tao等人共同提出了一種嶄新的理論——壓縮感知(Compressive Sensing,CS)信號采樣理論。壓縮感知理論突破傳統(tǒng)Nyquist采樣定理的限制,基于信號的稀疏性、觀測矩陣的隨機性和非線性優(yōu)化算法完成對信號的采樣壓縮和重構(gòu)。這種全新的信號處理理論以遠低于Nyquist頻率的采樣率在采樣的同時完成壓縮,不僅可以降低硬件復(fù)雜度和成本,也避免了不必要的資源浪費,最重要的是可以實現(xiàn)信號的完全重構(gòu)。CS理論主要包括三方面研究內(nèi)容,即信號稀疏表示、觀測矩陣的構(gòu)造以及重構(gòu)算法設(shè)計。
本發(fā)明要研究壓縮感知中觀測矩陣的設(shè)計,觀測矩陣是壓縮感知中信號采樣質(zhì)量的保障,也是壓縮采樣過程能否硬件實現(xiàn)的關(guān)鍵。壓縮感知觀測矩陣主要分為三類,一類是隨機觀測矩陣。隨機觀測矩陣包括高斯隨機觀測矩陣、伯努利隨機觀測矩陣、局部傅里葉隨機觀測矩陣等。這些矩陣是完全隨機矩陣,雖然能夠精確的重構(gòu)原始信號,但在實際應(yīng)用中很難用硬件實現(xiàn),而且需要大量的存儲空間;另一類是確定性觀測矩陣,此類矩陣隨著系統(tǒng)和構(gòu)造的參數(shù)的確定,矩陣元素也隨之確定。此類矩陣相對于隨機矩陣更加易于硬件實現(xiàn)。Devore提出了通過有限域中多項式的取值來構(gòu)造矩陣,Li shuxing提出了利用代數(shù)曲線構(gòu)造觀測矩陣。這些方法存在一個共同的缺點:矩陣的大小必須是2的整數(shù)倍,故無法構(gòu)造任意大小的觀測矩陣,普適性較差。循環(huán)矩陣由于其對應(yīng)離散卷積且具有專門的快速算法而被廣泛應(yīng)用于壓縮測量矩陣。為了滿足壓縮感知觀測矩陣必須滿足RIP準則的要求,傳統(tǒng)循環(huán)矩陣的矩陣元素多由隨機分布函數(shù)產(chǎn)生,文獻“Yin W.Practical compressive sensing with Toeplitz and circulant matrices[J].Proceedings of SPIE-The International Society for Optical Engineering,2010,7744.”對傳統(tǒng)循環(huán)矩陣的構(gòu)造方法和其適用的快速算法做了總結(jié)分析,并指出傳統(tǒng)循環(huán)矩陣不能在常用的DCT稀疏基下有效地重構(gòu)原始信號,普適性有待提高,仍然存在隨機觀測矩陣存儲空間大、不易于硬件實現(xiàn)的缺點。文獻“Do T T,Gan L,Nguyen N H,et al.Fast and Efficient Compressive Sensing Using Structurally Random Matrices[J].IEEE Transactions on Signal Processing,2011,60(1):139-154.”提出了一種具有良好結(jié)構(gòu)特性的結(jié)構(gòu)化壓縮感知觀測矩陣,其中使用的隨機算子可以增強矩陣的元素的隨機性,提高感知性能和普適性。
混沌理論在80年代末開始得到現(xiàn)代密碼學(xué)界的高度重視?;煦邕\動是非線性確定性動力系統(tǒng)內(nèi)在隨機性的一種表現(xiàn),可以由十分簡單的確定性動力系統(tǒng)產(chǎn)生異常復(fù)雜的隨機行為。具有以下優(yōu)點:①混沌理論揭示了確定性與隨機性的統(tǒng)一,混沌系統(tǒng)與隨機系統(tǒng)相比,是一種確定性系統(tǒng)表現(xiàn)出來的類隨機行為,實現(xiàn)起來要簡單高效;②混沌系統(tǒng)所產(chǎn)生的偽隨機序列由系統(tǒng)參數(shù)和初始值決定,一旦初始參數(shù)固定,其值也相對固定,可以重現(xiàn)混沌序列,穩(wěn)定性比較好;③由于僅需存儲和傳輸少量的參數(shù),可大大的減少存儲空間和傳輸帶寬的壓力。文獻“凌聰,孫松庚.Logistic映射擴頻序列的相關(guān)分布[J].電子學(xué)報,1999(1):140- 141.”詳細介紹了混沌系統(tǒng)中Logistic映射的優(yōu)點,具有良好的偽隨機性,易于硬件實現(xiàn)的優(yōu)點,產(chǎn)生的混沌序列簡單,僅由-1和1組成,Logistic映射是比較常用的混沌系統(tǒng)。
本發(fā)明力圖將混沌系統(tǒng)應(yīng)用于循環(huán)矩陣,并結(jié)合結(jié)構(gòu)化隨機算子的優(yōu)點,以克服傳統(tǒng)循環(huán)觀測矩陣在實際應(yīng)用中的缺點為目的,提出基于混沌序列的壓縮感知循環(huán)觀測矩陣?;煦缪h(huán)測量矩陣元素的產(chǎn)生僅需要利用混沌的內(nèi)在確定性,即利用混沌映射公式、初始值以及一定的采樣間隔就可以產(chǎn)生獨立同分布的隨機序列;同時混沌序列的外在隨機性可以滿足壓縮測量矩陣對隨機性的要求。
附圖說明
圖1產(chǎn)生Logistic映射混沌序列的算法流程圖;
圖2分段函數(shù)在Logistic映射的概率密度函數(shù)上的分布示意圖;
圖3基于混沌的結(jié)構(gòu)化壓縮感知循環(huán)觀測矩陣的構(gòu)造流程圖;
圖4在DCT稀疏基下的不同觀測矩陣的重構(gòu)成功率比較;
圖5在DWT稀疏基下的不同觀測矩陣的重構(gòu)成功率比較。
技術(shù)實現(xiàn)要素:
本發(fā)明針對當前壓縮感知循環(huán)觀測矩陣存在的復(fù)雜度高、不易于硬件實現(xiàn)和普適性較差的問題,基于混沌系統(tǒng)提出一種改進的構(gòu)造方法以降低其復(fù)雜度、提高感知性能,使該類型矩陣更加利于硬件實現(xiàn),并結(jié)合結(jié)構(gòu)化隨機算子使改進型的觀測矩陣具有較強的普適性,提高其適用范圍。
本發(fā)明的技術(shù)方案:基于混沌的結(jié)構(gòu)化壓縮感知循環(huán)觀測矩陣的構(gòu)造。傳統(tǒng)循環(huán)矩陣采用高斯或伯努利分布函數(shù)隨機產(chǎn)生矩陣的第一列的元素,然后依次移位產(chǎn)生的矩陣。采用該方法構(gòu)造的壓縮感知循環(huán)矩陣元素隨機性較強,雖然感知性能較高但十分不利于硬件實現(xiàn)。本方案針對傳統(tǒng)的壓縮感知循環(huán)矩陣在實際應(yīng)用中存在的問題,結(jié)合混沌系統(tǒng),提出了一種改進方法。首先對混沌系統(tǒng)中的Logistic映射函數(shù)進行改進,使得其可以產(chǎn)生更加稀疏的混沌序列,該函數(shù)產(chǎn)生序列的稀疏性使最終構(gòu)造的矩陣更加有利于硬件實現(xiàn),易于實際應(yīng)用。然后使用改進型的Logistic映射函數(shù)代替隨機伯努利和高斯分布函數(shù)產(chǎn)生循環(huán)矩陣的第一行的矩陣元素,然后依次移位產(chǎn)生其余的行構(gòu)造出稀疏混沌循環(huán)矩陣,最后從稀疏混沌循環(huán)矩陣中隨機的選取m行構(gòu)成一個子矩陣作為壓縮感知的觀測矩陣。其中,Logistic映射函數(shù)產(chǎn)生的序列具有偽隨機性,相比高斯和伯努利分布函數(shù)更加易于硬件實現(xiàn)。理論上,稀疏性更高的矩陣的感知性能會隨稀疏性的增加而降低,同時,循環(huán)觀測矩陣的普適性也有待提高,例如在壓縮感知中最常用的DCT稀疏基下的感知性能太差,甚至無法有效地重構(gòu)出原始信號。因此,在上述方法基礎(chǔ)上結(jié)合結(jié)構(gòu)化隨機算子以提高矩陣元素的隨機性,如此就提高了矩陣的感知性能和普適性。注意,由于是采用另外一個矩陣與循環(huán)矩陣相乘的形式,而且該隨機算子特別容易硬件實現(xiàn),故結(jié)構(gòu)化隨機算子的加入并不會加大硬件實現(xiàn)的難度。
具體實施方式
以下給出基于混沌的結(jié)構(gòu)化壓縮感知循環(huán)觀測矩陣的具體的構(gòu)造方法,對本發(fā)明的實施做進一步的說明。
定義1托普利茲和循環(huán)矩陣
由定義1可知托普利茲和循環(huán)矩陣具有很強的結(jié)構(gòu)特點,托普利茲矩陣從左到右的斜對角都是相同的元素,即T(i,j)=T(i+1,j+1)。而循環(huán)矩陣是托普利茲矩陣的特殊形式,如果滿那么托普利茲矩陣就變換為循環(huán)矩陣。循環(huán)矩陣的每一行都是由上一行向右循環(huán)移動一位得到的。
根據(jù)循環(huán)矩陣的定義可以發(fā)現(xiàn),只需要構(gòu)造出循環(huán)矩陣的第一行就可以由上一行向右循環(huán)移動一位得到下一行,最終循環(huán)移位n次就可以得到一個循環(huán)矩陣,然后隨機的抽取該矩陣的m行構(gòu)成的子矩陣作為壓縮感知的觀測矩陣,稱之為壓縮感知循環(huán)觀測矩陣,簡稱循環(huán)觀測矩陣。根據(jù)以上定義和方法,傳統(tǒng)的循環(huán)觀測矩陣一般采用高斯或者伯努利分布函數(shù)進行構(gòu)造,矩陣的元素具有較強隨機性,因此具有較優(yōu)異的感知性能,但也存在一定的不足,例如由于高斯和伯努利分布的完全隨機性導(dǎo)致計算和存儲復(fù)雜度太高,不易于硬件實現(xiàn)。
混沌序列函數(shù)有多種,其中多使用Logistic映射函數(shù)來產(chǎn)生偽隨機序列。本發(fā)明即采用Logistic映射函數(shù)來產(chǎn)生混沌序列。Logistic映射的函數(shù)形式由以下的公式給出
該映射函數(shù)的元素的概率密度函數(shù)是
混沌序列碼的產(chǎn)生公式是
an=agn(xn) n=0,1,2,…,N-1 (3)上式中agn(.)是符號函數(shù),根據(jù)初始值的不同x0m(m=1,2,…,M)可以產(chǎn)生不同的混沌序列。圖1是Logistic映射產(chǎn)生混沌序列的算法流程圖,算法十分簡單,因此在實際應(yīng)用中具有速度快、效率高的優(yōu)點。混沌序列的隨機性體現(xiàn)在初值的敏感性,確定性體現(xiàn)在選定初值后的混沌序列的確定性,總的即混沌序列的偽隨機性。壓縮感知理論表明,要想無失真重構(gòu)出原始信號,CS觀測矩陣必須滿足RIP性質(zhì)或互相關(guān)性準則。如果一個矩陣的元素服從某一獨立同一隨機分布,其矩陣元素就具有較強的隨機性,那么該矩陣就高概率滿足RIP準則。已經(jīng)證明Logistic映射產(chǎn)生的混沌序列{an}是伯努利隨機序列,保證了使用該混沌映射構(gòu)造的循環(huán)矩陣可以滿足壓縮感知對觀測矩陣的隨機性的要求。
由上述Logistic映射函數(shù)構(gòu)造循環(huán)矩陣的矩陣元素為-1或1,本發(fā)明對混沌序列產(chǎn)生函數(shù)做進一步改進,在不改變Logistic系統(tǒng)的前提下,使產(chǎn)生的混沌序列更加稀疏,可以有效地減少信號采樣數(shù),降低計算復(fù)雜度。具體的改進方式如下:
首先本發(fā)明定義了一個新的分段函數(shù),該分段函數(shù)在Logistic映射的概率密度函數(shù)上的分布示意圖如圖2所示。該分段函數(shù)會將位于選定區(qū)間的值轉(zhuǎn)變?yōu)?1、1和0,產(chǎn)生1和-1的概率都為1/6,產(chǎn)生0的概率為2/3,即:
根據(jù)上式,可以通過下式計算出x的取值區(qū)間:
由上式可得:
由上式可得那么改進型的混沌序列碼產(chǎn)生函數(shù)如下:
使用改進型Logistic映射函數(shù)構(gòu)造循環(huán)觀測矩陣的具體方法:
步驟一:隨機選定[-1,1]之間的一個常數(shù)作為Logistic映射函數(shù)的初值,初值選定后根據(jù)式(7)中Logistic映射混沌序列的產(chǎn)生方法,產(chǎn)生足夠的稀疏混沌序列;步驟二:在步驟一中產(chǎn)生的一系列稀疏混沌序列中采取一定的間隔取N個元素作為一個集合a={a1,a2,…aN}。
步驟三:根據(jù)集合a構(gòu)造一個大小為N×N的循環(huán)矩陣,如下所示:
上述方法構(gòu)造的矩陣F稱為混沌循環(huán)矩陣,相比于傳統(tǒng)的循環(huán)矩陣,由以上方法構(gòu)造的循環(huán)矩陣具有偽隨機性的優(yōu)點,而且矩陣元素為-1、1或0,矩陣元素更加簡單,復(fù)雜度低。
由于本發(fā)明采取了混沌系統(tǒng)來產(chǎn)生循環(huán)矩陣的元素,矩陣元素過于簡單和稀疏會影響到其感知性能。同時混沌系統(tǒng)的加入并沒有增強循環(huán)矩陣的普適性,基于混沌系統(tǒng)的循環(huán)矩陣仍然無法在常用的DCT稀疏基下有效地重構(gòu)原始信號。因此,本發(fā)明結(jié)合結(jié)構(gòu)化矩陣(SRM)的原理,加入隨機算子,隨機算子可以對矩陣進行隨機化處理,增強矩陣元素的隨機性,理論上會有更加優(yōu)異的感知性能。此外,原矩陣會隨著隨機化算子的加入使得其適用更廣泛的稀疏基條件,同時保留了原始矩陣的結(jié)構(gòu)特性,基于此原理,本發(fā)明構(gòu)造出具有更強普適性和結(jié)構(gòu)特性的壓縮感知觀測矩陣。
針對傳統(tǒng)壓縮感知循環(huán)觀測矩陣計算和存儲復(fù)雜度較高,不易于硬件實現(xiàn),普適性較差的缺點,結(jié)合結(jié)構(gòu)化隨機矩陣(SRM)的構(gòu)造方法,發(fā)明提出了基于混沌的結(jié)構(gòu)化壓縮感知循環(huán)觀測矩陣,該矩陣的數(shù)學(xué)模型如下:
其中,
(1)歸一化系數(shù),對ΦΩ進行列單位化,使得ΦΩTΦΩ=IN,保證在使該矩陣對信號進行觀測時,觀測值與原始信號具有大致相近的能量。
(2)Ω:表示隨機抽取集合{1,2,...,N}的M個元素構(gòu)成的集合。
(3)DΩ:DΩ∈RM×N表示以Ω為下標集從一個N×N單位矩陣IN中抽取M行構(gòu)成的子矩陣。DΩ實際上表示按照下標集Ω從FR中抽取行向量。
(4)F:F∈RN×N表示混沌循環(huán)矩陣,其構(gòu)造方法已經(jīng)在前面的部分做了具體介紹。
(5)R:R∈RN×N表示隨機算子,R為全局隨機算子,實際上表示對矩陣F的列進行隨機置亂操作。
本文將利用(8)式構(gòu)造的壓縮感知觀察矩陣稱為基于混沌的結(jié)構(gòu)化壓縮感知循環(huán)觀測矩陣,具體的構(gòu)造流程如圖3所示,該矩陣結(jié)合采用了SRM中的隨機算子R,其目的也是增加矩陣元素的隨機性,從而提高矩陣的恢復(fù)性能。使用本發(fā)明構(gòu)造的觀測矩陣ΦΩ對原始信號f進行壓縮采樣的過程可以表示為:
其中f*=Rf。根據(jù)上式可知,實際中使用本發(fā)明構(gòu)造的觀測矩陣對原始信號進行壓縮采樣的過程是:首先使用隨機算子對原始信號進行隨機化處理,然后使用循環(huán)矩陣對隨機化處理后的原始信號f*進行變換,最后從變換系數(shù)中隨機地抽取M(M<<N)個元素作為采樣值以完成整個信號采樣的過程。
為了直觀地說明構(gòu)造的矩陣的可行性和有效性,本發(fā)明通過實驗仿真進行了驗證。為了仿真的目的設(shè)輸入的一維輸入信號x長度為N=256,且x在某個確定正交稀疏基Ψ下是K稀疏的,即:x=Ψαψ,其中Ψ為正交稀疏基,信號變換系數(shù)α是K稀疏的。信號x的構(gòu)造方法具體為:首先生成K個滿足獨立同一高斯分布的非零元素,然后向K個非零元素中在隨機位置插入N-K個0元素構(gòu)成變換系數(shù)α,最后選擇確定的正交基矩陣Ψ與α相乘得到信號。對于信號x,選擇大小為M×N的觀測矩陣Φ對其進行觀測獲得長度為M的觀測向量y=Φx,實驗中采用OMP算法對原始信號進行重構(gòu)。圖4和圖5分別是在不同的稀疏基下信號的重構(gòu)成功率隨采樣率的變。這兩張圖表明本發(fā)明構(gòu)造的基于混沌的結(jié)構(gòu)化循環(huán)觀測矩陣可以有效地重構(gòu)信號,相比于傳統(tǒng)的循環(huán)矩陣能適用較多的稀疏基,同時具有更加優(yōu)異的重構(gòu)性能。
以上對本發(fā)明提出的基于混沌的結(jié)構(gòu)化壓縮感知循環(huán)觀測矩陣進行了詳細的介紹和說明,上述的具體實施方式有助于理解本發(fā)明的核心思想。本發(fā)明基于混沌系統(tǒng)的偽隨機性可以滿足壓縮感知對觀測矩陣的要求,同時混沌系統(tǒng)相較于純隨機系統(tǒng)又更容易在硬件上實現(xiàn)。此外,隨機化算子可以對矩陣的元素進行隨機化處理,提高了矩陣重構(gòu)性能和其普適性。