注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 通过传感模型优化实现DOA估计的单通道压缩传感

  2. 当射频（RF）通道之间的增益不一致以及目标角度信息与系统感测模型不匹配时，基于多通道压缩传感（CS）的到达方向（DOA）估计算法的性能会降低。 为了解决这些问题，提出了一种新的基于感知模型优化的单通道基于CS的DOA估计算法。 首先，建立了一种基于单通道阵列的DOA稀疏感知模型，该模型考虑了感知模型的失配。 其次，提出了一种新的基于单通道CS的DOA估计算法。 该算法背后的基本思想是针对目标角度信息矢量和传感模型量化误差矢量分别迭代求解两个CS优化。 另外，它避免了由于RF通道之间的增益不一致而

  3. 所属分类：其它

    • 发布日期：2020-06-05
    • 文件大小：384kb
    • 提供者：weixin_38727453

  1. 压缩感知中稀疏信号恢复的贪婪正交匹配追踪算法

  2. 稀疏信号恢复问题一直是几个不同社区中广泛研究的主题。 可伸缩恢复算法是压缩感测（CS）的一个至关重要的基本主题，最近几年引起了人们的极大兴趣。 本文首先分析了正交匹配追踪（OMP）算法中的迭代残差。 其次，引入了贪婪算法，称为贪婪OMP算法。 该算法使用贪婪原子识别迭代地识别多个原子，然后丢弃与最佳原子高度相似的一些原子。 与OMP算法相比，对高斯和零一稀疏信号进行的实验表明，提出的GOMP算法可以提供更好的恢复性能。 最后，我们通过实验研究了GOMP中贪婪常数对恢复性能的影响。

  3. 所属分类：其它

  1. Caffe-DCS:收集Caffe源代码以进行深度压缩感测-Source code collection

  2. Caffe中的深度压缩感测 Caffe中基于深度学习的压缩感知的源代码集合。 免责声明 实际上，所有工具都已重新实现，并进行了一些改进，例如 对于ReconNet和DR2Net： 实施为全卷积网络 用pycaffe生成的文件（train，test，resolver-prototxt以及train.sh）。 增加了数据生成：采样矩阵，针对不同子速率的单独训练数据，更多测试数据等。 通用测试框架：适用于ReconNet和DR2Net 收集工具 侦察网 DR2Net 参考 [1] K. Ku

  3. 所属分类：其它

    • 发布日期：2021-03-24
    • 文件大小：423mb
    • 提供者：weixin_42099942

  1. 基于非混淆Contourlet变换和压缩感知的XFCT重构算法

  2. 压缩感测（CS）理论具有从稀疏视图投影数据重建CT图像的巨大潜力。当前，基于全变异（CT）的CT重建方法是医学CT领域的研究热点，其在迭代过程中使用梯度算子作为稀疏表示方法。但是，用这种方法重建的图像经常会出现平滑问题。为了提高重建图像的质量，本文提出了一种将电视与非混淆Contourlet变换（NACT）相结合的混合重建方法，并使用Split-Bregman方法解决了优化问题。最后，仿真结果表明，所提出的算法能够以较少的迭代次数从多视点投影中重建高质量的CT图像，比代数重建技术（ART）和基于

  3. 所属分类：其它

  1. 基于压缩感知的基于碰撞的射频识别

  2. 随着射频识别（RFID）广泛用于商业领域，对快速识别多个标签的需求不断增长，这是RFID的主要应用。 在处理多目标情况时，来自不同标签的信号冲突成为一个挑战。 本文提出了一种使用压缩感知（CS）的FID方案。 它将碰撞信号视为有用的测量值，以帮助同时识别多个RFID标签。 还提出了一种有效的方法，以通过快速减少可疑RFID标签的数量来提高效率。 对于数据在时间上具有冗余的情况，引入了分布式压缩感测（DCS）以利用冗余来提供更高的精度。 仿真结果表明，该方案优于传统方案。 FSA方案解决RFID识

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：188kb
    • 提供者：weixin_38575118

  1. 用于非均匀可压缩信号的扩展窗口压缩感知

  2. 无线传感器网络中的许多实用可压缩信号（例如图像信号或网络数据）在其稀疏表示域中具有不均匀的支持分布。 利用这种先验信息，本文通过引入称为扩展窗口压缩感知（EW-CS）的开窗策略，提出了一种具有不平等保护能力的新型压缩感知（CS）方案。 根据信号不同部分的重要性，信号被分为几个嵌套的子集，即扩展窗口。 每个窗口使用随机感测矩阵生成自己的测量值。 重要的元素包含在更多的窗口中，因此可以通过更多的测量来捕获它们。 这种设计使EW-CS方案比普通CS方案具有更方便的实现和对非均匀可压缩信号的更好的整体恢

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：512kb
    • 提供者：weixin_38624315

  1. 基于随机导频的压缩信道感知，用于物理层通信安全

  2. 正确的信道状态信息（CSI）是正确接收信息所必需的。 由于无线多径信道的稀疏性，压缩感知已用于信道估计。 基于压缩感测，通过随机设置导频来进行信道估计的性能要比均匀且连续地好得多。 通过利用导频的随机性来防止无线通信的窃听，提出了一种物理层安全通信的方案。 发送器根据随机导频码本放置导频，然后合法用户可以根据该码本准确估计CSI，而窃听者由于不知道导频的位置而无法监听。 仿真结果表明，合法用户可以正确解码信息，而窃听者的BER性能很差，安全能力接近合法用户的能力。 该方案有效地保证了物理层通信的

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：145kb
    • 提供者：weixin_38503496

  1. 无线传感器网络中基于压缩感知的异常事件检测与定位

  2. 无线传感器网络的主要挑战是事件检测和定位的准确性和及时性。 但是，对于无线传感器网络，与监视区域中的所有事件相比，异常事件相对较少。 压缩感测理论提出了从几次测量中恢复稀疏信号的想法。 本文将无线传感器网络中的异常事件检测和定位公式化为压缩感知问题。 在假设传感器的传输信号为二进制的情况下，分析了基本追踪算法与乘法器交替方向法以及其他压缩感知恢复算法相结合的性能。 仿真结果验证了基本追踪算法在准确检测和定位方面的优势。

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：407kb
    • 提供者：weixin_38545117

  1. 基于Kronecker压缩感测的机制，具有完全独立的采样尺寸，用于高光谱成像

  2. 我们提出了一种新的Kronecker高光谱（HS）图像压缩感知方法，包括成像机制和相应的重建方法。 所提出的机制能够在采样时压缩所有维度的数据，这可以通过三个完全独立的采样设备来实现。 结果，该机制大大减少了控制点和存储需求。 另外，我们还可以根据不同的HS图像选择合适的稀疏基并生成相应的优化感测矩阵或独立更改每个维度的采样率分布。 作为机制的合作，我们将稀疏模型和低多线性秩模型相结合，以开发一种重构方法。 分析表明，与基于稀疏模型的传统方法相比，我们的重建方法具有较低的计算复杂度。 仿真证明，

  3. 所属分类：其它

  1. 压缩感知的局部支持恢复和信号重构性能分析

  2. 压缩感测领域的最新工作主要集中在对稀疏信号的完整支持的完美恢复上。 但是，在许多实际情况下，部分支撑恢复（信号支撑的一部分已正确恢复）可能就足够了。 在这项研究中，在高维和嘈杂的环境中，作者开发了最优最大似然（ML）算法部分支持恢复的可能性。 当大部分支持可用时，将进一步发展重构信号的渐进均方误差（MSE）。 仿真结果表征了部分支持恢复的ML算法的渐近性能，并表明存在信噪比（SNR）阈值，超过此阈值SNR不会带来任何明显的MSE增益。

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：541kb
    • 提供者：weixin_38660069

  1. 感知压缩感测

  2. 感知压缩感测

  3. 所属分类：其它

  1. 基于人工免疫算法的压缩感知信号重建

  2. 压缩感测的核心，即信号重构，是对信号稀疏性问题的一种约束，可以通过10范数最小化来实现。 但是l0范数的最小化要求穷举所有原始信号的可能性，这是传统算法难以解决的NP难题。本文提出了一种基于人工免疫算法的信号重构算法，可以直接解决l0范数的最小化。 通过数值仿真证明，基于该方法的信号重建和光声图像重建性能优于OMP算法。

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：274kb
    • 提供者：weixin_38532629

  1. 压缩感知的逐步次优迭代硬阈值算法

  2. 稀疏信号重建问题已经在几个不同的社区中进行了广泛的研究。 可伸缩的重建算法是压缩感测的关键和基本主题，在最近几年引起了极大的兴趣。 本文首先提出了一种新颖的方法来改进原始的IHT算法，即正交迭代阈值算法。 与IHT算法相比，若干仿真结果证明了其在重构高斯和零一信号方面的有效性。 之后，我们提出了另一种新的迭代算法，用于根据不确定的线性测量结果重建稀疏信号。 该算法通过添加一个原子而不是BIHT中的简单回溯步骤来修改基于回溯的迭代硬阈值（BIHT），这可以确保减少残留误差。 与正交IHT（OIHT

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：144kb
    • 提供者：weixin_38631049

  1. 通过识别多候选者并利用确定性矩阵来进行有效的协作压缩频谱感知

  2. 合作频谱感测利用空间分集来改善对认知无线电网络（CRN）中占用信道的检测。 利用信道占用稀疏性的协作压缩频谱感测（CCSS），通过减少报告数量而不降低检测性能，进一步提高了效率。 在本文中，我们首先主要提出参考多候选正交矩阵匹配追踪（MOMMP）算法，以有效地检测融合中心（FC）上的占用信道，其中，利用多候选识别和正交投影分别减少了所需的迭代次数，并提高了准确识别的可能性。 其次，介绍了两种基于阈值和高斯分布的通用但不同的方法来实现多候选者的识别。 此外，为了提高检测精度和能效，我们提出了基于收

  3. 所属分类：其它

  1. 基于神经网络的压缩感知优化Toeplitz测量矩阵

  2. 压缩感测在某些域中利用信号，从而使整个信号有效从相对较少的测量结果中获取和重建。 Toeplitz矩阵在以下方面具有更多优势高斯随机矩阵的数据量和计算量，但与高斯矩阵相差甚远在信号重建的性能上。 本文采用并优化了Toeplitz矩阵基于人工神经网络（ANN）的机器学习。 实验结果证明提出的优化方法，与高斯随机矩阵和原始矩阵，优化后的矩阵可以减少数据量并提高CS的性能。 与此同时。

  3. 所属分类：其它

  1. LIS-DeepLearning:由Abdelrahman Taha，Muhammad Alrabeiah和Ahmed Alkhateeb撰写的“通过压缩传感和深度学习实现大型智能表面的模拟代码”，发表于IEEE Access，2021年3

  2. 通过压缩感测和深度学习实现大型智能表面 这是与以下文章相关的MATLAB代码包：Abdelrahman Taha，Muhammad Alrabeiah和Ahmed Alkhateeb，“”，IEEE Access，2021年3月，doi：10.1109 / ACCESS.2021.3064073。 文章摘要 采用大型智能表面（LIS）是提高未来无线系统的覆盖范围和速率的有前途的解决方案。 这些表面包含大量近乎无源的元素，这些元素与入射信号相互作用，例如通过反射入射信号，从而以一种聪明的方式提高了

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：109kb
    • 提供者：weixin_42161497

  1. 在压缩感知中嵌入加密功能

  2. 压缩感测（CS）已被广泛研究并应用于许多领域。 最近，执行安全压缩感测（SCS）的方法已成为人们越来越感兴趣的话题。 现有的关于SCS的工作通常以传感矩阵为关键，只能被视为对SCS的初步探索。 在本文中，我们首先提出了一些可能的CS加密模型。 相信这些模型将提供新的观点，并刺激CS和密码学领域的进一步研究。 然后，我们证明随机排列是具有压倒性可能性的可接受排列，可以有效地放宽平行压缩感测的受限等距常数。 此外，利用随机置换来设计安全的并行压缩感测方案。 安全分析表明，该方案可以实现渐近球面保密性

  3. 所属分类：其它

  1. 为多云提供压缩感知的稀疏重建服务的支持集确保并行外包

  2. 通过利用信号稀疏性的概念，新的信号采集范例压缩感测（CS）成功地将编码器的系统复杂性转移到了解码器。 如果必须在保证信号私密性的同时考虑解决繁重的解码工作，最好的选择之一就是将稀疏的重构服务外包给具有丰富计算资源的云。 我们建议将稀疏重建服务并行外包给多云，并假设多云不能私下相互勾结。 拥有者使用具有低复杂度和较少内存的简单交换原语（而不是完整的随机排列矩阵）来保护2D信号的支持集，该集由该信号中非零条目的索引组成。 在执行并行压缩感测时，此交换原语等效于随机置换矩阵，因此很有可能放宽2D稀疏信

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：220kb
    • 提供者：weixin_38674675

  1. 基于Golay序列的压缩感知的稀疏多径信道估计

  2. 对于使用压缩感知（CS）的新颖信道估计方法，已经提出了许多策略来改善其性能。 然而，通常使用随机序列来构造感测矩阵，但是在硬件中实现随机且困难且昂贵，并且可能在OFDM系统中引起较大的峰均功率比（PAPR）。 因此，本文详细研究了通过确定性序列Golay Complementary Sequence获得确定性传感矩阵的方法。 Golay序列具有完美的周期性自相关特性，同时实现了定时采集和信道估计。 通过该方法，PAPR也可以在OFDM系统中被限制在3dB之内。 仿真结果表明，确定性传感矩阵可以提

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：114kb
    • 提供者：weixin_38575421

  1. CS_MoCo_LAB：压缩传感和运动校正LAB：MR采集和重建系统-源码

  2. CS_MoCo_LAB 压缩传感和运动校正LAB：MR采集和重建系统 生成压缩感测（CS）加速MR序列，并通过Gadgetron在扫描仪上在线或在外部工作站上离线重建采集的数据。 收购 压缩感测采集的通用子采样类 CS加速梯度回波序列（2D，2D +时间，3D，3D +时间）：CS_FLASH（Siemens，VB20P） MR运动成像序列（4D，5D）：CS_Retro（Siemens，VB20P，VE11C，VE11P） 重建 Gadgetron的CS和运动分解重建系统（C ++） M

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：50mb
    • 提供者：weixin_42138525
« 12 »