1-D信号压缩传感的实现(正交匹配追踪法Orthogonal Matching Pursuit)附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

​压缩感知(Compressed sensing,CS)技术是近几年出现的一种新兴的信号采样和压缩技术,基于该理论所获得的原始信号采样值,不仅数量大大低于基于传统的Nyquist准则的采样值,而且CS技术还具有对未知信号边感知边压缩的特性.重构算法的设计是CS技术的核心,成为学者研究的重点.本文在对国内外已经出现的重构算法进行系统地研究后,在深入地研究了贪婪追踪算法和其重构模型的基础上,给出了正交匹配追踪(OrthogonalMatching Pursuit,OMP)类算法的基本原理.

⛄ 代码

%  1-D信号压缩传感的实现(正交匹配追踪法Orthogonal Matching Pursuit)

%  测量数M>=K*log(N/K),K是稀疏度,N信号长度,可以近乎完全重构

%  参考文献：Joel A. Tropp and Anna C. Gilbert 

%  Signal Recovery From Random Measurements Via Orthogonal Matching

%  Pursuit，IEEE TRANSACTIONS ON INFORMATION THEORY, VOL. 53, NO. 12,

%  DECEMBER 2007.

clc;clear

%  1. 时域测试信号生成

K=8;      %  稀疏度(做FFT可以看出来),在频率域上只有7个尖峰，说明稀疏度为7

N=256;    %  信号长度

M=64;     %  测量数(M>=K*log(N/K),至少40,但有出错的概率)  ---压缩的目的已经达到了，我在存储的时候就不必把采集到的所有点都存起来了，

          %  只需要存储M个点就能够恢复出N个点的x

f1=50;    %  信号频率1

f2=100;   %  信号频率2

f3=200;   %  信号频率3

f4=400;   %  信号频率4

fs=6400;   %  采样频率

ts=1/fs;  %  采样间隔

Ts=1:N;   %  采样序列

x=0.3*cos(2*pi*f1*Ts*ts)+0.6*cos(2*pi*f2*Ts*ts)+0.1*cos(2*pi*f3*Ts*ts)+0.9*cos(2*pi*f4*Ts*ts);  %  完整信号,由4个信号叠加而来

huty=fft(x);

figure;

subplot(311);

plot(abs(huty))

title('原始信号的FFT');

legend('在频域观测稀疏度k=8')

%  2.  时域信号压缩传感

Phi=randn(M,N);                                   %  测量矩阵(高斯分布白噪声)64*256的扁矩阵，Phi也就是文中说的D矩阵

%经过这个实现压缩：将采样得到的数据与一个随机高斯白噪声相乘，进行降维压缩

y=Phi*x.';                                        %  获得线性测量 ，s相当于文中的y矩阵

%  3.  正交匹配追踪法重构信号(本质上是L_1范数最优化问题)  OMP算法

%匹配追踪：找到一个其标记看上去与收集到的数据相关的小波；在数据中去除这个标记的所有印迹；不断重复直到我们能用小波标记“解释”收集到的所有数据。

m=2*K;                                            %  算法迭代次数(m>=K)，设x是K-sparse的

Psi=fft(eye(N,N))/sqrt(N);                        %  傅里叶正变换矩阵,取转置就是傅里叶反变换矩阵

%huty1=huty*Psi';

%figure

%plot(real(huty1));

T=Phi*Psi';                                       %  恢复矩阵(测量矩阵*正交反变换矩阵)

hat_y=zeros(1,N);                                 %  待重构的谱域(变换域)向量                     

Aug_t=[];                                         %  增量矩阵(初始值为空矩阵)

r_n=y;                                            %  残差值

for times=1:m;                                    %  迭代次数(有噪声的情况下,该迭代次数为K)

    for col=1:N;                                  %  恢复矩阵的所有列向量

        product(col)=abs(T(:,col)'*r_n);          %  恢复矩阵的列向量和残差的投影系数(内积值) 

    end

    [val,pos]=max(product);                       %  最大投影系数对应的位置，即找到一个其标记看上去与收集到的数据相关的小波

    Aug_t=[Aug_t,T(:,pos)];                       %  矩阵扩充    

    

    T(:,pos)=zeros(M,1);                          %  选中的列置零（实质上应该去掉，为了简单我把它置零），在数据中去除这个标记的所有印迹

    %^（-1）对矩阵来讲是求逆。

    aug_y=(Aug_t'*Aug_t)^(-1)*Aug_t'*y;           %  最小二乘,使残差最小

    r_n=y-Aug_t*aug_y;                            %  残差

    pos_array(times)=pos;                         %  纪录最大投影系数的位置

end

hat_y(pos_array)=aug_y;                           %  重构的谱域向量

hat_x=real(Psi'*hat_y.');                         %  做逆傅里叶变换重构得到时域信号

%  4.  恢复信号和原始信号对比

%figure(1);

%hold on;

subplot(313);

%figure

plot(hat_x,'k.-')%  重建信号

legend('重建信号')

subplot(312);

%figure

plot(x,'r')                                       %  原始信号

legend('原始信号')

norm(hat_x.'-x)/norm(x)                           %  重构误差

⛄ 运行结果

⛄ 参考文献

[1] 杨真真, 杨震, 孙林慧. 信号压缩重构的正交匹配追踪类算法综述[J]. 信号处理, 2013, 29(4):11.

[2] 毛本清. 基于正交双向小波语音基频信号数据压缩与MATLAB实现[J]. 赤子, 2017, 000(015):159-160.

[3] 姚远, 梁志毅. 基于压缩感知信号重建的自适应空间正交匹配追踪算法[J]. 计算机科学, 2012.

[4] 杨良龙. 压缩感知中信号重建算法和确定性测量矩阵研究[D]. 南京邮电大学, 2013.

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料