孫中廷

摘要：壓縮感知中測量矩陣是數(shù)據(jù)采樣和信號重構的關鍵，傳統(tǒng)測量矩陣存在重構計算復雜度高、內(nèi)存耗用大和隨機不可控等問題。利用Logistic混沌序列優(yōu)良的隨機特性，對Bernoulli測量矩陣進行改進，提出一種復雜度較低的混沌Bernoulli測量矩陣。首先通過Logistic混沌系統(tǒng)產(chǎn)生混沌序列，然后運用符號函數(shù)進行映射生成Bernoulli分布的隨機序列，最后將其構造為測量矩陣并在一維信號和二維圖像的采樣、重構中應用。仿真結果表明，基于Logistic混沌Bernoulli測量矩陣在大幅降低存儲容量與計算復雜度的情況下，提高了精確性與魯棒性。

關鍵詞：壓縮感知;測量矩陣;混沌序列;Logistic系統(tǒng);稀疏采樣

中圖分類號：TP305? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）27-0250-03

Abstract： Based on the traditional measurement matrix are the shortcoming of poor stability， this paper uses stochastic properties of chaotic sequences of the Logistic is excellent， the Bernoulli measurement matrix is improved， presents a very low complexity of chaotic Bernoulli measurement matrix. Chaotic sequence is generated by Logistic chaotic system， then use the sign function of stochastic matrix mapping to generate the Bernoulli distribution， the sequence is used to construct the measurement matrix. The one-dimensional signal and two-dimensional image reconstruction results show that one-dimensional signal and image reconstruction for signal-to-noise ratio based on the chaotic Bernoulli measurement matrix are better than Bernoulli matrix and Gaussion matrix， which proves the reliability and effectiveness of the algorithm.

Key words： Compressed Sensing; Measurement Matrix; Chaotic Sequence; Logistic System; Sparse Sampling

在采樣理論的研究中，壓縮感知受到越來越多的關注，該理論是由[Donoho][1]和[Cande][2]等人率先提出的，它突破原采樣理論中采樣頻率的理解，將信息的壓縮處理與靈敏據(jù)采集處理同時進行，這樣采集信息的數(shù)量會有極大減少，從而實現(xiàn)對數(shù)據(jù)的存儲空間和時間的節(jié)省。

LeiYu[3]對從計算時間的角度分析混沌序列并構建測量矩陣，通過多角度對比，證明該矩陣滿足有限等距性并對該矩陣的可行性進行了驗證。顧國生等人[4]利用符號混沌系統(tǒng)的偽隨機序列對壓縮感知的測量矩陣進行構建，通過實驗，證明該方法的可行性和有效性。但以上兩種方法均具有復雜度偏高和計算量過大的缺點。將兩種異同隨機矩陣應用于一維與二維兩種不同的信息中進行仿真比對，實驗證明，此種測量矩陣對執(zhí)行效率和魯棒性有明顯提高。

1 壓縮感知

假設一維信號[X∈RN×1]，[X]可通過一組[N×N]正交基[ψ={ψ1，ψ2，...，ψN}]進行表達，其表達式如公式（1）所示[5-6]：

公式（1）中，[θk=]，[X，θ]均為[N×1]維向量。當信號[X]在某個正交基[ψ]上有[K<

信息[X]通過在測量矩陣[?]映射得到結果的[Y]可以用（2）式表示：

由公式（1）（2）可得：

在重構信號的過程中，如果測量矩陣選取不當會現(xiàn)出“病態(tài)”問題?？梢赞D(zhuǎn)化成求解[l0]范數(shù)最小化來解決[7]，如式（4）所示：

為了求解公式（4），研究學者提出了很多計算方法，比較經(jīng)典的有正交匹配追蹤法、迭代硬閾值法法、公段正交匹配追蹤法、基追蹤法等。

2 基于混沌矩陣的[Bernoulli]測量矩陣的構造

混沌現(xiàn)象廣泛地存在于非線性系統(tǒng)之中，其是一種非周期性運動形式。由于混沌系統(tǒng)所產(chǎn)生的序列具有良好的偽隨機性質(zhì)，所以混沌序列被廣泛地應用于信號處理、非線性控制以及圖像加密等相關領域。

已知[Logistic]混沌系統(tǒng)的表達式如公式（5）所示[8]：

公式（5）中，[xn∈[-1，1]]，[μ∈[1.872，2.0]]，當公式（5）的初始值[x0=0.23，0.37或0.7]時，生成混沌序列。

運用[Logistic]混沌序列[xn]，運用公式（6）將其轉(zhuǎn)換為一種新型映射序列[an]。

通過參考文獻[9]得出，當[μ=2.0]時，利用[Logistic]混沌系統(tǒng)生成的混沌序列[xn]符合[Bernoulli]分布，并且滿足有限等距性，因此將選取[an]當作測量矩陣。

混沌矩陣的[Bernoulli]測量矩陣的構造步驟如下：

（1）運用公式（5）生成混沌序列[xn]，[xn]的長度是[n=M×N-1]。通過不斷實驗得出，當[μ=2.0]時，初始值[x0=0.23，0.37或0.7]時，重構的誤差分別為[0.098，0.083，0.090，]為此，本文進行初始操作為[x0=0.37]，[μ=2.0]。

（2）將步驟（1）生成的[Logistic]混沌序列運用公式（6）進行符號函數(shù)映射，構建序列[an]。

（3）選取截斷長[N]，對映射序列[an]進行截斷操作，構造[M×N]的矩陣[?]作為測量矩陣。

參考文獻[5]的算法有一定的優(yōu)點，但算法復雜度較高，遠超過[ο（N2）]，為此本文提出了改進的算法，通過實驗得出其復雜度為[ο（M×N）（M<

由[Logistic_Bernoulli]和[Bernoulli]隨機序列對比圖和直方圖對比圖得出，[Logistic_Bernoulli]隨機序列中[1和-1]的數(shù)量相近，比值均與1相距很小，這表示[Logistic_Bernoulli]隨機序列有較好的魯棒性和平均性，優(yōu)于原始的[Bernoulli]隨機序列。

3 運用正交匹配追蹤算法及[Logistic_Bernoulli]測量矩陣對信號進行重構

3.1正交匹配追蹤算法

正交匹配追蹤算法算法是運用Gram-Schmidt正交化方法對所選原子進行正交處理，通過正交化之后，將信號投影在正交原子的空間中，得到信號在原子投影空間中的信號分量和信號余量，然后運用相同的方法繼續(xù)分解信號余量。在信號分解過程中，原子的選定都要符合相應的條件，因此信號余量在分解的過程中迅速減小。通過遞歸方法實現(xiàn)原子集合的正交化處理不僅保證了最優(yōu)的迭代性，同時實現(xiàn)迭代次數(shù)的最小化。

匹配追蹤相關算法的系數(shù)[u]，大多使用信號余量[r]和感知矩陣[Φ]，通過計算各個原子之間內(nèi)積的絕對值獲得[11-12]：

同時運用最小二乘法實現(xiàn)信號逼近和余量更新：

基于[Logistic_Bernoulli]測量矩陣的OMP算法的算法流程如下：

輸入：維度大小為[M×N]的[Logistic_Bernoulli]測量矩陣[?]

輸出：信號[X]的[K]稀疏的逼近[X]

Step1：初始余量[r0=Y]，迭代次數(shù)[n=1]，索引值集合[Λ=?]，[J=?];

Step2：計算相關系數(shù)[u] ，并將[u]中最大值對應的索引值存入[J]中;

Step3：更新[ΦΛ]，其中[Λ=Λ?J0];

Step4：運用最小二乘法計算得到[X]，同時運用式（9）對余量進行更新;

Step5：若[rnew-r≥ε2]，令[r=rnew]，[n=n+1]，轉(zhuǎn)步驟Step2;否則，停止迭代。

3.2 評價指標

假設原始信號為[X]，重構信號為[X]，以信噪比、重構誤差以及匹配度三個指標來評價壓縮感知重構的效果。

信噪比：[PSNR=10lg|X|2|X-X|2]? ? ? ? ?（10）

重構誤差：[MSE=X-X2X2]? ? ? ? ? ? ?（11）

匹配度：[α=1-X2-X2X2+X2]? ? ? ? ? ? ? （12）

二維圖像的信噪比：

[PSNR=10lg255×255×W×H（I-I）2]? ? ? ? ? ? ? ?（13）

其中，[W，H]分別表示圖像的寬度和高度，[I，I]分別表示原始圖像和重構圖像。

4 仿真實驗

為了對相關算法有效性和魯棒性進行驗證，本文以兩個仿真實例為研究對象，研究本文算法對一維信號和二維圖像進行壓縮感知重構的效果。

4.1 一維信號重構

假設原始信號[x（t）=3cos（2*pi*f*Ts*ts）]，信號頻率[f=50Hz]，采樣頻率[fs=800Hz]，采樣間隔[ts=1/fs]，采樣序列長度[TS]，文中采樣序列長度[TS=256]，測量數(shù)[M=64]，稀疏度[K=7]，原始信號波形圖如圖2所示：

由圖2基于[Logistic_Bernoulli]測量矩陣一維信號重構結果圖可知，本文算法幾乎完全實現(xiàn)原始信號的重構，重構效果很好，其與不同測量矩陣的對比結果如表1所示。

由表1可知，基于[Logistic_Bernoulli]測量矩陣的信號重構，其信噪比[PSNR]可以得到3分貝的提高，與此同時其匹配度和重構誤差都有一定程度的提高和降低，實驗表明本算法能夠較大幅度提高有效性。

5 結論

針對傳統(tǒng)測量矩陣具有隨機性和平均性差的缺點，將[Logistic]混沌序列引入壓縮感知理論，構造出新的[Logistic_Bernoulli]測量矩陣并將其應用于壓縮感知代替?zhèn)鹘y(tǒng)的測量矩陣，構造出基于[Logistic_Bernoulli]測量矩陣的OMP信號重構算法。一維信號和二維圖像重構結果表明，基于[Logistic_Bernoulli]測量矩陣一維信號和圖像重構的信噪比優(yōu)于[Bernoulli]矩陣和[Gaussion]矩陣，進而可以驗證本文算法的魯棒性和有效性。

參考文獻：

[1] Donoho D.Compressed sensing[J].IEEE Transactions on Information Theory，2006，52（4）：1289-1306.

[2] Candes E.Compressive sampling[C]//Proceedings of the International Congress of Mathematicians，Madrid，Spain，2006.

[3] Yu L，Barbot J P，Zheng G，et al.Compressive sensing with chaotic sequence[J].IEEE Signal Processing Letters，2010，17（8）：731-734.

[4] 王知人， 張德生， 聶棟棟. Logistic混沌序列壓縮感知測量矩陣構造[J].小型微型計算機系統(tǒng)，2016，37（3）：588-592.

[5] 蔡榮文. 基于改進的Bernoulli矩陣壓縮感知圖像重構算法[J].山東農(nóng)業(yè)大學學報（自然科學版）， 2016（1）：107-110.

[6] 臧華中， ZANGHuazhong. 基于Logistic混沌-貝努力序列的循環(huán)壓縮測量矩陣構造算法[J].四川理工學院學報（自科版）， 2015， 28（5）：31-36.

[7] 孫憲坤， 陳濤， 韓華，等. 基于Kent混沌測量矩陣的壓縮感知圖像重構算法[J].計算機應用與軟件， 2017， 34（4）：213-220.

[8] 周偉， 景博， 黃以鋒.一種基于復合混沌映射的壓縮感知測量矩陣構造方法研究[J].電子學報，2017（9）： 2177-2183.

[9] 胡行華， 史明潔. 帳篷混沌序列稀疏測量矩陣構造[J].傳感器與微系統(tǒng)，2017，36（7）：50-52.

[10] 李楠， 任清華， 蘇玉澤. TDCS壓縮感知觀測矩陣構造方法[J].計算機工程與設計，2017，38（1）：7-11.

【通聯(lián)編輯：唐一東】