結構化壓縮感知理論及應用

結構化壓縮感知是在傳統壓縮感知基礎上形成的新的理論框架，旨在將與數據採集硬件及復雜信號模型相匹配的結構化先驗信息引入傳統壓縮感知，從而實現對更廣泛類型信號的高效重建。目前，結構化壓縮感知在醫學成像、模式識別、雷達遙感、無線通信等眾多領域有極為廣泛的應用前景。本書深入、系統地論述了結構化壓縮感知的基本理論及典型結構化壓縮感知方法，從應用的角度總結作者多年來的研究成果以及國際上這一領域的研究進展。全書共 9 章，主要內容包括結構化壓縮感知的發展與現狀、結構化壓縮感知理論基礎、典型的稀疏結構化及壓縮感知方法、稀疏階估計方法、基於結構化壓縮感知的一維譜空穴檢測、基於聯合稀疏壓縮感知的二維譜空穴檢測、基於結構化壓縮感知的三維譜空穴檢測、基於結構化壓縮感知的通道估計及基於結構化壓縮感知的毫米波通道估計。本書是關於結構化壓縮感知理論及應用的一部專著，可供從事通信、圖像、雷達和核磁共振等領域的廣大技術人員學習與參考，也可作為高等院校和科研院所信號與信息處理、信息與通信系統等專業的研究生教材或參考書。

劉福來，2005年獲東北大學計算機軟件與理論專業工學博士學位。 2005-2007年東北大學博士後流動站，石家莊通信測控技術研究所博士後工作站，博士後。 2007年到東北大學秦皇島分校工作，2009-2011年東南大學博士流動站，博士後，2010年晉升為教授，2012年被東北大學遴選為博士研究生導師。教育部新世紀人才，河北省“三三三人才工程”第二層次人才，河北省OO教師，河北省教學名師。
    在東北大學秦皇島分校，先後講授“數字信號處理”“MATLAB與通信系統分析”和“高等工程數學”等多門本科生和研究生課程。出版《MATLAB與無線電信號處理分析》一書。
    主要從事認知無線電及頻譜大數據處理、電磁環境認知與控制利用、GNSS抗干擾技術、毫米波通信系統關鍵技術、壓縮感知和深度學習及其應用等方向的科研和人才培養工作。主持國家自然科學基金、河北省自然科學基金等縱向科研項目10餘項，已在IEEE Transactions on Antennas and Propagation、IEEE Transactions on Communications、Signal Processing、IEEE Transactions on Mobile Computing等國內外重點期刊與OO學術會議上發表學術論文50餘篇，其中已被SCI、EI檢索收錄40餘篇，申報或獲批發明專利10餘項。

第1章    緒論 
    1.1    壓縮感知的發展及應用 
        1.1.1    壓縮感知的發展歷程 
        1.1.2    壓縮感知的應用領域 
    1.2    壓縮感知關鍵理論及研究現狀 
        1.2.1    壓縮感知的關鍵理論 
        1.2.2    壓縮感知的研究現狀 
    1.3    結構化壓縮感知關鍵理論及研究現狀 
        1.3.1    結構化壓縮感知關鍵理論 
        1.3.2    結構化壓縮感知研究現狀 
    1.4    結構化壓縮感知面臨的挑戰 
    1.5    本書結構及內容安排 
    1.6    本章小結 
    參考文獻 
第2章    結構化壓縮感知理論基礎 
    2.1    引言 
    2.2    壓縮感知基本原理 
        2.2.1    稀疏表示 
        2.2.2    觀測矩陣 
        2.2.3    重構算法 
        2.2.4    張量壓縮感知 
    2.3    結構化壓縮感知基本框架 
    2.4    典型結構化稀疏信號模型 
        2.4.1    結構化稀疏信號模型 
        2.4.2    結構化RIP條件 
    2.5    結構化稀疏表示 
        2.5.1    基於BMOD的塊字典學習 
        2.5.2    基於BK-SVD的塊字典學習 
    2.6    結構化觀測矩陣 
        2.6.1    基於RIP理論的觀測矩陣 
        2.6.2    基於相干性理論的觀測矩陣 
    2.7    結構化重構 
        2.7.1    基於MMV模型的稀疏重構 
        2.7.2    基於US模型的稀疏重構 
    2.8    本章小結 
    參考文獻 
第3章    典型的稀疏結構及壓縮感知算法 
    3.1    引言 
    3.2    塊稀疏壓縮感知 
        3.2.1    塊稀疏信號模型 
        3.2.2    塊混合範數優化算法 
        3.2.3    塊正交匹配追踪算法 
        3.2.4    塊匹配追踪算法 
        3.2.5    塊稀疏子空間學習算法 
        3.2.6    塊稀疏非參數貝葉斯估計 
    3.3    聯合稀疏壓縮感知 
        3.3.1    JSM-1模型及重構算法 
        3.3.2    JSM-2模型及重構算法 
        3.3.3    JSM-3模型及重構算法 
    3.4    高斯聯合稀疏張量壓縮感知 
        3.4.1    張量表示及其分解 
        3.4.2    內在張量稀疏度量 
        3.4.3    基於CACTI的結構化測量 
        3.4.4    基於高斯聯合稀疏模型的重構方法 
    3.5    本章小結 
    參考文獻 
第4章    稀疏階估計方法 
    4.1    引言 
    4.2    測量模型 
        4.2.1    單測量向量模型 
        4.2.2    多測量向量模型 
    4.3    基於特徵值的稀疏階估計算法 
        4.3.1    算法原理 
        4.3.2    算法步驟 
    4.4    基於蹟的稀疏階估計算法 
        4.4.1    算法原理 
        4.4.2    算法步驟 
        4.4.3    計算複雜度分析 
    4.5    仿真實驗及結果分析 
        4.5.1    基於特徵值的稀疏階估計算法 
        4.5.2    基於蹟的稀疏階估計算法 
    4.6    本章小結 
    參考文獻 
第5章    基於結構化壓縮感知的一維譜空穴檢測 
    5.1    引言 
    5.2    一維譜空穴檢測 
        5.2.1    譜空穴概念 
        5.2.2    典型一維譜空穴檢測 
    5.3    基於動態組稀疏的頻譜感知 
        5.3.1    頻譜感知問題描述 
        5.3.2    DGS-SS算法原理 
        5.3.3    仿真實驗及結果分析 
    5.4    基於塊稀疏的空間譜估計 
        5.4.1    空間譜估計問題描述 
        5.4.2    BStOMP-CPHD算法原理 
        5.4.3    仿真實驗與結果分析 
    5.5    基於塊稀疏貝葉斯學習的空間譜估計 
        5.5.1    陣列結構及數據模型 
        5.5.2    STC-BSBL算法原理 
        5.5.3    仿真實驗與結果分析 
    5.6    本章小結 
    參考文獻 
第6章    基於聯合稀疏壓縮感知的二維譜空穴檢測 
    6.1    引言 
    6.2    系統模型 
        6.2.1    二維聯合稀疏表示 
        6.2.2    協作感知系統頻-空聯合稀疏表示 
        6.2.3    多址接入場景頻-角聯合稀疏表示 
    6.3    算法原理 
        6.3.1    二維譜空穴判決準則 
        6.3.2    適用於協作感知系統的頻-空譜空穴判決 
        6.3.3    適用於多址接入場景的頻-角譜空穴判決 
        6.3.4    計算複雜度分析 
    6.4    仿真實驗及結果分析 
    6.5    本章小結 
    參考文獻 
第7章    基於結構化壓縮感知的三維譜空穴檢測 
    7.1    引言 
    7.2    系統模型 
        7.2.1    索引調製信號模型 
        7.2.2    空-頻索引調製準聯合稀疏表示 
        7.2.3    自適應索引調製信號三維稀疏表示 
    7.3    算法原理 
        7.3.1    基於JSIR-PRA的索引調製識別 
        7.3.2    基於MD的自適應索引調製識別 
        7.3.3    基於JSIR-PRA-MD的三維譜空穴判決 
        7.3.4    計算複雜度分析 
    7.4    仿真實驗及結果分析 
    7.5    本章小結 
    參考文獻 
第8章    基於結構化壓縮感知的信道估計 
    8.1    引言 
    8.2    信道模型 
        8.2.1    無線信道特性 
        8.2.2    信道估計模型 
    8.3    時-頻聯合稀疏多頻帶水聲信道估計 
        8.3.1    多頻帶SIMO水聲信道模型 
        8.3.2    基於多路徑選擇的時-頻聯合稀疏信道估計 
        8.3.3    仿真實驗及結果分析 
    8.4    角-頻聯合稀疏信道估計 
        8.4.1    雙選信道復指數擴展模型 
        8.4.2    基於貪婪算法的聯合稀疏信道估計 
        8.4.3    仿真實驗及結果分析 
    8.5    多測量聯合稀疏OFDM線性時變信道估計 
        8.5.1    OFDM線性時變聯合稀疏信道模型 
        8.5.2    基於分組優化的聯合稀疏信道估計 
        8.5.3    仿真實驗及結果分析 
    8.6    塊稀疏水聲信道估計 
        8.6.1    塊稀疏水聲信道模型 
        8.6.2    基於塊稀疏似零範數的信道估計 
        8.6.3    仿真實驗及結果分析 
    8.7    面向5G的塊稀疏信道估計 
        8.7.1    基於BP-CoSaMP的Massive MIMO塊稀疏信道估計 
        8.7.2    基於MMC的3D Massive MIMO塊稀疏信道估計 
        8.7.3    仿真實驗及結果分析 
    8.8    本章小結 
    參考文獻 
第9章    基於結構化壓縮感知的毫米波信道估計 
    9.1    引言 
    9.2    信道模型 
        9.2.1    毫米波傳播特性 
        9.2.2    毫米波信道模型 
    9.3    基於塊稀疏表示的多面板毫米波MIMO信道估計 
        9.3.1    TDD多面板塊稀疏信道模型 
        9.3.2    塊稀疏正交投影信道估計算法 
        9.3.3    聯合多面板信道估計的性能分析 
        9.3.4    仿真實驗及結果分析 
    9.4    基於群稀疏表示的雙選擇毫米波MIMO信道估計 
        9.4.1    雙選擇性群稀疏信道模型 
        9.4.2    群稀疏SBL-KF信道估計算法 
        9.4.3    SBL-KF算法性能分析 
        9.4.4    仿真實驗及結果分析 
    9.5    基於群稀疏表示的混合模擬/數字毫米波MIMO信道估計 
        9.5.1    混合模擬/數字群稀疏信道模型 
        9.5.2    群稀疏BD-OMP信道估計算法 
        9.5.3    BD-OMP算法的性能分析 
        9.5.4    仿真實驗及結果分析 
    9.6    本章小結 
    參考文獻