结构化压缩感知理论及应用

　　结构化压缩感知是在传统压缩感知基础上形成的新的理论框架，旨在将与数据采集硬件及复杂信号模型相匹配的结构化先验信息引入传统压缩感知，从而实现对更广泛类型信号的高效重建。目前，结构化压缩感知在医学成像、模式识别、雷达遥感、无线通信等众多领域有极为广泛的应用前景。本书深入、系统地论述了结构化压缩感知的基本理论及典型结构化压缩感知方法，从应用的角度总结作者多年来的研究成果以及国际上这一领域的研究进展。全书共 9 章，主要内容包括结构化压缩感知的发展与现状、结构化压缩感知理论基础、典型的稀疏结构化及压缩感知方法、稀疏阶估计方法、基于结构化压缩感知的一维谱空穴检测、基于联合稀疏压缩感知的二维谱空穴检测、基于结构化压缩感知的三维谱空穴检测、基于结构化压缩感知的信道估计及基于结构化压缩感知的毫米波信道估计。本书是关于结构化压缩感知理论及应用的一部专著，可供从事通信、图像、雷达和核磁共振等领域的广大技术人员学习与参考，也可作为高等院校和科研院所信号与信息处理、信息与通信系统等专业的研究生教材或参考书。

　　刘福来，2005年获东北大学计算机软件与理论专业工学博士学位。2005—2007年东北大学博士后流动站，石家庄通信测控技术研究所博士后工作站，博士后。2007年到东北大学秦皇岛分校工作，2009—2011年东南大学博士流动站，博士后，2010年晋升为教授，2012年被东北大学遴选为博士研究生导师。教育部新世纪人才，河北省“三三三人才工程”第二层次人才，河北省优秀教师，河北省教学名师。在东北大学秦皇岛分校，先后讲授“数字信号处理”“MATLAB与通信系统分析”和“高等工程数学”等多门本科生和研究生课程。出版著作《MATLAB与无线电信号处理分析》《阵列信号参数估计算法与优化》。主要从事认知无线电及频谱大数据处理、电磁环境认知与控制利用、GNSS抗干扰技术、毫米波通信系统关键技术、压缩感知和深度学习及其应用等方向的科研和人才培养工作。主持国家自然科学基金、河北省自然科学基金等纵向科研项目10余项，已在IEEE Transactions on Antennas and Propagation、IEEE Transactions on Communications、Signal Processing、IEEE Transactions on Mobile Computing等国内外重点期刊与国际学术会议上发表学术论文50余篇，其中已被SCI、EI检索收录40余篇，申报或获批发明专利10余项。

第1章绪论
1.1压缩感知的发展及应用
1.1.1压缩感知的发展历程
1.1.2压缩感知的应用领域
1.2压缩感知关键理论及研究现状
1.2.1压缩感知的关键理论
1.2.2压缩感知的研究现状
1.3结构化压缩感知关键理论及研究现状
1.3.1结构化压缩感知关键理论
1.3.2结构化压缩感知研究现状
1.4结构化压缩感知面临的挑战
1.5本书结构及内容安排
1.6本章小结
参考文献
第2章结构化压缩感知理论基础
2.1引言
2.2压缩感知基本原理
2.2.1稀疏表示
2.2.2观测矩阵
2.2.3重构算法
2.2.4张量压缩感知
2.3结构化压缩感知基本框架
2.4典型结构化稀疏信号模型
2.4.1结构化稀疏信号模型
2.4.2结构化RIP条件
2.5结构化稀疏表示
2.5.1基于BMOD的块字典学习
2.5.2基于BKSVD的块字典学习
2.6结构化观测矩阵
2.6.1基于RIP理论的观测矩阵
2.6.2基于相干性理论的观测矩阵
2.7结构化重构
2.7.1基于MMV模型的稀疏重构
2.7.2基于US模型的稀疏重构
2.8本章小结
参考文献
第3章典型的稀疏结构及压缩感知算法
3.1引言
3.2块稀疏压缩感知
3.2.1块稀疏信号模型
3.2.2块混合范数优化算法
3.2.3块正交匹配追踪算法
3.2.4块匹配追踪算法
3.2.5块稀疏子空间学习算法
3.2.6块稀疏非参数贝叶斯估计
3.3联合稀疏压缩感知
3.3.1JSM1模型及重构算法
3.3.2JSM2模型及重构算法
3.3.3JSM3模型及重构算法
3.4高斯联合稀疏张量压缩感知
3.4.1张量表示及其分解
3.4.2内在张量稀疏度量
3.4.3基于CACTI的结构化测量
3.4.4基于高斯联合稀疏模型的重构方法
3.5本章小结
参考文献
第4章稀疏阶估计方法
4.1引言
4.2测量模型
4.2.1单测量向量模型
4.2.2多测量向量模型
4.3基于特征值的稀疏阶估计算法
4.3.1算法原理
4.3.2算法步骤
4.4基于迹的稀疏阶估计算法
4.4.1算法原理
4.4.2算法步骤
4.4.3计算复杂度分析
4.5仿真实验及结果分析
4.5.1基于特征值的稀疏阶估计算法
4.5.2基于迹的稀疏阶估计算法
4.6本章小结
参考文献
第5章基于结构化压缩感知的一维谱空穴检测
5.1引言
5.2一维谱空穴检测
5.2.1谱空穴概念
5.2.2典型一维谱空穴检测
5.3基于动态组稀疏的频谱感知
5.3.1频谱感知问题描述
5.3.2DGSSS算法原理
5.3.3仿真实验及结果分析
5.4基于块稀疏的空间谱估计
5.4.1空间谱估计问题描述
5.4.2BStOMPCPHD算法原理
5.4.3仿真实验与结果分析
5.5基于块稀疏贝叶斯学习的空间谱估计
5.5.1阵列结构及数据模型
5.5.2STCBSBL算法原理
5.5.3仿真实验与结果
分析
5.6本章小结
参考文献
第6章基于联合稀疏压缩感知的二维谱空穴检测
6.1引言
6.2系统模型
6.2.1二维联合稀疏表示
6.2.2协作感知系统频空联合稀疏表示
6.2.3多址接入场景频角联合稀疏表示
6.3算法原理
6.3.1二维谱空穴判决准则
6.3.2适用于协作感知系统的频空谱空穴判决
6.3.3适用于多址接入场景的频角谱空穴判决
6.3.4计算复杂度分析
6.4仿真实验及结果分析
6.5本章小结
参考文献
第7章基于结构化压缩感知的三维谱空穴检测
7.1引言
7.2系统模型
7.2.1索引调制信号模型
7.2.2空频索引调制准联合稀疏表示
7.2.3自适应索引调制信号三维稀疏表示
7.3算法原理
7.3.1基于JSIRPRA的索引调制识别
7.3.2基于MD的自适应索引调制识别
7.3.3基于JSIRPRAMD的三维谱空穴判决
7.3.4计算复杂度分析
7.4仿真实验及结果分析
7.5本章小结
参考文献
第8章基于结构化压缩感知的信道估计
8.1引言
8.2信道模型
8.2.1无线信道特性
8.2.2信道估计模型
8.3时频联合稀疏多频带水声信道估计
8.3.1多频带SIMO水声信道模型
8.3.2基于多路径选择的时频联合稀疏信道估计
8.3.3仿真实验及结果分析
8.4角频联合稀疏信道估计
8.4.1双选信道复指数扩展模型
8.4.2基于贪婪算法的联合稀疏信道估计
8.4.3仿真实验及结果分析
8.5多测量联合稀疏OFDM线性时变信道估计
8.5.1OFDM线性时变联合稀疏信道模型
8.5.2基于分组优化的联合稀疏信道估计
8.5.3仿真实验及结果分析
8.6块稀疏水声信道估计
8.6.1块稀疏水声信道模型
8.6.2基于块稀疏似零范数的信道估计
8.6.3仿真实验及结果分析
8.7面向5G的块稀疏信道估计
8.7.1基于BPCoSaMP的Massive MIMO块稀疏信道估计
8.7.2基于MMC的3D Massive MIMO块稀疏信道估计
8.7.3仿真实验及结果分析
8.8本章小结
参考文献
第9章基于结构化压缩感知的毫米波信道估计
9.1引言
9.2信道模型
9.2.1毫米波传播特性
9.2.2毫米波信道模型
9.3基于块稀疏表示的多面板毫米波MIMO信道估计
9.3.1TDD多面板块稀疏信道模型
9.3.2块稀疏正交投影信道估计算法
9.3.3联合多面板信道估计的性能分析
9.3.4仿真实验及结果分析
9.4基于群稀疏表示的双选择毫米波MIMO信道估计
9.4.1双选择性群稀疏信道模型
9.4.2群稀疏SBLKF信道估计算法
9.4.3SBLKF算法性能分析
9.4.4仿真实验及结果分析
9.5基于群稀疏表示的混合模拟/数字毫米波MIMO信道估计
9.5.1混合模拟/数字群稀疏信道模型
9.5.2群稀疏BDOMP信道估计算法
9.5.3BDOMP算法的性能分析
9.5.4仿真实验及结果分析
9.6本章小结
参考文献