结构信号联合观测及其压缩感知域直接处理的关键问题研究

The project is focused on joint measurement of structural signals and their direct pattern recognition in the compressed domain. To deal with mismatches between signals and the non-adaptive observation matrix and to classify compressed targets, multiple measurements and flexible reconstruction are carried out with combined feature vectors. Its applications include: low resolution imaging, direct analysis of compressed signals, especially those in motion detection. We expect that: 1. Realize a Chirp-matrix-based sensing and the corresponding atom-group reconstruction on scalable targets, aiming to determine structure locations and signal types. 2. With salient structure descriptions and the reliable a priori knowledge, multiple measurements with layered co-encoding are implemented. The assisting measurements include: a compensative orthogonal measurement, secondary measurements, and the spatial shifted measurement with its frequency range separated into different intervals. 3. Accurate target detection in compressed domain will be fully completed by revealing cluster performance of project vectors in an observation matrix, and by analyzing signals with sensing learning. Targets are classified in measurement domain instead of the traditional data domain.

本项目研究结构信号压缩感知的联合观测方法及压缩域的目标直接分类方法。 它针对压缩感知研究中非自适应观测阵与采样信号特性失配，观测域直接分析/分类目标困难的现状，采用多观测灵活重构和压缩域信号结合投影矢量特征的表示方法，直接描述和识别目标。在低分辨率成像及其图像分析，特别是移动探测中发挥重要作用。预期创新： 1. 实现结构信号的Chirp矩阵观测和基于此线性调频模型的组原子计算重构。要求能对可变尺度结构的压缩感知信号位置和类型进行确定。 2. 基于显著结构表示和可靠的先验信息嵌入，实现结构信号多观测和分层合作编码。要求在常规压缩感知外，附加正交补充观测、二次和频谱分层多观测结果，可灵活计算重构，可提取感知压缩域特征。 3. 实现压缩域目标信号的准确检测。要求给出观测阵投影矢量在目标识别中的特性，用感知学习方法完成压缩域信号分析系统，并从观测数据中直接分析和定性目标类型。

结题摘要：.1. 项目背景。.本项目研究结构信号压缩感知的联合观测方法及压缩域的目标直接分类方法。 它针 对压缩感知研究中非自适应观测阵与采样信号特性失配，观测域直接分析/分类目标困难的现状展开研究。在低分辨率成像及其图像分析，特别是移动探测和远距离探测中发挥重要作用。..2. 主要研究内容。分3点：.1）结构信号压缩感知的多观测灵活重构方法。利用结构信号的Chirp矩阵观测和基于此线性调频模型的组原子计算重构，感知不同尺度结构的压缩信号位置和类型。 .2）.压缩信号结合投影矢量和显著特征的联合观测方法。基于显著结构表示和可靠的先验信息嵌入，实现结构信号多观测和分层合作编码；在常规压缩感知外，附加正交补充观测、空域二次偏移和频谱分层多观测结果。.3）压缩域目标的准确检测和分类方法和压缩-信号域合作检测。利用观测阵投影矢量特性，用感知学习方法完成压缩域信号分析，并从观测数据中直接分析和定性目标类型；并且，以压缩特征及其语义信号特征的关联映射作为依据，建立了一个检测的零样本迁移学习图模型，实现压缩-信号域合作检测。..3. 重要结果.四个重要结果：.1）稀疏结构描述。基于多观测、多尺度采集原理，获得目标稀疏结构的多种描述和计算重构.2）稀疏超分辨率信号SR求解。原理：显著描述、先验信息上下文、结构和空频域分层约束的正则化求解。.3）稀疏-稠密目标识别与跟踪。 稀疏分解-稠密全息轨迹，混合检测。.4）视频稀疏结构压缩方法。..4. 关键数据.1）信号稀疏度;.2）结构稀疏度和结构测度；.3）降质观测阵种类；.4）发表论文39篇，相关SCI 4，EI 29; .专利授权 2 +申请 1，软件版权 1; .培养毕业博士 2人，硕士 27人...5. 科学意义：.挖掘信号中结构的整体性和稀疏性数据，为信号处理的病态逆问题求解提供隐藏的信息，也为压缩感知提供合理的正则约束依据。同时，它的灵活计算重构信号和感知压缩特征，在低质量图像分析、特别是遥感遥测、移动成像与传输中发挥重要作用。