Compressive Sensing 理论及信号最佳稀疏分解方法研究

随着人们对信息需求量的增加，信号带宽越来越宽。基于傅氏变换和奈奎斯特采样定理构造的信号处理框架，对宽带信号处理的压力也越来越大。新兴起的Compressive Sensing（CS）理论表明，对信号的采样频率取决于信息在信号中的结构和内容而不是带宽。只要信号具有稀疏性，就能以较低的频率采样，而完全恢复信号。本项目基于该理论研究将信号采样转变为信息采样的方法及关键技术，旨在有效降低信号采样速率，提供新的信号压缩方法。主要研究内容有：信息直接采样方法；模、数信号最优稀疏基的选择、构造及分解方法；基于CS理论的数据压缩方案。创新点是：基于信号特征匹配准则，提出一种运用多个正交空间变换的稀疏分解算法；借鉴塔式分解结构，提出一种模拟信号稀疏分解方法；提出模数混合的正交变换算子，实现信息采样；提出基于CS理论的数据压缩方案。本课题预期在理论上有突破，技术上有创新，为该理论的实际应用奠定理论和技术基础。