论文部分内容阅读
压缩感知（compressed sensing或compressive sampling，CS）是一种同时完成信号采样和数据压缩的新型采样方法，可以以远低于Shannon-Nyquist采样定理规定的采样率对信号采样;但其信号重构是通过求解数值优化问题实现的，具有较高的计算复杂度。本文围绕压缩感知方法及其应用这个主题，针对其算法计算复杂度较高的问题，研究了算法的并行化、多核并行加速和云加速以及快速压缩感知算法;提出把压缩感知方法引入物联网(Internet of Things，IoT)的数据采集和处理中，设计了基于物联网资源的算法混合加速方案。本文研究工作取得的主要成果及创新点包括: (1)针对压缩感知算法的高计算复杂度，研究了并行计算(Parallel Computing)技术，提出面向二维信号的算法并行化方法，实现了典型算法的多核并行加速。实验表明，多核并行加速可以在不改变观测值数目（决定压缩比）和重构信号精度的前提下，提高算法的执行速度，加速效果良好。 (2)为了适应云环境的计算模式，在并行化的基础上提出了压缩感知算法的云加速方案。该加速方案建立在OpenStack架构之上，提供了一个IaaS(Infrastructure-as-a-Service)层的云计算工程，使用Python语言实现了复杂操作的并行化和复杂对象的序列化，解决了代码的自动转换、函数向云端迁移、本地和云端同步等问题，可以方便地利用云资源加速压缩感知算法。 (3)针对压缩感知算法的重构时间随信号规模增加而高速增长和不可预估的问题，深入研究了正交匹配追踪算法(Orthogonal Matching Pursuit，OMP)及其采用的最小二乘优化方法，提出了分块快速OMP算法BFOMP(Block Fast OMP)。该算法基于二维信号整体重构的思想，用观测矩阵原子与二维残差之间的相关性测量代替观测矩阵原子与一维残差之间的相关性测量，降低了算法的计算复杂度;同时引入分块重构理论，调整了分块大小并重新设计了观测矩阵，在不增加观测值数目的前提下，降低了重构操作的规模，增强了重构时间的可预估性。 (4)为了降低物联网中采集数据的规模并提升数据质量，引入压缩感知方法，采用多核、云、BFOMP等策略设计了面向物联网的混合加速模型，并实现了相应的调度流程和应用示例。