基于RSS的WSN多目标定位压缩感知算法优化
数据压缩,算法的综述
数据压缩算法的综述 S1******* 许申益 摘要：数据压缩技术在数据通讯和数据存储应用中都有十分显著的益处。随着数据传输技术和计算机网络通讯技术的普及应用，以及在计算机应用中，应用软件的规模和处理的数据量的急剧增加，尤其是多媒体技术在计算机通讯领域中的出现，使数据压缩技术的研究越来越引起人们的注意。本文综述了在数据压缩算法上一些已经取得的成果，其中包括算术编码、字典式压缩方法以及Huffman码及其改进。 关键字：数据压缩；数据存储；计算机通讯；多媒体技术 1.引言 数据压缩技术在数据通讯和数据存储应用中都有十分显著的益处。在数据的存储和表示中常常存在一定的冗余度，一些研究者提出了不同的理论模型和编码技术降低了数据的冗余度。Huffman 提出了一种基于统计模型的压缩方法，Ziv Jacob 提出了一种基于字典模型的压缩方法。随着数据传输技术和计算机网络通讯技术的普及应用，以及在计算机应用中，应用软件的规模和处理的数据量的急剧增加，尤其是多媒体技术在计算机和通讯两个领域中的出现，使数据压缩技术的研究越来越引起人们的注意。本文综述了在数据压缩算法上的一些已经取得的成果。 本文主要介绍了香农范诺编码以及哈弗曼算法的基本思想，运用其算法的基本思想设计了一个文件压缩器，用Java 语言内置的优先队列、对象序列化等功能实现了文件压缩器的压缩和解压功能。 2数据压缩算法的分类 一般可以将数据压缩算法划分为静态的和动态的两类。动态方法又是又叫做适应性（adaptive）方法，相应的，静态方法又叫做非适应性方法（non-adaptive）。 静态方法是压缩数据之前，对要压缩的数据经过预扫描，确定出信源数据的
稀疏贝叶斯学习介绍
稀疏贝叶斯学习(Sparse Bayesian Learning) 张智林（Zhilin Zhang ） z4zhang@https://www.wendangku.net/doc/7a7636443.html, Department of Electrical and Computer Engineering, University of California, San Diego, La Jolla, CA 92093-0407, USA 1 引言 稀疏贝叶斯学习（Sparse Bayesian Learning, SBL ）最初作为一种机器学习算法由Tipping 于2001年前后提出[Tipping2001]，随后被引入到稀疏信号恢复/压缩感知领域[Wipf2004,Ji2008]。Wipf 和Rao 等人对SBL 进行了深入的理论研究。与广泛使用的基于L1惩罚项的算法（比如Lasso ，Basis Pursuit ）相比（以下简称L1算法），SBL 具有一系列显著的优势：（１）在无噪情况下，除非满足一些严格的条件 [Donoho2003]，L1算法的全局最小点（global minimum ）并不是真正的最稀疏的解［Wipf2004]。因此，在一些应用中，当真实的解是最稀疏的解，采用SBL 是更好的选择。（２）当感知矩阵（sensing matrix ）的列与列相关性很强时，L1算法的性能会变得非常差。事实上不光是L1算法，绝大多数已知的压缩感知算法（比如Approximate Message Passing 算法，Matching Pursuit 算法）在这种情况下性能都会变得很差。相比之下，SBL 算法仍旧具有良好的性能［Wipf_NIPS2011]。因此，在雷达追踪，波达方向估计，脑源定位，特征提取，功率谱估计等一些列领域，SBL 都具备显著的优势。（３）业已证明，SBL 算法等价于一种迭代加权L1最小化算法（iterative reweighted L1 minimization ），而L1算法仅仅只是其第一步[Wipf2010]。Candes 等人指出，迭代加权L1最小化算法更易获得真正的最稀疏解[Candes2008]。从这个角度也就不难理解SBL 的优越性。（４）在很多实际问题中，所期望的稀疏解常常有一些结构，而利用这些结构可以获得更好的性能[ModelCS ]。作为一种贝叶斯算法，SBL 算法对利用这些解的结构信息提供了更多的灵活性。这种灵活性最主要来自于SBL 采用参数化的高斯分布为解的先验分布。最近Zhang 和Rao 提出了块稀疏贝叶斯学习框架(Block Sparse Bayesian Learning, BSBL)[Zhang_IEEE2011, Zhang_TSP2012]。该框架提供了一种利用解的空间结构（spatial structure ）和时序结构（temporal structure ）的解决方案。由其框架得到的算法在多任务学习（multi-task learning ）[Wan2012]，生理信号的无线传输和远程监控[Zhang_TBME2012a, Zhang_TBME2012b ]，脑源定位和脑－机接口[Zhang_PIEEE2012]等许多领域获得了极大的成功。 下面将首先介绍基本的SBL 框架，然后对BSBL 框架及其算法进行详细介绍，并在最后给出一些代表性的实验结果。 2稀疏贝叶斯学习 压缩感知的基本模型可描述为: v Ax y += （1） 其中为N×M的感知矩阵，为N×1维压缩信号，为M维待求的解向量，为未知的噪声向量。为求解，SBL 假设中的每个元素都服从一个参数化的均值为０方差为A y x v x x i γ的高斯分布[Wipf2004]： M i N x p i i i ,,1),,0();("==γγ （2）
压缩感知简介
2011.No31 0 3.2 熟悉结构施工图 结构施工图是关于承重构件的布置,使用的材料、形状、大小及内部构造的工程图样,是承重构件以及其他受力构件施工的依据。 看结构施工图最难的就是钢筋，要把结施图看懂就要知道钢筋的分布情况，现在都是在使用平法来标示钢筋，所以也要把平法弄懂才行。在识读与熟悉结施图的过程中应该充分结合钢筋平法表示的系列图集，搞清楚： a 各结构构件的钢筋的品种，规格，以及受力钢筋在各构件的布置情况。 b 箍筋与纵向受力钢筋的位置关系。 c 各个构件纵向钢筋以及箍筋弯钩的角度及其长度。 d 熟悉各构件节点的钢筋的锚固长度。 e 熟悉各个构件钢筋的连接方式。 f 熟悉在钢筋的搭接区域内，钢筋的搭接长度。 g 核算钢筋的间距是否满足施工要求，尤其是各个构件节点处的钢筋间距。 h 弯起钢筋的弯折角度以及离连接点的距离。 除此以外，对于钢筋混凝土构件，还应该熟悉各个构件的砼保护层厚度，各个构件的尺寸大小、布置位置等。特别注意的是对于结施图的阅读应充分结合建施图进行。 4 结束语 在熟悉施工图纸的过程中，施工技术人员对于施工图纸中的疑问，和比较好的建议应该做好记录，为后续工作（图纸自审和会审）做好准备。 参考文献 [1]《建筑识图》周坚主编 中国电力出版社 2007年；[2]《建筑工程项目管理》银花主编 机械工业出版社 2010年； 摘 要 压缩感知（Compressive Sensing, CS）理论是一个充分利用信号稀疏性或可压缩性的全新信号采集、编解码理论。本文系一文献综述，主要介绍了压缩感知的三部分即信号的稀疏表示、测量矩阵的设计、信号恢复算法的设计。 关键词 压缩感知 稀疏表示 测量矩阵 信号恢复算法 1 引言 1928年由美国电信工程师H.奈奎斯特（Nyquist）首先提出，1948年信息论的创始人C.E.香农（Shannon）又对其加以明确说明并正式作为定理引用的奈奎斯特采样定理，是采样带限信号过程所遵循的规律。它指出：在进行模拟/数字信号的转换过程中，当采样频率fs.max大于信号中最高频率fmax的2倍时(fs.max>=2fmax)，采样之后的数字信号完整地保留了原始信号中的信息。一般实际应用中保证采样频率为信号最高频率的5～10倍。该理论支配着几乎所有的信号/图像等的获取、处理、存储、传输等。随着科技的发展，成为目前信息领域进一步发展的主要瓶颈之一，主要表现在两个方面： (1)数据获取和处理方面。在许多实际应用中(例如超宽带信号处理、核磁共振、空间探测等），Nyquist采样硬件成本昂贵、获取效率低下，信息冗余及有效信息提取的效率低下，在某些情况甚至无法实现。 (2)数据存储和传输方面。通常的做法是先按照Nyquist方式获取数据，然后将获得的数据进行压缩，最后将压缩后的数据进行存储或传输，这样会造成很大程度的资源浪费。另外，为保证信息的安全传输，通常以某种方式对信号进行编码，这给信息的安全传输和接收带来一定程度的麻烦。 近年来，由D .D o n o h o (美国科学院院士)、E . Candes(Ridgelet， Curvelet创始人)及华裔科学家T. Tao(2006年菲尔兹奖获得者，2008年被评为世界上最聪明的科学家)等人提出了一种新的信息获取指导理论，即压缩感知（Compressive Sensing(CS)，或称Compressed Sensing、Compressed Sampling）。该理论指出：对可压缩的信号通过远低于Nyquist标准的方式进行数据采样，仍能够精确地恢复出原压缩感知简介 刘太明1 黄 虎2 （1、成都理工大学,四川成都,610059;2、成都理工大学,四川成都,610059） 始信号。该理论一提出，就在信息论、信号/图像处理、医疗成像、模式识别、地质勘探、光学/雷达成像、无线通信等领域受到高度关注，并被美国科技评论评为2007年度十大科技进展。 2 CS基本原理 信号x∈R n×1压缩传感的测量过程可以表示为y=Ax∈R M×1,M< 压缩感知的重构算法 算法的重构是压缩感知中重要的一步，是压缩感知的关键之处。因为重构算法关系着信号能否精确重建，国内外的研究学者致力于压缩感知的信号重建，并且取得了很大的进展，提出了很多的重构算法，每种算法都各有自己的优缺点，使用者可以根据自己的情况，选择适合自己的重构算法，大大增加了使用的灵活性，也为我们以后的研究提供了很大的方便。 压缩感知的重构算法主要分为三大类： 1.组合算法 2.贪婪算法 3.凸松弛算法 每种算法之中又包含几种算法，下面就把三类重构算法列举出来。 组合算法：先是对信号进行结构采样，然后再通过对采样的数据进行分组测试，最后完成信号的重构。 (1) 傅里叶采样（Fourier Representaion） (2) 链式追踪算法（Chaining Pursuit） (3) HHS追踪算法（Heavy Hitters On Steroids） 贪婪算法：通过贪婪迭代的方式逐步逼近信号。 (1) 匹配追踪算法（Matching Pursuit MP） (2) 正交匹配追踪算法（Orthogonal Matching Pursuit OMP） (3) 分段正交匹配追踪算法（Stagewise Orthogonal Matching Pursuit StOMP） (4) 正则化正交匹配追踪算法（Regularized Orthogonal Matching Pursuit ROMP） (5) 稀疏自适应匹配追踪算法（Sparisty Adaptive Matching Pursuit SAMP） 凸松弛算法： (1) 基追踪算法（Basis Pursuit BP） (2) 最小全变差算法（Total Variation TV） (3) 内点法（Interior-point Method） (4) 梯度投影算法（Gradient Projection） (5) 凸集交替投影算法（Projections Onto Convex Sets POCS）算法较多，但是并不是每一种算法都能够得到很好的应用，三类算法各有优缺点，组合算法需要观测的样本数目比较多但运算的效率最高，凸松弛算法计算量大但是需要观测的数量少重构的时候精度高，贪婪迭代算法对计算量和精度的要求居中，也是三种重构算法中应用最大的一种。下面分别就贪婪算法中的MP，OMP算法以及凸松弛算法中的BP算法进行详细的介绍。 三种重建算法 本节主要是介绍一些基本的重建算法，比如贪婪迭代算法中的匹配追踪算法，正交匹配追踪算法，以及凸松弛算法中的基追踪算法，对其原理进行了介绍，并用matlab代码重构出来一维和二维的图形，进而比较这几种算法的性能。 基于多特征融合的目标跟踪算法 单东晶1，田海静1，马宝红1 （1.重庆通信学院 重庆市 400035） 摘 要：本文以压缩感知、随机投影理论等为基础,比较验证国内外主要方法，提出了一种在级联粒子滤波器框架下的多特征集成的目标跟踪算法。算法中采用了两类特征：颜色自相关图与基于随机投影降维的haar-like 特征。其中降维haar-like 特征被用于压缩感知跟踪算法中。实验采用了当前主流跟踪算法用于性能对比，测试视频的来源涵盖复杂背景、严重遮挡、剧烈的形变等问题。实验结果可以表明本文算法对比其他算法的性能优势。 关键词：压缩感知；稀疏表示；级联粒子滤波器；随机投影；目标跟踪 Visual Tracking Based on Multi-Features Combination Dongjing Shan 1, Haijing Tian 1, Baohong Ma 1 (1.Chongqing Communication Institution ChongQing 400035) Abstract: This method is based on the framework of cascade particle filter,and two features are integrated under it,which are color correlogram and down-sampling haar-like feature after dimensionality reduction by random projection. The emphasis will be placed on the down-sampling haar-like feature, whose dimensionality has been reduced significantly using random projection and is used in a sparse representation tracking method. The random projection will maintain most of the information kept in the original large set of haar-like features and accelerate the execution speed significantly. Keywords : Compressive sensing; Sparse representation; Cascade particle filter; Random projection; Visual tracking 目标跟踪是机器视觉、人工智能领域研究的热点问题之一,在智能视频监控、交通控制、人机交互、 机器人导航等方面有着很好的或者潜在的应用价 值.目标跟踪面临的挑战、待解决的问题主要是需要 采用有效的特征,建立鲁棒的目标模板以及有效的 更新方法,使得算法整体对目标遮挡、背景干扰、光 照变化、噪声等具有鲁棒性. 针对目标跟踪领域存 在的问题,本文提出了一种基于级联粒子滤波器框 架的多特征集成跟踪器算法. 算法联合了颜色自相 关图[1] 和降维haar-like 特征,颜色自相关图可以利用 到目标颜色的空间分布信息,而降维haar-like 特征 采用随机投影理论对全尺度的haar-like 特征进行降 维,降维后的向量能够保持绝大部分的信息,该特征 能利用到目标表面丰富的纹理梯度信息,与颜色自 相关图形成互补. 级联粒子滤波第一级采用颜色自 相关图特征,第二级采用压缩感知跟踪算法,并且把 降维haar-like 特征应用于第二级中. 1 相关研究 目前国际上目标跟踪领域有海量的文献,按照 目标跟踪的框架可以大致分为三类：基于概率模型 的算法、基于轨迹优化的算法和基于分类器的算法. 概率模型算法经典的主要有mean-shift 算法[2]、卡 尔曼滤波[3]、粒子滤波算法[4]等,其中粒子滤波通过 采样大量粒子可以模拟任何形式的概率分布,在目 标跟踪领域得到了广泛的应用,衍生出了很多经典 的算法,例如IPCA 、稀疏表示等算法. 基于轨迹优 化的算法一般有基于全局轨迹优化的离线跟踪算 法[5],基于K 最短路径[6]、路径匹配[7]等目标跟踪算 法. 这些算法都是通过优化准则例如贪心法、动态 规划等来获取最优或者次最优的路径. 基于分类器 的跟踪算法文献十分丰富，不同的文献设计了不同 的特征、采用了不同的分类器等,单从分类器类型来 说有贝叶斯分类器[8],自行设计的树形[9]、森林分类 器[10],boosting 分类器[11]等等. ?哈弗曼编码 A method for the construction of minimum-re-dundancy codes, 耿国华1数据结构1北京:高等教育出版社,2005:182—190 严蔚敏,吴伟民.数据结构(C语言版)[M].北京:清华大学出版社,1997. 冯桂,林其伟,陈东华.信息论与编码技术[M].北京:清华大学出版社,2007. 刘大有,唐海鹰,孙舒杨,等.数据结构[M].北京:高等教育出版社,2001 ?压缩实现 速度要求 为了让它(huffman.cpp)快速运行，同时不使用任何动态库，比如STL或者MFC。它压缩1M数据少于100ms（P3处理器，主频1G）。 压缩过程 压缩代码非常简单，首先用ASCII值初始化511个哈夫曼节点： CHuffmanNode nodes[511]; for(int nCount = 0; nCount < 256; nCount++) nodes[nCount].byAscii = nCount; 其次，计算在输入缓冲区数据中，每个ASCII码出现的频率： for(nCount = 0; nCount < nSrcLen; nCount++) nodes[pSrc[nCount]].nFrequency++; 然后，根据频率进行排序： qsort(nodes, 256, sizeof(CHuffmanNode), frequencyCompare); 哈夫曼树，获取每个ASCII码对应的位序列： int nNodeCount = GetHuffmanTree(nodes); 构造哈夫曼树 构造哈夫曼树非常简单，将所有的节点放到一个队列中，用一个节点替换两个频率最低的节点，新节点的频率就是这两个节点的频率之和。这样，新节点就是两个被替换节点的父 奈奎斯特采样频率与压缩感知比较报告 学生张** 年级2010级 班级0210** 班 学号021012** 专业电子信息工程 学院电子工程学院 西安电子科技大学 2013年5月 压缩感知与奈奎斯特采样频率比较报告 张** 摘要：经典的采样定理认为，不失真的恢复模拟信号，采样频率应该不小于奈奎斯特采样频率（模拟信号最高频率的两倍）。但是这种方法在使采集到的数据有很大的冗杂性。Dohono等人提出的压缩感知理论运用了大部分信号可以在预知的一组基上面稀疏表示的原理，利用随机投影实现了在低于奈奎斯特采样频率下实现了信号的采集。本文介绍了压缩感知的一些基本理论以及，并将其与香农采样定理进行了比较。最后讨论了压缩感知的一些信息获取算法以及压缩感知理论的应用前景。 关键词：香农采样定理奈奎斯特采样频率压缩感知 引言 当前大部分数据采集系统都是基于传统的香农采样定理来设计，按照这种方式采集的数据能够充分表示原始信号，但是它们存在较大的冗余。因此，这些方法往往导致采集数据的泛滥和传感器的浪费。研究如何根据信号的一些特征来实现低于奈奎斯特采样频率的采集，以减少所需采集的数据量具有重要的意义。起源于对具有有限新息率信号(即单位时间内具有有限自由度的信号)进行采集的研究，利用固定的结构性基函数以两倍于新息率而不是两倍于奈奎斯特采样频率对连续信号进行采集，Donoho 等人提出的压缩感知方法则提供一种可以广泛应用于可压缩信号的采集方法。该方法所需要的传感器数目大大减少，采集到的数据也具有更小的冗余度。因此，该理论提出后立即吸引了众多科学家的关注，目前我国关于压缩感知方法的研究也已经开始起步，相信不久将有更多的人加入到关于压缩感知的研究行列。 压缩感知采集方法并不是对数据直接进行采集，而是通过一组特定波形去感知信号，即将信号投影到给定波形上面(衡量与给定波形的相关度)，感知到一组压缩数据。最后利用最优化的方法实现对压缩数据解密，估计出原始信号的重要信息。压缩感知关键的问题是如何给定用来感知信号的波形才能有效地恢复出原始信号的重要信息。涉及的关键因素在于给定的波形要与可以用来压缩原始信号的波形组均不相干，并且不相干程度越高，感知数据包含的信息量越大，为准确获取重建原始信号所需的感知数据量就越少。 第一章 奈奎斯特采样原理 奈奎斯特频率是离散信号系统采样频率的一半，因奈奎斯特－香农采样定理得名。采样定理指出，只要离散系统的奈奎斯特频率高于被采样信号的最高频率或带宽，就可以避免混叠现象。 从理论上说，即使奈奎斯特频率恰好大于信号带宽，也足以通过信号的采样重建原信号。但是，重建信号的过程需要以一个低通滤波器或者带通滤波器将在奈奎斯特频率之上的高频分量全部滤除，同时还要保证原信号中频率在奈奎斯特频率以下的分量不发生畸变，而这是不可能实现的。在实际应用中，为了保证抗混叠滤波器的性能，接近奈奎斯特频率的分量在采样和信号重建的过程中可能会发生畸变。因此信号带宽通常会略小于奈奎斯特频率，具体的情况要看所使用的滤波器的性能。 需要注意的是，奈奎斯特频率必须严格大于信号包含的最高频率。如果信号中包含的最高频率恰好为奈奎斯特频率，那么在这个频率分量上的采样会因为相位模糊而有无穷多种该频率的正弦波对应于离散采样，因此不足以重建为原来的连续时间信号。 第二章 压缩感知理论 本节对压缩感知做一个简单介绍。待采集信号f 只在k 个时刻非零(k 即为稀疏程度)。为采集f 中的信息，将其投影到了给定的一组感知波形φ上(也可以说，用一组给定的波形f 进行感知)，得到了一组远小于信号原始长度的测度数y y f φ= 总第231期2009年第1期 计算机与数字工程 Computer&D ig ital Eng ineer ing V o l.37No.1 32 LZW算法优化及在雷达数据压缩中的应用* 王志刚 常传文 茅文深 (中国电子科技集团公司28研究所 南京 210007) 摘 要 LZ W算法是一种性能优异的字典压缩算法,具有通用性强、字典在编解码过程中动态形成等优点,在无损压缩领域应用广泛。介绍了其算法原理,给出了程序实现的编码步骤,并选取一个实例进行详细分析。设计了一种哈希表对程序进行优化,显著降低检索字典时间,分别选取图片、雷达数据、文本文件进行编码速度对比,获得了较好的效果。最后,使用不同的数据分段选取若干典型的真实雷达数据进行试验,并与游程编码进行了对比,得出若干结论。 关键词 LZ W;哈希表;优化;游程编码 中图分类号 T P301.6 L Z W Algorithm Optimizing and the A pplicatio n in Radar Data Compression Wang Z hig ang Ch ang Chuanwen M a o W enshen (T he28th R esear ch Institute of CET C,N anjing 210007) A bstract L Z W(L em pe l Z iv We lch)algo r ithm is an outstanding dict io nary co mpr ession alg or ithm,which has ma ny excelle nce s such as str ong univer sal ability and can fo rm the dictionar y dy namic ally in coding and e nco ding,and is w idely used in lo ssle ss compr essio n field.T his a rticle intro duces the elem ents of L Z W,sho ws its pr og ra m steps o f co ding,and an a ly ses an exa mple in detail.A Hash T able is desig ned to optimize the pr og ram,which c an decr ease the se arching dictiona r y time o bser vably.I mag es,radar data,and text f iles a re cho sen to be coded r espectively.T he speeds are com pa red and pr ef era ble r esults ar e obtained.At last,w e cho o se seve ra l classica l re al r adar data to do ex periments by using dif fer ent da t a subsect io n,co mpare the re sults w ith R L E(R un L eng th Enco ding),and o bta in sev er al usef ul conclusio ns. Key words L Z W,H ash T able,o ptimize,R L E Class Nu mber T P301.6 1 引言 如果按照压缩前后信息量划分,数据压缩算法可分为有损压缩和无损压缩,常见的无损压缩算法有游程RLE(Run Leng th Encoding)、霍夫曼、LZW(Lempel Ziv Welch)算法、算术编码等,LZW 算法是一种字典压缩算法,字典是在编解码过程中动态形成的,其突出的优点是通用性强,适合各种不同类型的待压缩信源,该算法被广泛应用于如今的数据压缩领域,如流行的压缩软件WINRAR和GIF图像。 本文旨在研究LZW算法,并从数据结构的设计上对程序进行优化,使之满足实时应用的要求,最后利用雷达数据进行分析,讨论不同数据类型下的压缩效果,取得了较好的实验效果。 2 LZW算法介绍 LZW算法是在1984年由TA Welch对LZ编码中的LZ78算法修改而成的一种实用的算法。其不同于费诺编码、霍夫曼编码和算术编码,在使用时不需要对信源进行概率统计;也不同于游程编码,它既可以对重复字符编码,也可以对不同但重复出现的字符 *收稿日期:2008年10月6日,修回日期:2008年11月15日作者简介:王志刚,男,高级工程师,研究方向:信号与信息处理研究。 压缩感知理论综述 摘要：信号采样是模拟的物理世界通向数字的信息世界之必备手段。多年来，指导信号采样的理论基础一直是著名的Nyquist采样定理，但其产生的大量数据造成了存储空间的浪费。压缩感知（Compressed Sensing）提出一种新的采样理论，它能够以远低于Nyquist采样速率采样信号。本文详述了压缩感知的基本理论，着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展，并介绍了压缩感知的应用及仿真，举例说明基于压缩感知理论的编解码理论在一维信号、二维图像处理上的应用。 关键词：压缩感知；稀疏表示；观测矩阵；编码；解码 一、引言 Nyquist采样定理指出，采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。可见，带宽是Nyquist采样定理对采样的本质要求。然而随着人们对信息需求量的增加，携带信息的信号带宽越来越宽，以此为基础的信号处理框架要求的采样速率和处理速度也越来越高。解决这些压力常见的方案是信号压缩。但是，信号压缩实际上是一种资源浪费，因为大量的不重要的或者只是冗余信息在压缩过程中被丢弃。从这个意义而言，我们得到以下结论：带宽不能本质地表达信号的信息，基于信号带宽的Nyquist采样机制是冗余的或者说是非信息的。 于是很自然地引出一个问题：能否利用其它变换空间描述信号，建立新的信号描述和处理的理论框架，使得在保证信息不损失的情况下，用远低于Nyquist 采样定理要求的速率采样信号，同时又可以完全恢复信号。与信号带宽相比，稀疏性能够直观地而且相对本质地表达信号的信息。事实上，稀疏性在现代信号处理领域起着至关重要的作用。近年来基于信号稀疏性提出一种称为压缩感知或压缩采样的新兴采样理论，成功实现了信号的同时采样与压缩。 简单地说，压缩感知理论指出：只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。在该理论框架 价值工程 置，是一项十分有意义的工作。另外恶意代码的检测和分析是一个长期的过程，应对其新的特征和发展趋势作进一步研究，建立完善的分析库。 参考文献： [1]CNCERT/CC.https://www.wendangku.net/doc/7a7636443.html,/publish/main/46/index.html. [2]LO R,LEVITTK,OL SSONN R.MFC:a malicious code filter [J].Computer and Security,1995,14(6):541-566. [3]KA SP ER SKY L.The evolution of technologies used to detect malicious code [M].Moscow:Kaspersky Lap,2007. [4]LC Briand,J Feng,Y Labiche.Experimenting with Genetic Algorithms and Coupling Measures to devise optimal integration test orders.Software Engineering with Computational Intelligence,Kluwer,2003. [5]Steven A.Hofmeyr,Stephanie Forrest,Anil Somayaji.Intrusion Detection using Sequences of System calls.Journal of Computer Security Vol,Jun.1998. [6]李华,刘智,覃征,张小松.基于行为分析和特征码的恶意代码检测技术[J].计算机应用研究，2011，28（3）：1127-1129. [7]刘威，刘鑫，杜振华.2010年我国恶意代码新特点的研究.第26次全国计算机安全学术交流会论文集，2011，（09）. [8]IDIKA N,MATHUR A P.A Survey of Malware Detection Techniques [R].Tehnical Report,Department of Computer Science,Purdue University,2007. 0引言 现有的压缩算法有很多种，但是都存在一定的局限性，比如：LZw [1]。主要是针对数据量较大的图像之类的进行压缩，不适合对简单报文的压缩。比如说，传输中有长度限制的数据，而实际传输的数据大于限制传输的数据长度，总体数据长度在100字节左右，此时使用一些流行算法反而达不到压缩的目的，甚至增大数据的长度。本文假设该批数据为纯数字数据，实现压缩并解压缩算法。 1数据压缩概念 数据压缩是指在不丢失信息的前提下，缩减数据量以减少存储空间，提高其传输、存储和处理效率的一种技术方法。或按照一定的算法对数据进行重新组织，减少数据的冗余和存储的空间。常用的压缩方式[2,3]有统计编码、预测编码、变换编码和混合编码等。统计编码包含哈夫曼编码、算术编码、游程编码、字典编码等。 2常见几种压缩算法的比较2.1霍夫曼编码压缩[4]：也是一种常用的压缩方法。其基本原理是频繁使用的数据用较短的代码代替，很少使用 的数据用较长的代码代替，每个数据的代码各不相同。这些代码都是二进制码，且码的长度是可变的。 2.2LZW 压缩方法[5,6]：LZW 压缩技术比其它大多数压缩技术都复杂，压缩效率也较高。其基本原理是把每一个第一次出现的字符串用一个数值来编码，在还原程序中再将这个数值还成原来的字符串，如用数值0x100代替字符串ccddeee"这样每当出现该字符串时，都用0x100代替，起到了压缩的作用。 3简单报文数据压缩算法及实现 3.1算法的基本思想数字0-9在内存中占用的位最 大为4bit ， 而一个字节有8个bit ，显然一个字节至少可以保存两个数字，而一个字符型的数字在内存中是占用一个字节的，那么就可以实现2:1的压缩，压缩算法有几种，比如，一个自己的高四位保存一个数字，低四位保存另外一个数字，或者，一组数字字符可以转换为一个n 字节的数值。N 为C 语言某种数值类型的所占的字节长度，本文讨论后一种算法的实现。 3.2算法步骤 ①确定一种C 语言的数值类型。 —————————————————————— —作者简介：安建梅（1981-），女，山西忻州人，助理实验室，研究方 向为软件开发与软交换技术；季松华（1978-），男，江苏 南通人，高级软件工程师，研究方向为软件开发。 数据快速压缩算法的研究以及C 语言实现 The Study of Data Compression and Encryption Algorithm and Realization with C Language 安建梅①AN Jian-mei ；季松华②JI Song-hua （①重庆文理学院软件工程学院，永川402160；②中信网络科技股份有限公司，重庆400000）（①The Software Engineering Institute of Chongqing University of Arts and Sciences ，Chongqing 402160，China ； ②CITIC Application Service Provider Co.，Ltd.，Chongqing 400000，China ） 摘要：压缩算法有很多种，但是对需要压缩到一定长度的简单的报文进行处理时，现有的算法不仅达不到目的，并且变得复杂， 本文针对目前一些企业的需要，实现了对简单报文的压缩加密，此算法不仅可以快速对几十上百位的数据进行压缩，而且通过不断 的优化，解决了由于各种情况引发的解密错误，在解密的过程中不会出现任何差错。 Abstract:Although,there are many kinds of compression algorithm,the need for encryption and compression of a length of a simple message processing,the existing algorithm is not only counterproductive,but also complicated.To some enterprises need,this paper realizes the simple message of compression and encryption.This algorithm can not only fast for tens of hundreds of data compression,but also,solve the various conditions triggered by decryption errors through continuous optimization;therefore,the decryption process does not appear in any error. 关键词：压缩；解压缩；数字字符；简单报文Key words:compression ；decompression ；encryption ；message 中图分类号：TP39文献标识码：A 文章编号：1006-4311（2012）35-0192-02 ·192· 压缩传感总结报告 摘 要 随着信息技术的不断发展，人们对信息需求量越来越大，这给信号采样、传输和存储的实现带来的压力越来越大。传统的采样方法容易造成信息的冗余，因此，人们寻求新的方法避免信息的冗余。压缩传感的问世，打破了常规的信号处理的思路，它将压缩和采样合并进行，突破了香农采样定理的瓶颈。本文主要围绕稀疏表示、编码测量、重构算法三个方面对压缩传感进行基本的介绍。最后介绍了压缩传感的应用以及展望。 关键词 压缩传感，稀疏表示，编码测量，重构算法 1 引言 传统的信号获取和处理过程主要包括采样、压缩、传输和解压缩四个部分。其采样过程必须满足香农采样定理, 即采样频率不能低于模拟信号频谱中最高频率的2倍。 在信号压缩中,先对信号进行某种变换,如离散余弦变换或小波变换, 然后对少数绝对值较大的系数进行压缩编码, 舍弃零或接近于零的系数。通过对数据进行压缩,舍弃了采样获得的大部分数据, 但不影响“感知效果”[1]。但是，信号压缩实际上是一种严重的资源浪费，因为大量的采样数据在压缩过程中被丢弃了，而它们对于信号来说是不重要的或者只是冗余信息。从这个意义而言，可得到以下结论：带宽不能本质地表达信号的信息，基于信号带宽的Nyquist 采样机制是冗余的或者说是非信息的。 如果信号本身是可压缩的, 那么是否可以直接获取其压缩表示(即压缩数据),从而略去对大量无用信息的采样呢？换句话说，是否存在一种基于信息的采样理论框架，使得采样过程既能保持信号信息，又能只需远少于Nyquist 采样定理所要求的采样数目就可精确或近似精确重建原始信号？Cand és 在2006年从数学上证明了可以从部分傅立叶变换系数精确重构原始信号, 为压缩传感奠定了理论基础。Cand és 和Donoho 在相关研究基础上于2006年正式提出了压缩传感的概念。其核心思想是将压缩与采样合并进行,首先采集信号的非自适应线性投影(测量值), 然后根据相应重构算法由测量值重构原始信号[7]。 简单地说，压缩感知理论指出：当信号在某个变换域是稀疏的或可压缩的，可以利用与变换矩阵非相干的测量矩阵将变换系数线性投影为低维观测向量，同时这种投影保持了重建信号所需的信息，通过进一步求解稀疏最优化问题就能够从低维观测向量精确地或高概率精确地重建原始高维信号。在该理论框架下，采样速率不再取决于信号的带宽，而在很大程度上取决于两个基本准则：稀疏性和非相干性，或者稀疏性和等距约束性。压缩传感的优点在于信号的投影测量数据量远远小于传统采样方法所获的数据量,突破了香农采样定理的瓶颈,使得高分辨率信号的采集成为可能[2][8]。 压缩传感主要包括以下3个步骤[3]： (1)长度为N 的原始信号x 是稀疏的或在基底()N N ψ?下是稀疏的，稀疏信号为α； (2)利用观测矩阵()M N M N Φ?<<获取观测值y(图1，2所示)； (3)已知,Φψ和y 选择合适的算法恢复x 。 .1压缩感知部分 压缩感知算法主要可分为三类：贪婪迭代算法、凸凸优化（或最优化逼近方法）和基于贝叶斯框架提出的重构算法。由于第三类方法注重信号的时间相关性，不适合图像处理问题，故目前的研究成果主要集中在前两类中。目前已实现6中算法，分别为正交匹配追踪法（）、迭代硬阈值法（）、分段正交匹配追踪法（）、分段弱正交匹配追踪法（）、广义正交匹配追踪（）、基追踪法（）。 1.1 正交匹配追踪法（） 在正交匹配追踪中，残差是总与已经选择过的原子正交的。这意味着一个原子不会被选择两次，结果会在有限的几步收敛。的算法如下 (1)用x表示你的信号，初始化残差e0； (2)选择与e0内积绝对值最大的原子，表示为φ1； (3)将选择的原子作为列组成矩阵Φt，定义Φt列空间的正交投影算子为 通过从e0减去其在Φt所张成空间上的正交投影得到残差e1； (4)对残差迭代执行(2)、(3)步； 其中I为单位阵。需要注意的是在迭代过程中Φt为所有被选择过的原子组成的矩阵，因此每次都是不同的，所以由它生成的正交投影算子矩阵P每次都是不同的。 (5)直到达到某个指定的停止准则后停止算法。 减去的是在所有被选择过的原子组成的矩阵Φt所张成空间上的正交投影，而减去的是在本次被选择的原子φm所张成空间上的正交投影。 经算法重构后的结果如下所示： 算法的使用时间如下： 1.2 迭代硬阈值法（） 目标函数为 这里中的M应该指的是，S应该指的是。这里要求： 之后我们利用式 对目标函数进行变形。接着便是获得极值点： 利用该式进行迭代可以得到极值点，我们需要的是最小值。此时目标函数的最小值就得到了。此时便得到我们需要的公式： 我们要保证向量y的稀疏度不大于M，即，为了达到这一目标，要保留最大的M项（因为是平方，所以要取绝对值），剩余的置零（注意这里有个负号，所以要保留最大的M项）。 算法结果：压缩感知的重构算法
基于多特征融合的目标跟踪算法讲解
五种大数据压缩算法
压缩感知与奈奎斯特采样频率比较报告
LZW算法优化及在雷达数据压缩中的应用
压缩感知理论综述(原创)
数据快速压缩算法的C语言实现
压缩感知(Compressive Sensing)总结,毕设小节
几种压缩感知算法