稀疏表示信号重构中的子空间追踪
本文介绍了一种新型的半贪心恢复方法 ——A * 正交匹配追踪算法(A*OMP),它在树上执行 A * 搜索,寻找最稀疏的解决方案,并提供可调的搜索参数以进行复杂度与准确性的平衡。我们使用高斯和 Bernoulli 观测矩阵在合成数据和图像上演示了所提出方案的重构能力,其中 A*OMP 产生的重构误差比 BP,OMP 和 SP 低,并且具有更高的精确恢复频率。实验结果表明新颖的动态代价函数相对于传统选择提供了更好的结果。
Sep, 2010
本论文详细介绍了一种新型的压缩感知策略,使用概率方法进行信号重建和最大化信号模型参数,并探讨了不同信号分布的相应相图的渐近分析及最佳重建性能。
Jun, 2012
本文提出了一种新的框架,即容忍近似误差的基于模型的压缩感知(approximation-tolerant model-based compressive sensing),该框架包含了一系列算法,用于稀疏恢复,只需要对模型投影问题进行近似求解,通过图优化技术,将这些算法应用于我们的框架,得到了一种几乎是最优的 CEMD 模型的稀疏恢复方案。
Jun, 2014
本文研究了压缩感知问题,提出了一种基于二阶锥的优化方法,该方法在证明一定正则参数条件下与基础凸优化问题等价的前提下,求解具有优良效果的稀疏向量,该方法相较于当前最优方法具有更高的稀疏性和更低的重构误差
Jun, 2023
该论文介绍了一种基于图形模型置信传播的新的迭代阈值算法,通过简单无成本的修改,使其系统可以获得与相应凸优化过程相当的稀疏性 - 欠采样权衡,并且该系统没有之前算法的限制,并证明了它的理论计算。
Jul, 2009
本文提出了一种在基 Pursuit 中包含离散值先验的方法,特别是针对具有条目在 {0,1} 中的单极二进制和具有条目在 {-1,0,1} 中的双极三进制稀疏信号,其中相位转换比使用经典基 Pursuit 方法更早发生。
Sep, 2016