研究如何构建稀疏恢复系统,以最小化测量矩阵的数量和解码算法的运行时间,给出了一个具有优秀性能的系统,其中测量矩阵的数量与下界相匹配,且解码时间为下界的对数倍。同时还考虑了编码时间、更新时间、算法的鲁棒性和稳定性。
Dec, 2009
通过生成模型的范围,无需使用稀疏性,基于 Lipschitz 连续性,提出了一种新的压缩感知算法。与 Lasso 相比,可以使用更少的测量来获得相同的精度。
Mar, 2017
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
该论文主要研究了稀疏恢复和压缩感知问题中的稀疏恢复算法及其测量复杂度,通过新的算法和下界证明,解决了在多种应用中需要小的常量 C > 1 的问题,同时还讨论了输出是否稀疏的复杂度区别。
Oct, 2011
在采样数据可能被严重破坏的情况下,通过可行的最小化方法可以准确地恢复稀疏信号和低秩矩阵。
Apr, 2011
本研究提出了基于统计压缩感知(SCS)的压缩感知(CS)新框架,探索了基于高斯模型的 SCS,对单高斯模型下的信号进行了深入探究,并介绍了用于 GMM 型的信号模型选择、解码的分段线性估算器,提出了最大后验期望最大化算法用于 GMM 型 - SCS 的解码过程。结果表明,与传统 CS 相比,GMM 型 - SCS 在图像感知应用中具有更低的计算成本且具有更好的结果。
Jan, 2011
通过仅有的少数线性测量,使用稀疏信号和正交矩阵 U,应用 ell_1 最小化可以恢复信号 x^0,前提是测量次数超过指定阈值,并且实验表明其几乎是最优的。
Nov, 2006
本文旨在研究数据压缩中由于舍入和饱和误差而引起的重构问题,提出了考虑量化和饱和误差的约束条件和加权 l2——l1 范数优化目标函数,采用增广 Lagrange 方法求解得到一个稳健的一致性解。同时,文章还对之前的相关建模方案进行了广泛的计算比较。
Jul, 2012
研究了压缩感知中稀疏解的求解问题,提出一种基于 L1 - 范数和半定规划的解法,对于块稀疏向量能找到最稀疏的解,该方法具有多项式时间复杂度。
Mar, 2008
本文考虑了高维设置下的稀疏向量,研究在测量速率和样品的信噪比为有限常数的情况下,稀疏模式估计的误差比例将为常数分数,并且通过与现有可实现界的比较,建立了在比例误差和信噪比的功能下的范围上限。
Feb, 2010