该论文主要研究压缩感知中从有限数量的噪声线性测量数据中恢复稀疏矢量的支撑模式的问题,并通过不同恢复算法的关键参数给出了达到所需误差分数所需的测量速率的界限,同时针对各种实用信号模型证明了界限的紧密性和在一定程度上的近最优性。
Jun, 2010
探讨了在不同应用场景下,基于高斯采样模型的信息理论稀疏模式恢复问题,给出了必要和充分条件,证明用 Lasso 算法能够实现一定精度上的稀疏模式恢复。
Feb, 2007
该论文采用阈值技术中的概率模型,探讨了对于一组观测数据与数据向量之间的关系的支持恢复问题。该论文提出了通用的可行性和对偶性边界,为线性、1 位和组测试模型提供了特定的可行性和对偶性边界。
Jan, 2015
该研究讨论了对于罕见的矢量从简单的测量中进行支持恢复,并考虑了混合线性回归和分类器模型,以及在这些模型中使用的算法。
Jun, 2021
本文探讨了通过 Tree-sparse 信号的自适应传感和结构稀疏融合的压缩感官技术在支持恢复任务中的性能极限。结果表明,这种自适应树传感过程几乎是最优的。
Jun, 2013
本文论述了线性模型下,稀疏向量估计的问题,并建立了一个平方均误差的下限,无论使用何种感知 / 设计矩阵和估计过程,均适用。此下限与以随机投影和 Dantzig 选择器等估计过程计算得到的已知上限极为接近,因此基于压缩感知的技术无法实质性改善。
Apr, 2011
本文研究压缩感知领域的稀疏信号恢复问题,通过对正交匹配追踪算法在噪声情况下的研究,分析了两种信噪比设置情况下的恢复效果及最低信噪比要求,同时比较了在不同条件下算法的精确恢复率,结果可用于某些实际应用场景。
本研究介绍了一种压缩感知的简单且通用的理论,其传感机制会从概率分布 F 中独立随机选择感知向量,而且不需要约束等距性或随机信号模型即可从噪音测量的最小数量中忠实地恢复出近似稀疏信号。
Nov, 2010
本文研究了低秩矩阵通过线性组合测量进行恢复的方法,结果表明经过妥善约束的核范数最小化可以从恒定数量的带有噪声的测量中稳定地恢复低秩矩阵,从噪声数据中恢复误差不超过三个目标。同时,本文对低秩矩阵的误差界限进行了扩展,并基于限制等距性质进行了分析。
Jan, 2010
本文研究如何通过 Compressed Sensing 的解码算法,基于少量的测量(如信号中的采样点),恢复一个高维向量数据的信息,并且探讨了其稀疏性水平如何影响该方法的质量保证。
Mar, 2008