Jun, 2013

近似最优的自适应压缩感知

PDF
TL;DR本文提出了一种基于自适应感知和分组测试的简单的稀疏信号恢复算法 —— 压缩自适应感知和搜索（CASS）算法，在最低信噪比水平下成功率接近最优，并比以前的自适应压缩感知工作有所提高。相比基于随机非自适应设计矩阵的传统压缩感知，该算法只需要 k log n 个测量数据即可恢复 n 维稀疏信号，要求的 SNR 水平是标准压缩感知要求的 log n 倍。此外，该算法在感知操作的构建和实现以及对重建结果的计算方面，远比标准压缩感知计算量要小得多。经过模拟实验，CASS 在实践中表现得最好。本文还表明，像压缩感知、分组测试和汇聚这样的方法，不仅可以减少测试或测量的数量，而且自适应版本的这些方法还可以在检测和估计性能方面优于非自适应的直接（未压缩）感知。
adaptive sensingcompressed sensinggroup testingsparse signal recoverysignal-to-noise ratio
发现论文，激发创造
  • 自适应压缩感知用于结构化稀疏集合的支持恢复

    本文研究自适应压缩感知的结构化信号支持恢复问题。我们研究了几类结构化支持集，表征了通过压缩测量准确恢复此类集合的基本限制，并同时提供了表现接近最优的自适应支持恢复协议。我们表明，通过自适应设计传感矩阵，我们可以获得比非自适应协议更显着的性能增益。这些增益源于自适应感知可以更好地减轻噪声的影响，并更好地利用支持集的结构。

    Oct, 2014

  • 基于模型的压缩感知

    本文提出了一种基于模型的压缩感知理论，提供了如何创建具有可证明性能保证的基于模型的恢复算法的具体指南，其中包括引入一类新的结构压缩信号以及一个新的充分条件来描述其恢复性能，命名为有限放大性质，这对应于传统压缩感知限制等比性的自然扩展。实验结果表明了这一新理论和算法的有效性和适用性。

    Aug, 2008

  • 一个高效的聚类多任务压缩感知算法

    本文提出了一种新的算法，通过避免显式计算协方差矩阵结合蒙特卡洛抽样和迭代线性求解器，从而大大加速模型推断。与现有基准相比，实验表明我们的算法在速度上可快数千倍，内存利用率提升一个数量级。

    Sep, 2023

  • 压缩感知的迭代硬阈值

    本文探讨压缩感知技术中的迭代硬阈值算法的理论分析，证明该算法具有近乎最优的误差保证、鲁棒性、最小的观察数、可用于任何可计算其算符和伴随算符的采样算子、线性问题大小的内存要求、迭代计算复杂度与测量算子或其伴随算子的应用次序相同、仅取决于信号信噪比的形式的对数的一种形式的迭代次数、性能保证仅取决于采样算子和信号稀疏性的特性。

    May, 2008

  • 压缩感知：离散优化方法

    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

  • 高斯混合模型的统计压缩感知

    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

  • 天文压缩感知

    本文研究了压缩感知在天文数据压缩中的应用，并介绍了压缩感知理论的概述及其可用于实时应用，同时指出了压缩感知用于数据融合的多个观测的优点，提供了解决 ESA 发送 Herschel 航天器上数据的问题的有效方式。

    Feb, 2008

  • 基于结构群稀疏表示的图像压缩感知恢复

    本论文提出了一种新的图像压缩感知恢复策略 —— 通过结构分组稀疏表示 (SGSR) 建模，在自适应的分组域中同时强制图像稀疏性和自相似性，并开发了一种高效的迭代收缩 / 阈值算法技术来解决上述优化问题。实验结果表明，这种新的压缩感知恢复策略相对于当前最先进的方案实现了显著的性能改进，并且表现出了不错的收敛性。

    Apr, 2014

  • 压缩感知中的概率重构：算法、相图和阈值实现矩阵

    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

  • 结构化压缩感知：从理论到应用

    本文论述了在压缩感知中利用信号和测量结构进行体现的主题，并将理论与实践相结合，介绍了新的方向及与传统压缩感知的关系。

    Jun, 2011