使用二进制测量稀疏信号的重建误差的指数衰减
本文提出了一种贝叶斯方法来解决 1 比特压缩感知问题的信号重建,并使用统计力学分析了其性能。其中,利用信念传播算法进行信号重建的数值实验结果与理论分析结果一致。
Jun, 2014
研究了用于 Exponential Accuracy 的一位 Sigma-Delta 调制器设计中涉及到的最小支持反馈滤波器优化问题,采用正交多项式的理论,通过找到弱化的最优解得到了最优解并将最佳的误差下降率从 0.088 提高到了 0.102。
Jan, 2010
在本文中,我们探讨了量化线性测量的恢复问题,提出使用量化仿射测量可更好地保留信号的范数信息,并在一定条件下更容易实现稀疏信号的恢复,并可以在已知半径的欧几里得球内成功地估计所有这些稀疏向量的范数。
Apr, 2014
论文使用单一的凸优化程序分别对于噪声的一位非压缩感知和稀疏二项回归进行精确估计。作者展示,使用简单的凸优化程序,可以从单位比特量度中精确地估计在 R ^ n 中的 s 稀疏信号。
Feb, 2012
本文通过随机线性测量得到的 O (s log^2 (n/s)) 个标志位,利用线性规划,从稀疏向量中精确恢复出 s-sparse 向量 x,进而将结果推广到了近似稀疏的向量 x。文章以解决随机超平面填充的等效几何问题为基础,并且该方法几乎是最优解。
Sep, 2011
该论文研究了利用压缩感知技术来减少模数转换器的采样率,着重探讨了只捕捉信号符号的 1 比特压缩感知技术,提出了能在噪声较小及容易受干扰的情况下实现逆向恢复的二进制 ε- 稳定嵌入特性,并引入了适用于 1 比特采样的算法 —— 二进制迭代硬阈值算法,提高了采样性能。
Apr, 2011
该研究利用生成模型替代稀疏性假设,研究带生成模型的 1 位压缩感知问题。在此基础上结合高斯测量和具有 Lipschitz 连续生成先验的近似恢复,应用于神经网络生成模型,并与基于稀疏性的方法进行了比较,证实了其有效性。
Feb, 2020
本研究旨在展示如何在一位压缩感知框架中恢复稀疏高维向量的支持度以及改进约束在以一位压缩感知测量中从向量中近似恢复的测量数。我们的结果是通用的,即同样的测量方案可同时适用于所有稀疏向量,并且支持度恢复的最优性是通过证明一个使用 1 位压缩感知的 Union Free Families 组合对象实现的。
May, 2017
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