在噪声存在的情况下使用正交匹配追踪支持恢复:一项新的分析
本文使用正交匹配追踪算法研究了稀疏信号恢复的问题并发现,使用高斯测量矩阵的低噪声情况下,仅需较少的测量次数和无限趋近于 1 的概率即可实现稀疏向量的恢复,该结果还与 lasso 方法的恢复次数相匹配。
May, 2011
本文解析了正交匹配追踪算法,表明只需要 O (k̅ln d) 个随机投影,即可恢复一 k̅- 疏松信号的 2 - 范数,从而对于压缩感知应用,该方法比之前的方法所需的随机投影数量 O (k̅²ln d) 更小。
May, 2010
本篇论文提出了一种名为残差比阈值法(Residual Ratio Thresholding,RRT)的新技术,可以在没有关于疏密性和噪声统计的任何先验知识情况下运行正交匹配追踪(Orthogonal Matching Pursuit,OMP),并为其建立有限样本和大样本支持恢复保证。分析结果和实数及虚数数据集的数值模拟表明,RRT 的性能与具有先验知识的 OMP 相当。
Jun, 2018
本文提出了一种新的部分硬阈值算子用于压缩感知问题,并通过该算子构建了一组新的迭代算法,其中 Orthogonal Matching Pursuit with Replacement (OMPR) 表现最佳。通过将局部敏感哈希技术与 OMPR 算法相结合,本文提出了第一个被证明具有亚线性(在维度上)性能的稀疏恢复算法。实验结果表明,相比现有方法,本文方法在大规模问题上更为快捷和鲁棒。
Jun, 2011
本研究提出一种名为 generalized OMP 的方法,是针对稀疏信号重建效率进行的 OMP 算法推广,每次迭代找到多个正确的索引进行选择,相比于 OMP 算法,gOMP 算法迭代次数更少,且可以重建任何 K 稀疏信号,且仿真结果表明 gOMP 算法是一种高效的信号恢复方法,具有与 L1 极小化技术类似的恢复性能。
Nov, 2011
本文研究了通过正交匹配追踪 (OMP) 从嘈杂观测中恢复稀疏信号,证明了当任何大小为 K 的稀疏信号满足受限等距性属性 (RIP) 时,OMP 可以从噪声观测中 K 次迭代恢复信号的支撑,同时提出了严格的最小幅度约束条件。
Dec, 2015
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
该论文对 Orthogonal Matching Pursuit (OMP) 进行改进,提出了一种快速算法和一种新的选择准则,从而减少信号恢复所需的迭代次数和计算时间,并给出了精确恢复的充分条件及近似误差的界限。
Mar, 2024
该研究旨在将 L_1 最小化方法和迭代方法(Matching Pursuits)这两种主要的稀疏信号恢复算法方法结合起来。我们提出了一种简单的正则化版本 Orthogonal Matching Pursuit(ROMP),它具有 OMP 的速度和透明性,以及 L_1 最小化的强制统一保证,我们的算法 ROMP 以线性迭代次数(实践中甚至是对数级次数)重构出一个稀疏信号,并且若线性测量满足统一未知原则,则重构是准确的。
Jul, 2007