- 深度学习方法应用于结构化信号恢复
本文提出了一个新的感知和恢复结构化信号的深度学习框架，并应用堆栈去噪自编码器（SDA）进行统计依赖性捕获来提高信号恢复性能。
- 高效 5G 系统设计的稀疏信号处理概念
本文指出信号稀疏性可以在 5G 无线系统设计中充当创新源，并描述它在 MIMO 随机接入、云无线电接入网络、压缩信道 - 源网络编码和嵌入式安全性等方面的应用，同时强调了它在 5G 系统设计中可能出现的重要开放性问题。
- 一种用于整张图像恢复的快速补丁字典方法
该研究提出了一种利用分段子问题来处理图像字典学习的方法，该方法在全局成像任务（如压缩感知和医学影像恢复）的图像恢复方面表现良好。
- 利用 Noiselet 编码的多通道压缩感知 MRI
本文介绍噪声基编码方案应用于多通道 MRI 数据采集，采用数学理论设计噪声编码器优化传统编码器的测量矩阵与稀疏变换矩阵间的不一致性与 RIP，并在实验中证实其在提高图像恢复精度和加速因素方面的显著性。
- 基于模型的压缩感知的逼近算法
本文提出了一种新的框架，即容忍近似误差的基于模型的压缩感知（approximation-tolerant model-based compressive sensing），该框架包含了一系列算法，用于稀疏恢复，只需要对模型投影问题进行近似求 - 面向 FDD 多用户大规模 MIMO 系统的分布式压缩 CSIT 估计和反馈
采用分布式压缩感知方法进行关键状态信息（CSIT）的估计，利用用户信道矩阵中的隐藏共享结构，提出了一种联合正交匹配追踪回收算法来利用联合信道稀疏性来提高 CSIT 估计性能。
- 使用自适应学习的稀疏基 L0 最小化重构图像压缩感知恢复
本文提出了一种使用自适应学习的稀疏化基础通过 L0 最小化方法进行图像压缩感知恢复的新框架，通过稀疏表示重叠的图像块，极大地减少了阻塞伪影和限制了 CS 解决方案空间。实验结果表明，我们的算法在 CS 恢复上取得了显着的性能提升。
- 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 - 带规范估计的一比特压缩感知
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。
- 无参数最优近似信息传递
本文提出一种无需用户调整阈值参数的自动方式，采用修改过的梯度下降算法和 Stein 无偏风险估计，实现高稀疏恢复和压缩感知算法中的最小重构误差和最高收敛速率，为参数调整领域的最快收敛率理论保障提供了解决方案。
- 能耗感知自适应双 Lipschitz 嵌入
提出了一种基于训练数据的降维矩阵设计，该设计基于其 Frobenius 范数和行数的约束，旨在尽可能保留数据点在降维空间中相对于原始数据空间的距离，可视为数据点的确定性 Bi-Lipschitz 嵌入。通过提供强大的学习算法 AMUSE 和 - 流形嵌入和压缩测量信号恢复的新分析
本文使用经验过程的工具，在低维流形信号族下研究了随机测量算子的嵌入问题及在噪声压缩测量下流形信号恢复和参数估计的确定性和概率最优解。结果表明，使用流形模型在压缩信号处理中可以高精度地进行信号恢复和参数估计。
- 关于从带噪声的线性测量中恢复树稀疏向量的基本限制
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。
- MIMO 雷达的空间压缩感知
通过结构化随机矩阵的特性，我们发展出了一种多输入多输出（MIMO）雷达的稀疏定位框架，使得无需填充全部（奈奎斯特）阵列即可实现与填充阵列相当的性能，并且通过压缩感知恢复算法在性能上超越了经典方法，提供了高分辨率的虚拟阵列口径，同时仅需使用少 - MM认知无线电网络的宽带频谱感知：一项调查
介绍了各种宽带频谱感知算法及其优缺点和挑战问题，并特别关注了子奈奎斯特技术的应用，包括压缩感知和多通道子奈奎斯特采样技术。
- 非局部正则化改进全变差图像压缩感知恢复
本文介绍了一种基于改进的总变分和非局部正则化的算法，用于压缩感知图像恢复，提高了压缩采样图像的恢复质量和去除了不受欢迎的阶梯效应。
- 使用冗余字典的信号空间 CoSaMP 稀疏恢复
本文提出了一种针对高度冗余和超完备字典中稀疏信号恢复的变体迭代恢复算法 CoSaMP，并利用 D-RIP 条件提供可证明的恢复保证。
- 随机采样矩阵统一恢复定理
本研究主要探讨了压缩感知中的两个定理，其中关于随机采样矩阵的均匀恢复定理是重点，提出了更明确的证明和改进的常量。此外还提出了一个改进的约束等距条件，保证通过ℓ1 正则化方法的稀疏恢复
- 基于扩散调适的稀疏分布式学习
本文提出了一种基于扩散 LMS 策略的自适应网络分布式估计方法，利用凸正则化增强扩散过程中的稀疏性检测，使网络具备学习能力和实时学习稀疏结构的能力，并演示了该方法在稀疏数据恢复方面的优势。
- 稀疏信号检测和支持估计的自适应感知性能下界
本文研究稀疏信号方面的适应性感知问题，分析了信号峰值和最小幅度和稀疏度之间的关系，并发现之前文献所提出的适应性压缩感知方法是最优的，不能显著改进。