预估校正法在大规模信号重构问题中的应用

本文研究预估校正法在大规模信号重构中的应用问题.利用预估校正方法解?_1正则化最小二乘问题,获得了理想的信号恢复效果.数值实验表明提出的算法对于解决大规模稀疏信号恢复问题是有效的.     

压缩感知和稀疏优化简介

介绍压缩感知和稀疏优化的基本概念、理论基础和算法概要. 压缩感知利用原始信号的稀疏性,从远少于信号元素个数的测量出发,通过求解稀疏优化问题来恢复完整的原始稀疏信号. 通过一个小例子展示这一过程,并以此说明压缩感知和稀疏优化的基本理念. 接着简要介绍用以保证l₁凸优化恢复稀疏信号的零空间性质和RIP条件. 最后介绍求解稀疏优化的几个经典算法.     

利用分片贪婪算法求解分片稀疏恢复问题

在实际应用中,有一些信号是具有分片的结构的.本文我们提出一种分片正交匹配追踪算法(P\_OMP)来求解分片稀疏恢复问题,旨在保护分片信号中的分片结构(或者小尺度非零元).P\_OMP算法是基于CoSaMP和OMMP算法的思想上延伸出的一种针对分片稀疏问题的贪婪算法. P\_OMP算法不仅仅具有OMP算法的优势,还能够在比CoSaMP方法更松弛的条件下得到同样的误差下降速率.进一步,P\_OMP~算法在保护分片稀疏信号的尺度细节信息上表现的更好.数值实验表明相比于CoSaMP, OMP, OMMP和BP算法, P\_OMP算法在分片稀疏恢复上更有效更稳定.     

基于基底合并的分片稀疏恢复

如我们所知,诸如视频和图像等信号可以在某些框架下被表示为稀疏信号,因此稀疏恢复(或稀疏表示)是信号处理、图像处理、计算机视觉、机器学习等领域中被广泛研究的问题之一.通常大多数在稀疏恢复中的有效快速算法都是基于求解$l^0$或者$l^1$优化问题.但是,对于求解$l^0$或者$l^1$优化问题以及相关算法所得到的理论充分性条件对信号的稀疏性要求过严.考虑到在很多实际应用中,信号是具有一定结构的,也即,信号的非零元素具有一定的分布特点.在本文中,我们研究分片稀疏恢复的唯一性条件和可行性条件.分片稀疏性是指一个稀疏信号由多个稀疏的子信号合并所得.相应的采样矩阵是由多个基底合并组成.考虑到采样矩阵的分块结构,我们引入了子矩阵的互相干性,由此可以得到相应$l^0$或者$l^1$优化问题可精确恢复解的稀疏度的新上界.本文结果表明.通过引入采样矩阵的分块结构信息.可以改进分片稀疏恢复的充分性条件.以及相应$l^0$或者$l^1$优化问题整体稀疏解的可靠性条件.     

仅用一个采样点和自相关函数恢复离散信号的唯一性定理及其算法

本文是文献[1]续篇。对于仅用一个采样点以及自相关函数恢复整个离散信号的唯一性问题,本文提出了四个定理,并作了详细的证明;还给出了实现这种恢复的一种时域迭代算法,大量实例表明这种算法是十分有效的。     

固定时间梯度流在l1-l2范数中的稀疏重构

压缩感知（compressed sensing,CS）是一种全新的信号采样技术,对于稀疏信号,它能够以远小于传统的Nyquist采样定理的采样点来重构信号。在压缩感知中, 采用动态连续系统,对l₁-l₂范数的稀疏信号重构问题进行了研究。提出了一种基于固定时间梯度流的稀疏信号重构算法,证明了该算法在Lyapunov意义上的稳定性并且收敛于问题的最优解。最后通过与现有的投影神经网络算法的对比,体现了该算法的可行性以及在收敛速度上的优势.     

一种基于正则化的稀疏表示方法

提出了一种基于正则化技术的信号稀疏表示方法.该方法与经典稀疏表示算法的主要区别可概括为两点:其一,直接使用e_0模而不是被广泛采用的e_1模来度量稀疏性;其二,正则化项的引入使得该模型得到的信号表达是所有表示中最优稀疏的.在本文中,正则化项采用框架势来描述稀疏表示的"最优性",利用二次可微的凹函数来逼近e_0模,得到了求解所提出的正则化模型的近似算法,并给出了收敛性分析.此外,数值实验也显现了本文所提模型及算法相比于经典算法的优越性.     

基于非凸优化模型的块稀疏信号恢复条件

压缩感知(compressed sensing,CS)是一种全新的信息采集与处理理论，它表明稀疏信号能够在远低于Shannon-Nyquist采样率的条件下被精确重构.现从压缩感知理论出发，对块稀疏信号重构算法进行研究，通过混合l₂/l_q(0相似文献   

无约束的l2,1-分析法重构冗余紧框架下分块稀疏信号的条件

文章主要利用分块稀疏信号的凸分解技术分析无约束的l_2,1-分析模型,建立无约束的l_2,1-分析法重构冗余紧框架下分块稀疏信号的条件,其条件基于紧框架下的限制等距性质.首先,利用分块稀疏信号的凸分解技术建立两个重要技术引理.其次,基于发展的两个技术引理建立无约束的l_2,1-分析法恢复冗余紧框架下分块稀疏信号新的恢复条件,其条件基于紧框架下的限制等距性质,改进了现存最好的恢复条件.最后,设计数值实验,说明无约束的l_2,1-分析法重构冗余紧框架下分块稀疏信号的性能.     

具有Log型惩罚函数的稀疏正则化

研究具有Log型惩罚函数的稀疏正则化,给出一种新的非凸变量选择及压缩感知策略,提出一种高效快速阈值迭代算法.并通过变量选择问题和稀疏信号重建验证了所提出的Log型稀疏正则化模型的有效性.