排序方式: 共有9条查询结果,搜索用时 15 毫秒
1
1.
2.
主要研究了在已知部分支撑信息条件下的相位恢复问题,当测量矩阵满足强约束等距性质(SRIP)时,通过极小化加权的?1最小化模型能稳定恢复原信号. 相似文献
3.
压缩感知(compressed sensing,CS)理论表明稀疏信号可以从欠定系统中被准确恢复,但在很多实际应用中,信号不一定有标准稀疏性而可能拥有一些其他的结构特点,典型的一种就是块稀疏信号,它的非零元仅在很少的一些块中出现.本文考虑从很少的线性测量中恢复块稀疏信号,并得到经混合l2/lq(0<q≤1)最小化准确重... 相似文献
4.
一、注意集合中的元素是什么集合中的元素的表现形式是多种多样的,可以是实数x,有序实数对(x,y),三角形等等.弄清集合中的元素是什么,是掌握集合概念的基本要求,是进行集合运算的前提. 相似文献
5.
压缩感知(compressed sensing,CS) 是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可以从小规模的线性、非自适应的测量中通过求解非线性优化问题重构原信号.块稀疏信号是一种具有块结构的信号,即信号的非零元是成块出现的.受YIN Peng-hang, LOU Yi-fei, HE Qi等提出的l1-2范数最小化方法的启发,将基于l1-l2范数的稀疏重构算法推广到块稀疏模型,证明了块稀疏模型下l1-l2范数的相关性质,建立了基于l1-l2范数的块稀疏信号精确重构的充分条件,并通过DCA(difference of convex functions algorithm) 和ADMM(alternating direction method of multipliers)给出了求解块稀疏模型下l1-l2范数的迭代方法.数值实验表明,基于l1-l2范数的块稀疏重构算法比其他块稀疏重构算法具有更高的重构成功率. 相似文献
6.
7.
8.
本文考虑lp有界噪声约束下的压缩数据分离问题,即从压缩测量数据中重建信号的不同稀疏子成分.为了重构不同框架D1∈Rn×d1和D2∈Rn×d2下(近似)稀疏的不同子成分,我们首先提出了l1-αl2分解分析算法,在测量矩阵满足一定的约束等距性条件且字典之间满足某个相互相干性条件时,此算法可以处理不同噪声干扰下的信号分离问题.此外,基于经典Dantzig Selector模型,我们还引入了l1-αl2分解分析Dantzig Selector算法,在适当条件下此算法也可以稳定分离压缩数据.数值实验表明,l1-αl2最小化算法对于冗余紧框架下的数据分离问题具有鲁棒性和稳定性. 相似文献
9.
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/lq(0
相似文献
1