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.     

基于l2/lq(q=2/3)最小化模型的块稀疏信号恢复

该文主要研究了块稀疏信号的恢复问题.利用q块限制等距性质(0<q≤1),通过极小化混合l₂/l_q(q=2/3)范数,建立了块稀疏信号恢复的一个充分条件,并且得到了在有噪声情形下信号恢复的误差界.通过数值实验,验证了该模型对于块稀疏信号的恢复有较高的成功率.     

基于混合l_2/l_1范数极小化方法的块稀疏信号重构条件

研究压缩感知中的块稀疏信号重构问题,主要对混合l_2/l_1极小化方法建立了一类改进的可重构条件.具体地说,本文证明若测量矩阵满足条件δ_k+θ_(k,k)1,则混合l_2/l_1极小化方法可精确重构(无噪声情形)或鲁棒重构(有噪声情形)原始块k-稀疏信号.进而表明本文给出的新条件弱于现有文献所给出的条件.     

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   

基于最小化似零伪范数的稀疏信号恢复算法

针对欠定系统中出现的稀疏信号恢复问题,提出了一种基于最小化近似零伪范数的处理方法,算法首先结合反正切函数构造出代价函数,再融合最速下降法和扩展牛顿迭代法逐步迭代寻优,并给出了算法的收敛性分析,数值仿真实验结果表明,与经典的稀疏信号恢复算法相比,方法有更好的计算速度和恢复精度.     

基于冗余紧框架的?2/?1极小化块稀疏压缩感知

压缩感知是(近似)稀疏信号处理的研究热点之一,它突破了Nyquist/Shannon采样率,实现了信号的高效采集和鲁棒重构.本文采用l2/l1极小化方法和BlockD-RIP理论研究了在冗余紧框架下的块稀疏信号,所获结果表明,当BlockD-RIP常数δ2k/τ满足0<δ2k/τ<0.2时,l2/l1极小化方法能够鲁棒重构原始信号,同时改进了已有的重构条件和误差上界.基于离散傅里叶变换(DFT)字典,执行了一系列仿真实验充分证实了理论结果.     

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.     

多面体块稀疏表示和非凸压缩感知

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...     

基于新的Hessian近似矩阵的稀疏重构算法

一般来说,基于二次近似模型的优化算法具有良好的数值表现.然而,当基于二次近似模型的优化算法求解大规模优化问题时,若使用稠密矩阵近似目标函数在迭代点的Hessian矩阵,需要花费大量的计算成本和存储成本,因此设计Hessian矩阵合适的标量近似矩阵特别重要.对于正则化模型,利用最近三次迭代的信息,设计粗糙的标量矩阵,使用拟牛顿公式进行更新,结合近似最优梯度法的思想和梯度法的延迟策略,构造Hessian矩阵新的含有更多二阶信息的标量近似矩阵.结合非单调线搜索,提出基于新的Hessian近似矩阵的稀疏重构算法,并进行收敛性分析.实验结果表明,与经典稀疏重构算法算法相比,基于新的Hessian近似矩阵的稀疏重构算法在重构效果相似的情况下能较大地减少迭代次数和较快地重构信号.     

l1-l2最小化模型在不同噪声下的误差估计

压缩感知理论利用信号的稀疏性这一特点,通过较少的观测数据来高概率地重构出原始信号,从而降低了采样的频率,打破了传统奈奎斯特采样定理的局限性,同时也缓解了采样设备在硬件方面的局限性,减少了数据存储,处理及传输的成本.在l1-l2最小化模型的基础上,讨论了当测量矩阵的限制等距常数满足一定的条件,针对不同的噪声情形,l1-l...     

线性l1模极小化问题的熵函数延拓法

本文通过利用极大熵函数构造同伦映射，建立了求解无约束线性l1模问题的熵函数延拓算法，证明了方法的收敛性，并给出了数值算例．     

Weighted $\ell_p$-Minimization for Sparse Signal Recovery under Arbitrary Support Prior

Weighted $\ell_p$ ($0相似文献   

The High Order Block RIP Condition for Signal Recovery

In this paper, we consider the recovery of block sparse signals, whose nonzero entries appear in blocks (or clusters) rather than spread arbitrarily throughout the signal, from incomplete linear measurements. A high order sufficient condition based on block RIP is obtained to guarantee the stable recovery of all block sparse signals in the presence of noise, and robust recovery when signals are not exactly block sparse via mixed $l_2/l_1$ minimization. Moreover, a concrete example is established to ensure the condition is sharp. The significance of the results presented in this paper lies in the fact that recovery may be possible under more general conditions by exploiting the block structure of the sparsity pattern instead of the conventional sparsity pattern.     

几个关于二次域基本单位的结果

给出了当m是二个或三个素数之积时,二次域OK中有范数为-1单位的证明．还给出了m是其他值时的情况．     

The James constant for the <Emphasis Type="Italic">l</Emphasis><Subscript>3</Subscript> − <Emphasis Type="Italic">l</Emphasis><Subscript>1</Subscript> space

In this note, the exact value of the James constant for the l₃-l₁ space is obtained, J(l₃-l₁)=1.5573…. This result improves the known inequality, J(l₃-l₁)≤4/³√10, which was given by Dhompongsa, Piraisangjun and Saejung.     

基于IOWA算子的欧式范数综合评价方法

针对综合评价信息不完整、分布不均匀以及现实中人们总是主观性地经常“向后看”这一问题,提出了基于区间数有序加权平均算子(IOWA算子)的欧式范数综合评价方法。本文首先介绍了IOWA算子的相关知识;然后依据IOWA算子的特点,运用正态分布确定其位置加权向量,并与欧式范数结合形成加权欧式范数;最后运用一个算例验证了方法的有效性,既能充分考虑评价信息的分布情况,又使得评价更加客观准确。     

Convex Variational Formulation with Smooth Coupling for Multicomponent Signal Decomposition and Recovery

A convex variational formulation is proposed to solve multicomponent signal processing problems in Hilbert spaces. The cost function consists of a separable term, in which each component is modeled through its own potential, and of a coupling term, in which constraints on linear transformations of the components are penalized with smooth functionals. An algorithm with guaranteed weak convergence to a solution to the problem is provided. Various multicomponent signal decomposition and recovery applications are discussed.