L1-MAGIC is a collection of MATLAB routines for solving the convex optimization programs central to compressive sampling. The algorithms are based on standard interior-point methods, and are suitable for large-scale problems.
2022-06-13 20:36:03 749KB l1-magic 稀疏信号恢复 压缩采样
1
稀疏信号恢复问题一直是几个不同社区中广泛研究的主题。 可伸缩恢复算法是压缩感测(CS)的一个至关重要的基本主题,最近几年引起了人们的极大兴趣。 本文首先分析了正交匹配追踪(OMP)算法中的迭代残差。 其次,引入了贪婪算法,称为贪婪OMP算法。 该算法使用贪婪原子识别迭代地识别多个原子,然后丢弃与最佳原子高度相似的一些原子。 与OMP算法相比,对高斯和零一稀疏信号进行的实验表明,提出的GOMP算法可以提供更好的恢复性能。 最后,我们通过实验研究了GOMP中贪婪常数对恢复性能的影响。
2022-05-31 18:04:08 1MB Atom identification; Compressive sensing;
1
介绍了一种在压缩感知框架内的简单测量矩阵构造算法(MMCA)。 在压缩感测中,测量矩阵和稀疏字典(基本)之间的较小相干性可以具有更好的信号重建性能。 随机测量矩阵(例如,高斯矩阵)已被广泛使用,因为它们与几乎所有稀疏基数都具有较小的相干性。 但是,通过降低与固定稀疏基的相干性来优化测量矩阵将大大提高CS的性能,这一结论已被许多先前的研究人员很好地证明。 基于以上分析,我们通过迭代采用收缩和奇异值分解(SVD)技术来实现此目的。 最后,优化矩阵和稀疏字典的列之间的相干性可以大大降低,甚至接近韦氏边界。 此外,我们建立了一些实验来测试所提出算法的性能,并与现有技术进行比较。 我们得出的结论是,使用所提出的测量矩阵构建方法,贪婪算法(例如正交匹配追踪)的恢复性能优于传统的随机矩阵算法,Elad算法,Vahid算法和Xu引入的优化矩阵算法。
2022-03-17 17:18:32 2.7MB Compressive sensing; Construction algorithms;
1
介绍了一种在压缩感知框架内的简单测量矩阵构造算法(MMCA)。 在压缩感测中,测量矩阵和稀疏字典(基本)之间的较小相干性可以具有更好的信号重建性能。 随机测量矩阵(例如,高斯矩阵)已被广泛使用,因为它们与几乎所有稀疏基数都具有较小的相干性。 但是,通过降低与固定稀疏基的相干性来优化测量矩阵将大大提高CS的性能,这一结论已被许多先前的研究人员很好地证明。 基于以上分析,我们通过迭代采用收缩和奇异值分解(SVD)技术来实现此目的。 最后,优化矩阵和稀疏字典的列之间的相干性可以大大降低,甚至接近韦氏边界。 此外,我们建立了一些实验来测试所提出算法的性能,并与现有技术进行比较。 我们得出的结论是,使用所提出的测量矩阵构建方法,贪婪算法(例如正交匹配追踪)的恢复性能优于传统的随机矩阵算法,Elad算法,Vahid算法和Xu引入的优化矩阵算法。
2022-03-14 10:06:46 1024KB Compressive sensing; Construction algorithms;
1