项目名称: k-稀疏恢复限制等距常数上界及压缩感知算法研究

项目编号: No.61272028

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 自动化技术、计算机技术

项目作者: 岑翼刚

作者单位: 北京交通大学

项目金额: 60万元

中文摘要: 压缩感知(CS)的目标是以较少的测量数据实现高维信号的恢复,是信息科学全新的理论。 (l1)约束极小化能准确或以很小的误差重构稀疏信号,只要测量矩阵的RIP常数满足一定的上界条件。然而,直接验证一个感知矩阵的RIP是困难的。为避免直接验证RIP,一个普遍的技巧是去表明随机生成的感知矩阵高概率地满足RIP。因此,RIP常数新界的研究一直是CS的一个热点。另外,实际信号的非稀疏性也制约了CS对信号的重构质量。本课题以感知矩阵的零空间为切入点,提出了研究RIP常数上界的统一方案,为获取RIP常数新界提供了一条新的途径。进一步,考虑了CS恢复算法与稀疏表示的相关性,通过研究峰值变换和小波树的特性,建立起信号稀疏表示和CS非线性重构的新算法,从而提高CS的算法性能和重构质量,为扩大CS的实际应用提供新的理论依据。

中文关键词: 压缩感知;限制等距常数新界;稀疏表示;稀疏恢复;低秩矩阵重构

英文摘要: The goal of Compressive Sensing(CS) is to recover the high-dimensional signals from a very limited number of measurements. It is a brand new theory in information science. (l1)-minimization can reconstruct sparse signals with a small or zero error provided that the RIP constants of the sensing matrices satisfy a certain bound. However, it is difficult to verify the RIP for a given sensing matrix. A general technique for avoiding verifying the RIP directly is to show that the randomly generating sensing matrix satisfis RIP with high probability. Hence, the study of the new bounds for the RIP constants is always a hot issue of CS. Moreover, the non-sparsity of practical signals also confine the quality of the recovered signals obtained by CS theory. Based on the null space of the sensing matrix, a unified approach for studying the upper bounds of RIP constants is proposed, which will provide a new way for capturing the new bounds of RIP constants. Further, the correlation between the CS algorithm and the sparse representation method is exploited. By investigating the natures of the peak transform and tree structure of the wavelet coefficients, new algorithms for the sparse representation and CS non-linear reconstruction of practical signals are established, which can improve the performance of CS algorithms and t

英文关键词: Compressed Sensing;New bounds of restricted isometry constants;Sparse representation;Sparse recovery;Low-rank matrix reconstruction

成为VIP会员查看完整内容
0

相关内容

压缩感知是近年来极为热门的研究前沿,在若干应用领域中都引起瞩目。 compressive sensing(CS) 又称 compressived sensing ,compressived sample,大意是在采集信号的时候(模拟到数字),同时完成对信号压缩之意。 与稀疏表示不同,压缩感知关注的是如何利用信号本身所具有的稀疏性,从部分观测样本中恢复原信号。
专知会员服务
22+阅读 · 2021年10月6日
专知会员服务
6+阅读 · 2021年9月20日
专知会员服务
18+阅读 · 2021年8月15日
专知会员服务
21+阅读 · 2021年7月31日
专知会员服务
11+阅读 · 2021年7月27日
专知会员服务
24+阅读 · 2021年7月22日
专知会员服务
36+阅读 · 2021年7月17日
专知会员服务
21+阅读 · 2021年6月26日
专知会员服务
28+阅读 · 2021年6月7日
专知会员服务
36+阅读 · 2021年6月3日
【ICML2021】低秩Sinkhorn 分解
专知
9+阅读 · 2021年8月20日
【学界】DeepMind论文:深度压缩感知,新框架提升GAN性能
GAN生成式对抗网络
14+阅读 · 2019年5月23日
一文读懂图像压缩算法
七月在线实验室
15+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
40+阅读 · 2018年4月26日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月18日
Arxiv
0+阅读 · 2022年4月16日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
小贴士
相关VIP内容
专知会员服务
22+阅读 · 2021年10月6日
专知会员服务
6+阅读 · 2021年9月20日
专知会员服务
18+阅读 · 2021年8月15日
专知会员服务
21+阅读 · 2021年7月31日
专知会员服务
11+阅读 · 2021年7月27日
专知会员服务
24+阅读 · 2021年7月22日
专知会员服务
36+阅读 · 2021年7月17日
专知会员服务
21+阅读 · 2021年6月26日
专知会员服务
28+阅读 · 2021年6月7日
专知会员服务
36+阅读 · 2021年6月3日
相关资讯
【ICML2021】低秩Sinkhorn 分解
专知
9+阅读 · 2021年8月20日
【学界】DeepMind论文:深度压缩感知,新框架提升GAN性能
GAN生成式对抗网络
14+阅读 · 2019年5月23日
一文读懂图像压缩算法
七月在线实验室
15+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
40+阅读 · 2018年4月26日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员