压缩感知
文章平均质量分 72
滋巴糯米团
这个作者很懒,什么都没留下…
展开
-
压缩感知(CS)
研究意义 在进行A/D转换过程中,我们常用奈奎斯特采样定理采样数据,也就是当采样频率fs大于原信号中最高频率fmax的2倍时,采样之后的数字信号完整地保留了原始信号中的信息。而在压缩感知中,信号可以以较低的频率(远低于奈奎斯特采样频率,且它的采样频率将取决于两个基本准则:稀疏性和非相关性,或者稀疏性和等距约束性)采样该信号,并可能以高概率精确的重建该信号。 也就是说假如根据奈奎斯特采样定理,需要用1000个点恢复信号,而在压缩感知中只需要300个点(不固定,反正比1000少就对了),从而实现压缩效果原创 2021-06-08 14:51:11 · 1780 阅读 · 0 评论 -
压缩感知重构算法之前向预测与回溯结合的正交匹配追踪(LABOMP)
题目:前向预测与回溯结合的正交匹配追踪(LABOMP) 前向预测后向删除正交匹配追踪(LABOMP)是基于前向预测正交匹配追踪(LAOMP)的一个改进算法,我们由它的名字就可以看出,它和LAOMP其实就差了一个后向删除这一部分,这一部分其实就是在LAOMP的基础上,在每次迭代结束时,删除原子集中与重构信号x最小的那一行对应的原子。为什么要加入回溯策略呢? 论文中给出的解释是为了将前面迭代被错误选择的候选原子淘汰出匹配原子集,所以加入了回溯算法。LABOMP重构算法流程: A是传感矩阵,y为测量原创 2021-05-24 11:16:16 · 705 阅读 · 0 评论 -
压缩感知重构算法之前向预测正交匹配追踪(LAOMP)
前向预测正交匹配追踪(LAOMP) 前向预测正交匹配追踪(LAOMP)是基于正交匹配追踪的一种改进算法,该算法的本质其实和OMP差不多还是每次迭代选取一个原子,选出稀疏度K个结束,但是每次迭代选取的原子就不是简单的选取当前残差与传感矩阵内积的最大项,而是通过它的前向预测得到的当前最优的一个原子,前向预测也就是本重构算法的核心部分。原创 2021-05-23 19:03:14 · 1326 阅读 · 0 评论