2017.2.27

今天后半天都心里比较烦闷。周报被老师嫌写得不详细，要求写得更明白些。“你这样写只有我能看懂，换另一个人还能看懂吗？” 周报的范文是我旁边的准博士同学做的，写了十几页纸，是写自己一周内读的两篇文章的总结。我读文章一直是比较看重方法而不重视实验结果等部分，方法的难点在周报中写得透彻了，我以为老师会支持，哪知事与愿违。

今天读了一篇经典文章，文章中提出了OMP算法，思路简单明确，实现容易。

假设输入的字典为$\Phi=[\phi_1,\phi_2,\dots,\phi_N]$， $\phi_i\in \mathbb{R}^d$。Measurement向量 $v\in\mathbb{R}^N$。求解的是稀疏度为$m$的信号$s$，使得$\Phi s=v$。这个过程还包括“字典选取的过程”，也即统计学中的“模型选取”，即在$N$个元素中选取$m$个。

1. 初始化残差$r_0=v$，选取元素索引集$\Lambda_0=\emptyset$，$t=1$；
2. 寻找与残差相关性最大的字典元素：$\lambda _t=arg\max_j<r_{t-1},\phi_j>$；
3. 更新字典：$\Phi_t=[\Phi_{t-1},\phi_{\lambda_t}]$, $\Lambda_t=[\Lambda_{t-1},\lambda_t]$
4. 求解Least square问题：$x_t=arg\min_{x}||v-\Phi_t x||_2$
5. 更新残差：$r_t=v-\Phi_t x_t$

文章采用了贪心的思想，每次选取一个与当前残差相关性最大的字典元素。这种方法思路很简单，文章后面给出了很多更严谨的证明。我知道字典学习的K-SVD算法也应用了OMP算法进行sparse-coding，明天打算看看这篇文章。

之前的实验成果马上就要使用了，所以后面又要做一些数据。整个过程还是让人比较疲劳的。

我知道，天性以及长时间的习惯，使我比较喜欢想到哪儿写到哪，“随意而安”。这不是科研这种严谨的工作所应该有的态度。

除了读一篇文章以外，我今天还做了几道简单的编程题，干了一大堆实验室杂活。到现在感觉十分疲劳，晚上也6点半多才吃的饭。