版权声明:本文为博主原创文章,转载请注明出处,谢谢!
原文:http://blog.csdn.net/jbb0523/article/details/45690421
题目:压缩感知重构算法之稀疏度自适应匹配追踪(SAMP)
鉴于前面所述大部分OMP及其前改算法都需要已知信号的稀疏度K,而在实际中这个一般是不知道的,基于此背景,稀疏度自适应匹配追踪(Sparsity Adaptive MP)被提出。
0、符号说明如下:
压缩观测y=Φx,其中y为观测所得向量M×1,x为原信号N×1(M<<N)。x一般不是稀疏的,但在某个变换域Ψ是稀疏的,即x=Ψθ,其中θ为K稀疏的,即θ只有K个非零项。此时y=ΦΨθ,令A=ΦΨ,则y=Aθ。
(1) y为观测所得向量,大小为M×1
(2)x为原信号,大小为N×1
(3)θ为K稀疏的,是信号在x在某变换域的稀疏表示
(4) Φ称为观测矩阵、测量矩阵、测量基,大小为M×N
(5) Ψ称为变换矩阵、变换基、稀疏矩阵、稀疏基、正交基字典矩阵,大小为N×N
(6)A称为测度矩阵、传感矩阵、CS信息算子,大小为M×N
上式中,一般有K<<M<<N,后面三个矩阵各个文献的叫法不一,以后我将Φ称为测量矩阵、将Ψ称为稀疏矩阵、将A称为传感矩阵。
注意:这里的稀疏表示模型为x=Ψθ,所以传感矩阵A=ΦΨ;而有些文献中稀疏模型为θ=Ψx,而一般Ψ为Hermite矩阵(实矩阵时称为正交矩阵)所以Ψ-1=ΨH(实矩阵时为Ψ-1=ΨT),即x=ΨHθ,所以传感矩阵A=ΦΨH,例如沙威的OMP例程中就是如此。1、SAMP重构算法流程:
以上这个算法流程仅供参考,完全是为了与前面各算法流程形式上保持一致而写的,其实直接看文献[1]中的流程图更明了一些:
2、稀疏度自适应匹配追踪(SAMP)Matlab代码(CS_SAMP.m)
代码参考了文献[2]中的SAMP.m,也可在www.pudn.com中搜索SAMP,可以搜到很多结果。也许这里程序主循环用while循环比较合适,不过这里保持和前面各算法的一致性,仍用for循环。
- function [ theta ] = CS_SAMP( y,A,S )
- %CS_SAMP Summary of this function goes here
- %Version: 1.0 written by jbb0523 @2015-05-08
- % Detailed explanation goes here
- % y = Phi * x
- % x = Psi * theta
- % y = Phi*Psi * theta
- % 令 A = Phi*Psi, 则y=A*theta
- % 现在已知y和A,求theta
- % Reference:Thong T.Do,Lu Gan,Nam Nguyen,Trac D.Tran.Sparsity adaptive
- % matching pursuit algorithm for practical compressed sensing[C].Asilomar
- % Conference on Signals,Systems,and Computers,Pacific Grove,California,
- % 2008,10:581-587.
- % Available at:
- % http://dsp.rice.edu/sites/dsp.rice.edu/files/cs/asilomar08_final.pdf
- [y_rows,y_columns] = size(y);
- if y_rows<y_columns
- y = y';%y should be a column vector
- end
- [M,N] = size(A);%传感矩阵A为M*N矩阵
- theta = zeros(N,1);%用来存储恢复的theta(列向量)
- Pos_theta = [];%用来迭代过程中存储A被选择的列序号
- r_n = y;%初始化残差(residual)为y
- L = S;%初始化步长(Size of the finalist in the first stage)
- Stage = 1;%初始化Stage
- IterMax = M;
- for ii=1:IterMax%最多迭代M次
- %(1)Preliminary Test
- product = A'*r_n;%传感矩阵A各列与残差的内积
- [val,pos]=sort(abs(product),'descend');%降序排列
- Sk = pos(1:L);%选出最大的L个
- %(2)Make Candidate List
- Ck = union(Pos_theta,Sk);
- %(3)Final Test
- if length(Ck)<=M
- At = A(:,Ck);%将A的这几列组成矩阵At
- else
- theta_ls=0;
- break;
- end
- %y=At*theta,以下求theta的最小二乘解(Least Square)
- theta_ls = (At'*At)^(-1)*At'*y;%最小二乘解
- [val,pos]=sort(abs(theta_ls),'descend');%降序排列
- F = Ck(pos(1:L));
- %(4)Compute Residue
- %A(:,F)*theta_ls是y在A(:,F)列空间上的正交投影
- theta_ls = (A(:,F)'*A(:,F))^(-1)*A(:,F)'*y;
- r_new = y - A(:,F)*theta_ls;%更新残差r
- if norm(r_new)<1e-6%halting condition true
- Pos_theta = F;
- %r_n = r_new;%更新r_n以便输出最新的r_n
- break;%quit the iteration
- elseif norm(r_new)>=norm(r_n)%stage switching
- Stage = Stage + 1;%Update the stage index
- L = Stage*S;%Update the size of finalist
- if ii == IterMax%最后一次循环
- Pos_theta = F;%更新Pos_theta以与theta_ls匹配,防止报错
- end
- %ii = ii - 1;%迭代次数不更新
- else
- Pos_theta = F;%Update the finalist Fk
- r_n = r_new;%Update the residue
- end
- end
- theta(Pos_theta)=theta_ls;%恢复出的theta
- end
3、SAMP单次重构测试代码
以下测试代码基本与OMP单次重构测试代码一样。
- %压缩感知重构算法测试
- clear all;close all;clc;
- M = 128;%观测值个数
- N = 256;%信号x的长度
- K = 30;%信号x的稀疏度
- Index_K = randperm(N);
- x = zeros(N,1);
- x(Index_K(1:K)) = 5*randn(K,1);%x为K稀疏的,且位置是随机的
- Psi = eye(N);%x本身是稀疏的,定义稀疏矩阵为单位阵x=Psi*theta
- Phi = randn(M,N)/sqrt(M);%测量矩阵为高斯矩阵
- A = Phi * Psi;%传感矩阵
- y = Phi * x;%得到观测向量y
- %% 恢复重构信号x
- tic
- theta = CS_SAMP( y,A,5);
- x_r = Psi * theta;% x=Psi * theta
- toc
- %% 绘图
- figure;
- plot(x_r,'k.-');%绘出x的恢复信号
- hold on;
- plot(x,'r');%绘出原信号x
- hold off;
- legend('Recovery','Original')
- fprintf('\n恢复残差:');
- norm(x_r-x)%恢复残差
运行结果如下:(信号为随机生成,所以每次结果均不一样)
1)图:
2)Command windows
Elapsed time is 0.079620 seconds.
恢复残差:
ans=
1.3008e-014
4、稀疏度K与重构成功概率关系曲线绘制例程代码
以下测试代码为了与文献[1]的Fig.5(a)作比较。由于暂未研究学习LP算法,所以相比于文献[1]的Fig.5(a)缺少LP算法曲线。另外,本人的ROMP性能不如各文献中的ROMP,不知是不是算法理解有误。
- clear all;close all;clc;
- %% 参数配置初始化
- CNT = 1000;%对于每组(K,M,N),重复迭代次数
- N = 256;%信号x的长度
- Psi = eye(N);%x本身是稀疏的,定义稀疏矩阵为单位阵x=Psi*theta
- M_set = [128];%测量值集合
- KIND = ['OMP ';'ROMP ';'StOMP ';'SP ';'CoSaMP ';...
- 'SAMP,s=1 ';'SAMP,s=5 ';'SAMP,s=10'];
- Percentage = zeros(N,length(M_set),size(KIND,1));%存储恢复成功概率
- %% 主循环,遍历每组(K,M,N)
- tic
- for mm = 1:length(M_set)
- M = M_set(mm);%本次测量值个数
- K_set = 10:5:70;%信号x的稀疏度K没必要全部遍历,每隔5测试一个就可以了
- %存储此测量值M下不同K的恢复成功概率
- PercentageM = zeros(size(KIND,1),length(K_set));
- for kk = 1:length(K_set)
- K = K_set(kk);%本次信号x的稀疏度K
- P = zeros(1,size(KIND,1));
- fprintf('M=%d,K=%d\n',M,K);
- for cnt = 1:CNT %每个观测值个数均运行CNT次
- Index_K = randperm(N);
- x = zeros(N,1);
- x(Index_K(1:K)) = 5*randn(K,1);%x为K稀疏的,且位置是随机的
- Phi = randn(M,N)/sqrt(M);%测量矩阵为高斯矩阵
- A = Phi * Psi;%传感矩阵
- y = Phi * x;%得到观测向量y
- %(1)OMP
- theta = CS_OMP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(1) = P(1) + 1;
- end
- %(2)ROMP
- theta = CS_ROMP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(2) = P(2) + 1;
- end
- %(3)StOMP
- theta = CS_StOMP(y,A);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(3) = P(3) + 1;
- end
- %(4)SP
- theta = CS_SP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(4) = P(4) + 1;
- end
- %(5)CoSaMP
- theta = CS_CoSaMP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(5) = P(5) + 1;
- end
- %(6)SAMP,s=1
- theta = CS_SAMP(y,A,1);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(6) = P(6) + 1;
- end
- %(7)SAMP,s=5
- theta = CS_SAMP(y,A,5);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(7) = P(7) + 1;
- end
- %(8)SAMP,s=10
- theta = CS_SAMP(y,A,10);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(8) = P(8) + 1;
- end
- end
- for iii = 1:size(KIND,1)
- PercentageM(iii,kk) = P(iii)/CNT*100;%计算恢复概率
- end
- end
- for jjj = 1:size(KIND,1)
- Percentage(1:length(K_set),mm,jjj) = PercentageM(jjj,:);
- end
- end
- toc
- save KtoPercentage1000SAMP %运行一次不容易,把变量全部存储下来
- %% 绘图
- S = ['-ks';'-ko';'-yd';'-gv';'-b*';'-r.';'-rx';'-r+'];
- figure;
- for mm = 1:length(M_set)
- M = M_set(mm);
- K_set = 10:5:70;
- L_Kset = length(K_set);
- for ii = 1:size(KIND,1)
- plot(K_set,Percentage(1:L_Kset,mm,ii),S(ii,:));%绘出x的恢复信号
- hold on;
- end
- end
- hold off;
- xlim([10 70]);
- legend('OMP','ROMP','StOMP','SP','CoSaMP',...
- 'SAMP,s=1','SAMP,s=5','SAMP,s=10');
- xlabel('Sparsity level K');
- ylabel('The Probability of Exact Reconstruction');
- title('Prob. of exact recovery vs. the signal sparsity K(M=128,N=256)(Gaussian)');
本程序在联想ThinkPadE430C笔记本(4GBDDR3内存,i5-3210)上运行共耗时1591.830781秒,程序中将所有数据均通过“save KtoPercentage1000SAMP”存储了下来,以后可以再对数据进行分析,只需“load KtoPercentage1000SAMP”即可。
本程序运行结果:
参考文献[1]中的Fig.4(a):
5、测量数M与重构成功概率关系曲线绘制例程代码
以下测试代码为了与文献[1]的Fig.4(a)作比较。由于暂未研究学习LP算法,所以相比于文献[1]的Fig.4(a)缺少LP算法曲线。另外,本人的ROMP性能不如各文献中的ROMP,不知是不是算法理解有误。
- clear all;close all;clc;
- %% 参数配置初始化
- CNT = 1000;%对于每组(K,M,N),重复迭代次数
- N = 256;%信号x的长度
- Psi = eye(N);%x本身是稀疏的,定义稀疏矩阵为单位阵x=Psi*theta
- K_set = [20];%信号x的稀疏度集合
- KIND = ['OMP ';'ROMP ';'StOMP ';'SP ';'CoSaMP ';...
- 'SAMP,s=1 ';'SAMP,s=5 ';'SAMP,s=10'];
- Percentage = zeros(N,length(K_set),size(KIND,1));%存储恢复成功概率
- %% 主循环,遍历每组(K,M,N)
- tic
- for kk = 1:length(K_set)
- K = K_set(kk);%本次稀疏度
- M_set = 50:5:100;%M没必要全部遍历,每隔5测试一个就可以了
- %存储此稀疏度K下不同M的恢复成功概率
- PercentageK = zeros(size(KIND,1),length(M_set));
- for mm = 1:length(M_set)
- M = M_set(mm);%本次观测值个数
- P = zeros(1,size(KIND,1));
- fprintf('M=%d,K=%d\n',M,K);
- for cnt = 1:CNT %每个观测值个数均运行CNT次
- Index_K = randperm(N);
- x = zeros(N,1);
- x(Index_K(1:K)) = 5*randn(K,1);%x为K稀疏的,且位置是随机的
- Phi = randn(M,N)/sqrt(M);%测量矩阵为高斯矩阵
- A = Phi * Psi;%传感矩阵
- y = Phi * x;%得到观测向量y
- %(1)OMP
- theta = CS_OMP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(1) = P(1) + 1;
- end
- %(2)ROMP
- theta = CS_ROMP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(2) = P(2) + 1;
- end
- %(3)StOMP
- theta = CS_StOMP(y,A);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(3) = P(3) + 1;
- end
- %(4)SP
- theta = CS_SP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(4) = P(4) + 1;
- end
- %(5)CoSaMP
- theta = CS_CoSaMP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(5) = P(5) + 1;
- end
- %(6)SAMP,s=1
- theta = CS_SAMP(y,A,1);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(6) = P(6) + 1;
- end
- %(7)SAMP,s=5
- theta = CS_SAMP(y,A,5);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(7) = P(7) + 1;
- end
- %(8)SAMP,s=10
- theta = CS_SAMP(y,A,10);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P(8) = P(8) + 1;
- end
- end
- for iii = 1:size(KIND,1)
- PercentageK(iii,mm) = P(iii)/CNT*100;%计算恢复概率
- end
- end
- for jjj = 1:size(KIND,1)
- Percentage(1:length(M_set),kk,jjj) = PercentageK(jjj,:);
- end
- end
- toc
- save MtoPercentage1000SAMP %运行一次不容易,把变量全部存储下来
- %% 绘图
- S = ['-ks';'-ko';'-yd';'-gv';'-b*';'-r.';'-rx';'-r+'];
- figure;
- for kk = 1:length(K_set)
- K = K_set(kk);
- M_set = 50:5:100;
- L_Mset = length(M_set);
- for ii = 1:size(KIND,1)
- plot(M_set,Percentage(1:L_Mset,kk,ii),S(ii,:));%绘出x的恢复信号
- hold on;
- end
- end
- hold off;
- xlim([50 100]);
- legend('OMP','ROMP','StOMP','SP','CoSaMP',...
- 'SAMP,s=1','SAMP,s=5','SAMP,s=10');
- xlabel('No. of Measurements');
- ylabel('The Probability of Exact Reconstruction');
- title('Prob. of exact recovery vs. the number of measurements(K=20,N=256)(Gaussian)');
本程序在联想ThinkPadE430C笔记本(4GBDDR3内存,i5-3210)上运行共耗时373.898668秒,程序中将所有数据均通过“save SAMPMtoPercentage1000”存储了下来,以后可以再对数据进行分析,只需“load SAMPMtoPercentage1000”即可。
本程序运行结果:
参考文献[1]中的Fig.5(a):
6、结语
读几遍SAMP的被提出的参考文献[1]的题目:Sparsity adaptive matching pursuit algorithm for practical compressed sensing,注意后面的“for practical compressed sensing”,这也就解释了很多网友的疑问,程序中的信号直接假设是稀疏的,但现实中的信号都不知道稀疏度是多少啊?前面大部分重构算法都要求输入稀疏度K,那怎么办呢?这时SAMP出场了,它是专为了“practical compressed sensing”而提出的,因为现实中的信号一般稀疏度未知或者说不是严格稀疏的,所要需要稀疏度自适应的算法,也就是SAMP了。
另外在测试时发现前面的CoSaMP有缺陷,因此对此进行了更新,在主循环中加入了:
- if kk == 1
- theta_ls = 0;
- end
以防止第1就跳出循环导致theta_ls未定义,其它地方未改。
参考文献:
[1]Thong T.Do,Lu Gan,NamNguyen,Trac D.Tran.Sparsityadaptive matching pursuit algorithm for practical compressed sensing[C].AsilomarConference on Signals,Systems,andComputers,Pacific Grove,California,2008,10:581-587.
(Availableat: http://dsp.rice.edu/sites/dsp.rice.edu/files/cs/asilomar08_final.pdf)
[2]付自杰.cs_matlab. http://www.pudn.com/downloads641/sourcecode/math/detail2595379.html
[3]杨真真,杨震,孙林慧.信号压缩重构的正交匹配追踪类算法综述[J]. 信号处理,2013,29(4):486-496.
-
顶
- 0
-
踩