✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
1. Problem
信号压缩是是目前信息处理领域非常成熟的技术,其主要原理是利用信号的稀疏性。一个稀疏信号的特征是,信号中有且仅有少量的位置是有值的,其它位置都是零。对于一个稀疏的信号,在存储时只需要记录有值的位置,从而实现对原始信号的压缩。
对于原本不稀疏的信号,可以利用一种字典(正交变换基,例如傅里叶、小波)对信号进行线性表示,得到原始信号在这个稀疏域上的稀疏表示系数,只需要记录这些少量的系数就能够实现对信号的压缩存储。
在信号重建时,首先对信号补零得到原始维度的信号,由于采用的变换字典是正交的,可以通过正交的变换得到原始信号。
压缩感知与传统的信号压缩有着异曲同工之妙,而不同之处在于,压缩感知的信号压缩过程是将原始的模拟信号直接进行压缩(采样即压缩)。而传统信号压缩通常是先将信号采样后再进行压缩(采样后压缩),这种压缩方式的主要问题在于采用较高的采样资源将信号采集后,又在信号压缩过程将费尽心思采集到的信号丢弃了,从而造成资源的浪费1。
以经典的图像采集为例,对于一副$m\times n$的图像信号$I$进行采集,根据正交变换的思想,至少要对其进行$N=m\times n$次采样才能够得到这副图像。
若该图像是稀疏的,根据压缩感知理论,可以至少进行$M$次采样就能够采集到该信号,其中$M<<N$,$M$的值有信号的稀疏性决定。
2. Formulation
一个压缩感知采样过程可以表示为
$Ax=b+e\tag{1}$
其中, $A\in \mathbb R^{M\times N}$ 表示观测矩阵, $x\in \mathbb R^{N\times 1}$ 表示 $I\in \mathbb R^{m\times n}$ 的向量形式, $b\in \mathbb R^{M\times 1}$ 表示测量向量, $e\in \mathbb R^{M\times 1}$ 表示测量噪声。可以看到,一个 $N$ 维的信号在采样过程中被压缩成 $M$ 维的信号,这里的M<N。
信号重构过程可以表示为一个优化问题,利用信号的梯度稀疏性质,可以构建目标函数:
$\min_x\ ||Dx||_1\ s.t. \ Ax=b+e\tag{2}$
其中, $x$ 为待求解信号, $D$ 为全变分算子2。去除约束有
$\min_x \ \lambda||Dx||_1+\frac12 ||Ax-b||^2_2\tag{3}$
该问题是一个非凸、不光滑问题,无法直接采用梯度下降法求解。引入变量 $d$ ,将问题(3)转化为ADMM的一般形式3
$\min_x \frac12 ||Ax-b||^2_2+\lambda||d||_1 \ \ s.t.\ \ Dx-d=0\tag{4}$
利用增广拉格朗日法引入凸松弛,同时去除约束条件,有
$L(x,d,\mu)=\frac12 ||Ax-b||^2_2+\lambda||d||_1+\mu^T(Dx-d)+\frac \delta 2||Dx-d||^2_2\tag{5}$
其中 $\mu$ 为拉格朗日乘子, $\delta>0$ 为拉格朗日惩罚项。为了使表达更简洁,可做如下替换:
$L(x,d,\mu)=\frac12 ||Ax-b||^2_2+\lambda||d||1+\frac \delta 2||Dx-d+p||^2_2-\frac \delta 2||p||2^2\tag{6}$
其中 $p=\mu / \delta$ 。利用ADMM,问题(6)的求解可通过交替求解以下三个问题进行实现:
$x_{n+1}=arg\,\min_x\ \frac12 ||Ax-b||^2_2+\frac \delta 2||Dx-d_n+p_n||^2_2\tag{7}$
$d{n+1}=arg\,\min_u\ \lambda||d||1+\frac \delta 2||Dx_n-d+p_n||^2_2\tag{8}$
$p{n+1}=p_n+(Dx{n+1}-d_{n+1})\tag{9}$
⛳️ 运行结果
🔗 参考文献
[1] Baraniuk, Richard G. "Compressive sensing [lecture notes]." IEEE signal processing magazine 24.4 (2007): 118-121.
[2] Rudin, Leonid I., Stanley Osher, and Emad Fatemi. "Nonlinear total variation based noise removal algorithms." Physica D: nonlinear phenomena 60.1-4 (1992): 259-268.
[3] Boyd, Stephen, et al. "Distributed optimization and statistical learning via the alternating direction method of multipliers." Foundations and Trends® in Machine learning 3.1 (2011): 1-122.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类