压缩感知重构算法--MMP-BF和MMP-DF算法及其改进思路

MMP算法提出的文献：

Multipath Matching Pursuit----IEEE TRANSACTIONS ON INFORMATION THEORY
文章的作者也是gOMP算法的作者，现在在复旦大学任教

主要贡献：文章将传统贪婪算法的原子选择问题建模为组合树的搜索问题，为原子选择提供了新的思路。

在传统贪婪算法的改进中，不外乎以下几个方面：调整原子选择策略，调整原子相似性的准则等

其中调整原子选择策略又分为以下几种：

每次迭代选择单个原子（OMP），每次迭代选择多个原子（如：选择K个的CoSaMP算法，选择2K个的SP算法，选择S个的gOMP算法），通过阈值门限来进行原子选择，这样保证了每次迭代原子选择的灵活性，阈值则更贴近于观测矩阵和残差的内积变化规律（StOMP算法，SWOMP算法，TOMP算法等等）

在原子选择过程中，许多单向执行的算法可以结合CoSaMP算法中的回溯思想，来进一步提高重构精度。

在有步长设置的算法中，如何设置步长大小，是固定步长还是变步长，如果变的话，该如何改变，到目前为止均有学者做研究。而以上提到的算法都有一个共同的问题，就是只有一个候选集，单个候选集的原子选择模式会使得问题陷入局部最优解。而设置多个候选集则增大了搜索空间，提高了原子被正确选择的概率。这也是MMP算法的核心思想所在。

在论文中，作者提出了两种算法:MMP-DF和MMP-BF，分别是基于广度优先和深度优先的搜索策略。

所谓基于广度优先的多路径匹配追踪算法MMP-BF，顾名思义，我们在每次迭代的过