压缩感知优化问题(下)

述为:

:是待恢复稀疏信号; :是观测信号。 :是观测矩阵;

 是用 算x中

求线性系统 最稀 解,通过观测矩 将高维 号压 低维 号,从而达到
降低恢复 信号 采样 的 。

在某中信号x本身并不是的,但在稀疏基矩阵,辅助变换,z稀疏

 l_0范数的存在,这个问题是一个NP-hard问题,通所有稀疏解.

题来 寻求 解 , 其中 基追踪算法(BP)是 法 。 BP 算法通过将NP-hard的 l_0  联系,l_0范数替换为 l_1范数问题 ,从而使用线性规划的方式来求解该问题:

即将目标函数中的为单位球凸包络

米波 道矩 有低秩的 矩阵 性。

 矩阵极小化题是l_0范数极小矩阵推广

其中 为线性映射。矩阵补全问题

是矩秩极问题的一个特例。是索引(i,j)的一个子集。

的一小部 分矩阵元素 未知 题。

 函数:通常是NP-hard题;用rank(X)的凸包络来代替它本身;

 核范数在集合包络,用核范数作为的近似值,得到核范数的最小化问题:

 考虑噪声项:

 信道增益矩阵阵元数为 p ,定义该矩阵中零值的个数为L,定义接 收信号矩阵Y的秩为

在第 一 阶段首先的低秩性得到一 个估计的矩阵,阶段计的条件,结合毫米波信道的稀疏性得到最终的信道估计结果,信道估计问题转化为解决下列两个凸问题。

 毫米波如下约束题:

 实际取值道的信道路径关。

由于观测到的信道矩阵具有较大的维数,因此其产生了非常高的复杂度,这可能是禁止的并且难以在实际系统中实现。为了降低估计复杂度,子采样方法适于仅使用观察到的接收信号的一部分。我们采用随机采样通过合路器的信号,只输出部分观测信号的接收结构,Ω是由K个1组成的采样二进制矩阵,Ω表示Hadamard积。

在这里,我们提出了一种新的低秩信道近似算法,它考虑到毫米波信道的低秩和稀疏特性。核范数表示为矩阵奇异值之和,是矩阵秩函数的最紧凸下界。我们的目标是恢复接收信号矩阵和估计信道。核范数和1范数最小化问题可以公式化为:

其中核范数赋予其低秩性质,的1-范数赋予其稀疏结构。是Y的子采样矩阵,δ是可容忍误差。此外,τY和τz是通常取决于毫米波通信系统的传播路径的数量的加权因子。

ADMM Based Channel Estimation Algorithm

为了克服这个困难,我们引入两个辅助矩阵变量q和X,以以下等价形式重新表达(P1)的目标优化问题:

 增广拉格朗日函数

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值