![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
压缩感知
文章平均质量分 74
闪电gogogo
这个作者很懒,什么都没留下…
展开
-
CS重构之CoSaMP
压缩采样匹配追踪(CompressiveSampling MP)是D. Needell继ROMP之后提出的又一个具有较大影响力的重构算法。CoSaMP也是对OMP的一种改进,每次迭代选择多个原子,除了原子的选择标准之外,它有一点不同于ROMP:ROMP每次迭代已经选择的原子会一直保留,而CoSaMP每次迭代选择的原子在下次迭代中可能会被抛弃。在这之前先读了下参考论文[1],论文前面还是看得懂一原创 2017-04-13 21:47:45 · 2503 阅读 · 4 评论 -
压缩感知“Hello World”代码初步学习
1. 原始信号f是什么?我采集的是原始信号f还是y = Af得到的y?记原始信号为f,我们在sensor方得到的原始信号就是n*1的信号f,而在receiver方采集到的信号是y。原创 2017-06-20 11:26:56 · 2539 阅读 · 2 评论 -
有限等距性质RIP
参考博客:http://blog.csdn.net/jbb0523/article/details/44565647压缩感知测量矩阵之有限等距性质(Restricted Isometry Property,RIP)》定义 不同的文献对RIP定义的表达不同,详细可参考博客中的定义,在这里选取一种自己比较能理解的定义,如下所示:!!!重点,RIP是对原创 2017-07-20 11:23:49 · 2094 阅读 · 1 评论 -
P问题、NP问题、NPC问题
看师兄们的论文经常说一句这是个NP难问题,所以采用另外一种方法来代替(比如凸松弛,把l0范数的问题松弛为l1范数的问题来求解)。然后搜索了相关知识,也还是没看太懂,把一些理论知识先贴上来,希望以后再接触到会有更好的理解。参考来源:http://blog.csdn.net/jbb0523/article/details/40710449》简要介绍(简单介绍了相关概念和从属原创 2017-07-13 09:59:52 · 1983 阅读 · 1 评论 -
压缩感知中的数学知识:稀疏、范数、符号arg min
本次说三个问题:1、稀疏2、范数3、符号arg min前面两个问题从矩阵理论的书籍中应该可以找到,最后一个问题从最优化类的书籍中应该可以找到。=========================以下为正文=========================1、稀疏:什么是K稀疏呢?在压缩感知里经常提到 “K稀疏” 的概念,这个是很容易理解的:也就是对于长度为N的向量转载 2017-07-03 11:07:08 · 627 阅读 · 1 评论 -
关于压缩感知的一些小原理
压缩感知(CompressiveSensing, or Compressed Sensing)或译为压缩传感,或者称为压缩采样(Compressive sampling),以下统称压缩感知,简称CS。 在压缩感知的有关文献中几乎都在说“压缩感知突破了传统的Nquist/Shannon抽样定理的限制,它摒弃了传统压缩系统先以Nyquist采样速率采样再压缩的方法,而是边采原创 2017-07-01 10:51:24 · 900 阅读 · 0 评论 -
非凸问题与凸问题求解
》凸优化的好处1)如果一个实际的问题可以被表示成凸优化问题,那么我们就可以认为其能够得到很好的解决。2)还有的问题不是凸优化问题,但是凸优化问题同样可以在求解该问题中发挥重要的左右。比如松弛算法和拉格朗日松弛算法,将非凸的限制条件松弛为凸限制条件。3)对于凸优化问题来说,局部最优解就是全局最优解。4)若f(x)在非空可行集原创 2017-06-19 21:16:38 · 19864 阅读 · 6 评论 -
稀疏分解中的MP与OMP算法
MP:matching pursuit匹配追踪OMP:正交匹配追踪主要介绍MP与OMP算法的思想与流程,解释为什么需要引入正交?!!今天发现一个重大问题,是在读了博主的正交匹配追踪(OMP)在稀疏分解与压缩感知重构中的异同,http://blog.csdn.net/jbb0523/article/details/45100659之后一脸懵逼,CS中的稀疏表示不就原创 2017-04-12 15:11:57 · 40677 阅读 · 14 评论 -
压缩感知中的lp球:p范数最优化为什么总会导致一个稀疏的解的原因
题目: 压缩感知中的lp球:p范数最优化为什么总会导致一个稀疏的解的原因================问题的引出================压缩感知中为了解释0范数或1范数最优化为什么总会导致一个稀疏解的原因在解释时经常使用lp球与直线的交点去解释,下面论文中就是这样子解释的:戴琼海,付长军,季向阳.压缩感知研究[J].计算机学报,2011,34(3):425-434.在上转载 2017-07-26 10:25:03 · 1309 阅读 · 0 评论