基于限制等距性质阈值机制的匹配追踪算法

为提高贪婪算法重构精度,提出带有回溯机制的基于限制等距性质阈值匹配追踪算法（restricted isometry proper‐tity‐based threshold mechanism MP ,RIPTMP）。每次迭代包含原子添加和原子删减两个步骤,在原子添加步骤中,根据RIP和残差能量条件添加原子;在原子删减步骤中,分析 RIP和残差条件,找出可能错误原子,原子选择过程是自适应的。实验结果表明,在一定条件下,该算法重构精度高于正交匹配追踪算法（orthogonal matching pursuit ,OMP）、子空间匹配算法（subspace pursuit ,SP）、基追踪算法（basis pursuit ,BP）和前向后向追踪算法（forward‐backward pursuit , FBP）等算法。     

CSMP:基于约束等距的压缩感知匹配追踪

压缩感知包括压缩采样与稀疏重构,是一种计算欠定线性方程组稀疏解的方法.大规模快速重构方法是压缩感知的研究热点.提出一种匹配追踪算法CSMP,采用迭代式框架和最佳s项逼近以逐步更新信号的支集与幅度.基于约束等距性质进行收敛分析,算法收敛的充分条件为3s阶约束等距常数小于0.23,松弛了匹配追踪重构s稀疏信号的约束等距条件,加快了收敛速度.为适用于大规模稀疏信号重构,提供了可进行随机投影测量子集与稀疏基子集选择的矩阵向量乘算子,可利用离散余弦变换与小波变换,避免了大规模矩阵的显式存储.在220随机支集的稀疏高斯信号,512×512Lenna图像上进行压缩采样与稀疏重构实验并与其他算法进行比较,结果表明所提算法快速稳健,适用于大规模稀疏信号重构.     

稀疏随机矩阵的观测次数下界

压缩感知理论中的稀疏重构问题,要将一个高维信号从它的低维投影中恢复出来,通常选用稠密随机矩阵作为观测矩阵来解决这一问题。而某些稀疏随机矩阵作为观测矩阵也可以达到这一目的。稀疏随机矩阵的特点是,在编码和重构过程中都具有较低的计算复杂度,更新方便,且对存储容量的要求较低。该文基于压缩感知理论,分别对列重固定、行重固定以及一般的稀疏随机矩阵进行了研究,当这些稀疏随机矩阵满足有限等距性质时,推导了观测次数应满足的下界条件,并对三种矩阵的性能进行了分析。以二值稀疏随机矩阵为特例,进行了仿真实验。实验结果显示,结论给出的观测次数下界是比较紧的,并验证了列重固定、行重固定的稀疏随机矩阵作为观测矩阵的可行性和实用性。      

压缩感知中限制等距常数的一个界

限制等距常数(Restricted Isometry Constant,RIC)在压缩感知中起重要作用.因为如果RIC满足某种界,则无噪声稀疏信号能被精确恢复,并且噪声稀疏信号能被平稳估计.近几年来,RIC的某些界已经得到,文献[1-5]给出了RICδ2k的界分别为0.414 2,0.453 1,0.465 2,0.472 1,0.473 4和0.493 1.文献[6-8]给出了RICδk的界分别为0.307,0.308.这里给出δ2k和δk的二次型界,并且证明文献[5]的一个结果是本文定理1的特例.     

一种贪婪自适应压缩感知重构

为了优化压缩采样匹配追踪算法的性能,提出一种压缩采样修正匹配追踪贪婪自适应算法.该算法采用了具有理论保证的模糊阈值预选方案以避免预选时使用信号的先验信息,设置了初次裁剪门限以减少不必要的迭代,改进了裁剪方式以尽可能地提高重构精度,同时避免了裁剪阶段使用先验信息,最终实现了可压缩信号的自适应重构.仿真结果表明:在同等稀疏条件下实现了精确重构,该算法与原算法相比运算速度提高了2倍,所需观测值个数少1%,并且在稀疏度较高的情况下,该算法对噪声的抗干扰能力也优于原算法.     

贪婪算法与压缩感知理论

贪婪算法以其重建速度快、重建方法实现简便的特点在压缩感知(Compressed sensing, CS)理论中获得了广泛的应用. 本文首先介绍压缩感知的基本理论;然后,着重介绍现有几种重要的贪 婪重建算法,包括MP, OMP, IBOOMP, StOMP, SP, ROMP和CoSaMP等, 详细给出每种算法的数学框架和本质思想,着重从最优匹配原子的选择策略和残差信号的更新 方式这两个方面对各种算法进行对比分析,以限制等容常数为条件讨论各种算法在实现重建时的性能,包括重建时间、 重建的稳定性等;最后,通过模拟实验进一步验证了 各种算法的重建效果,同时模拟实验结果还进一步得出各种算法的重建效果与待重建信号 本身的稀疏度及测量次数这三者之间的关系,这也为新的更优算法的提出打下理论基础.     

结合谱变换和马尔可夫模型的三维形状对齐

针对大尺度变形下的三维形状对齐问题,提出根据三维形状的等距性构造马尔可夫能量最小化模型,得到最优对齐结果。算法对三维模型进行谱变换,在变换空间中对三维模型进行初始化对齐。以谱距离和测地距离分别定义马尔可夫模型的单点势能函数和点对势能函数,形成可用于形状对齐的能量最小化模型。通过Alpha扩展算法对模型进行求解,得到最终的对齐结果。实验结果表明,算法在大尺度变形和拓扑变化等情况都能够输出很好的对齐结果。     

A performance comparison of measurement matrices in compressive sensing

Compressive sensing involves 3 main processes: signal sparse representation, linear encoding or measurement collection, and nonlinear decoding or sparse recovery. In the measurement process, a measurement matrix is used to sample only the components that best represent the signal. The choice of the measurement matrix has an important impact on the accuracy and the processing time of the sparse recovery process. Hence, the design of accurate measurement matrices is of vital importance in compressive sensing. Over the last decade, a number of measurement matrices have been proposed. Therefore, a detailed review of these measurement matrices and a comparison of their performances are strongly needed. This paper explains the foundation of compressive sensing and highlights the process of measurement by reviewing the existing measurement matrices. It provides a 3‐level classification and compares the performance of 8 measurement matrices belonging to 4 different types using 5 evaluation metrics: the recovery error, processing time, recovery time, covariance, and phase transition diagram. The theoretical performance comparison is validated with experimental results, and the results show that the Circulant, Toeplitz, and Hadamard matrices outperform the other measurement matrices.     

A new approach of conditions on for s-sparse recovery δ2s（φ）

In this paper, we provide a unified expression to obtain the conditions on the restricted isometry constant δ2s（φ）. These conditions cover the important results proposed by Candes et al. and each of them is a sufficient condition for sparse signal recovery. In the noiseless case, when δ2s（φ） satisfies any one of these conditions, the s-sparse signal can be exactly recovered via （11） constrained minimization.