低存储化压缩感知
目的 非相关观测是压缩感知(CS)理论中的关键因素.高斯随机矩阵作为一种普适的CS非相关观测矩阵,在压缩感知中得到广泛的研究与应用.但在实际应用中,却存在实际内存占用较多,不适应大规模应用的问题.为寻求降低随机观测矩阵所需的存储空间,提出一种基于半张量积的压缩感知方法,利用该方法可以成倍地降低观测矩阵所需的存储空间.方法 该方法利用半张量积理论,构建降维随机观测矩阵,实现对原始信号的随机观测,并采用lq(0<q<1)范数的迭代重加权最小二乘法进行重构,从而得到稀疏信号的估计值.结果 仿真实验分别采用1维稀疏信号和2维图像信号进行了测试,并从重构概率、迭代收敛速度、重构信号的峰值信噪比等角度进行了测试和比较.通过不同大小的随机观测矩阵比较验证表明,采用降维后观测矩阵进行采样和重构,其重构信号质量并没有明显下降,但其观测矩阵所需的存储空间却可大大降低,如降低为通常的1/4,1/16,甚至更低.结论 本文压缩感知方法,可以大大降低观测矩阵所需的存储空间,同时有效降低数据运算复杂度以及内存占用率,有助于压缩感知的应用.
压缩感知、随机观测矩阵、存储空间、半张量积、迭代重加权、最小化
21
TN911.73
浙江省自然科学基金项目LY14E070001;浙江省公益技术应用研究计划项目2015C33074;浙江省科技计划项目2014C33058;浙江省高等学校访问学者专业发展项目FX2014090Natural Sciences Fundational Zhejiang Province,ChinaLY14E070001
2016-09-06(万方平台首次上网日期,不代表论文的发表时间)
共10页
835-844