半张量积压缩感知模型的l0-范数解
目的 半张量积压缩感知模型是一种可以有效降低压缩感知过程中随机观测矩阵所占存储空间的新方法,利用该模型可以成倍降低观测矩阵所需的存储空间.为寻求基于该模型新的重构方法,同时提升降维后观测矩阵的重构性能,提出一种采用光滑高斯函数拟合l0-范数方法进行重构.方法 构建降维随机观测矩阵,对原始信号进行采样;构建可微且期望值为零的光滑高斯函数来拟合不连续的l0-范数,采用最速下降法进行重构,最终得到稀疏信号的估计值.结果 实验分别采用1维稀疏信号和2维图像信号进行测试,并从重构概率、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.验证结果表明,本文所述算法的重构概率、收敛速度较该模型的lq-范数(0<q<1)方法有一定的提升,且当观测矩阵大小降低为通常的1/64,甚至1/256时,仍能保持较高的重构性能.结论 本文所述的重构算法,能在更大程度上降低观测矩阵的大小,同时基本保持重构的精度.
压缩感知、随机观测矩阵、存储空间、半张量积、拟合l0-范数最小化
22
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2015C33074,2015C33083;浙江省科技计划项目2014C33058Natural Science Foundation of Zhejiang Province,ChinaLY14E070001
2017-02-24(万方平台首次上网日期,不代表论文的发表时间)
共11页
9-19