Breaking the coherence barrier: A new theory for compressed sensing
Purdue Univ.（普渡大学）；Univ. of Cambridge（剑桥大学）
提出一种扩展的压缩感知理论框架，通过引入渐近稀疏性、渐近非相干性和多级随机采样三个新概念，弥合现有理论与实际应用之间的差距，证明在松弛条件下压缩感知仍然可行并具有优势。
2014-06-23 cs.IT cs.NA math.IT
High-Resolution Radar via Compressed Sensing
University of California, Davis（加州大学戴维斯分校）
本文提出一种将时频平面离散化为N×N网格的压缩感知雷达模型，利用目标稀疏性（K远小于N²）通过非相干脉冲和压缩感知技术重构目标场景，理论给出稀疏度K的上界，数值模拟验证了实际性能更优，相比传统雷达具有更高分辨率潜力。
2008-12-22 cs.IT cs.NA math.IT
Design of Nested LDGM-LDPC Codes for Compress-and-Forward in Relay Channel
研究了一种具有二进制擦除信道（BEC）的三端中继系统，在该系统中，信源在中继的“协助”下将信息转发到信宿。设计了一种低密度生成矩阵（LDGM）-低密度奇偶校验（LDPC）的嵌套结构，在中继端实现压缩转发（CF）。LDGM编码对接收信号进行了有损压缩，LDPC码实现了Slepian-Wolf编码的合并。首先提出了一种实用的编码方案，在源端和中继端分别采用LDPC码和嵌套LDGM-LDPC码，以达到系统容量的割集界。然后在给定码率界的情况下，对LDGM码和LDPC码的度分布进行优化，保证迭代置信传播（BP）译码算法在目的端的收敛性。最后，仿真结果表明，基于嵌套码实现的性能非常接近Slepian-Wolf理论极限。
2010-03-19 cs.IT math.IT
Algebraic compressed sensing
本文提出代数压缩感知框架，利用代数几何方法系统研究基于多项式建模的结构化信号恢复问题，并给出关于存在性、可恢复性与唯一性所需最小测量数的最优结论。
2024-06-24 cs.IT cs.NA math.AG
Iterative and greedy algorithms for the sparsity in levels model in compressed sensing
基于压缩感知的最优函数逼近问题，提出了迭代硬采样保持算法和压缩采样匹配追踪算法的推广，能够提高信号的稀疏性。我们表明，通过数值实验，所提出的算法是成功地能够胜过他们的非结构化的变体时，信号表现出感兴趣的稀疏结构。此外，在分段光滑函数近似的上下文中，我们数值证明，结构促进解码器优于其非结构化的变体和基础追求程序时，编码器是结构不可知的。
2021-10-28 cs.IT cs.NA math.IT
Generalized sampling: stable reconstructions, inverse problems and compressed sensing over the continuum
Purdue Univ.（普渡大学）；Univ. of Cambridge（剑桥大学）；Hochsc. Neubrandenburg（新勃兰登堡高等学校）
本文探讨了基于类比或无限维图像和信号模型的重建问题，提出广义采样在稳定重建、逆问题和稀疏恢复中的应用，构建了连续域压缩感知理论。
2013-10-04 cs.IT cs.NA math.IT
A strong restricted isometry property, with an application to phaseless compressed sensing
Massachusetts Institute of Technology（麻省理工学院）；Academy of Mathematics and System Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）
本文提出强限制等距性质（SRIP），用于相位缺失压缩感知，证明在满足SRIP的条件下，通过最小化ℓ1范数可恢复信号，并展示随机高斯矩阵满足SRIP，从而实现相位缺失压缩感知。
2014-04-15 cs.IT cs.NA math.IT
On Sparse Regression LDPC Codes
置信传播应用于迭代解码和稀疏恢复通过近似消息传递（AMP）是两个研究领域，近几十年来取得了巨大的进展。受这些进展的启发，本文介绍了稀疏回归LDPC码及其译码。稀疏回归码（SPARC）是一类基于压缩感知思想的纠错码，可以使用AMP进行解码。在某些设置中，SPARC被称为实现容量;然而，它们的性能在有限的块长度下受到影响。同样地，LDPC码可以使用置信传播来有效地解码，并且还可以实现容量。本文介绍了一种新的级联编码结构，结合LDPC外码和一个SPARC启发的内码。对于这样的代码的有效解码可以使用AMP与在外部LDPC码的因子图上执行置信传播的去噪器来实现。所提出的框架表现出性能改进SPARC和标准LDPC码有限块长度，并导致在错误性能的陡峭的瀑布，未编码SPARC中观察到的现象。研究结果得到了数值结果的支持。
2023-01-05 cs.IT math.IT
Unveil Compressed Sensing
我们讨论了压缩感知理论的适用性。我们采取一个真正的看看实验结果和理论工作。我们回答以下问题：1）压缩感知真正能做什么？2)更重要的是，为什么？
2013-12-02 cs.IT math.IT
Frequency Selective Compressed Sensing
在本文中，作者描述的问题捕获的干扰信号，并制定了一个滤波问题。频率选择性压缩感知技术被提出作为这个问题的解决方案。信号采集是促进频率选择性压缩感知的关键。作者提出了一个滤波压缩感知参数，它允许评估给定的采集过程是否使频率选择性压缩感知对于给定的滤波问题成为可能。数值实验表明，所描述的方法在实践中是如何工作的。
2015-01-16 cs.IT math.IT
A remark on weaken restricted isometry property in compressed sensing
限制等距属性（RIP）已成为众所周知的压缩传感社区。最近，一个削弱版本的RIP提出了弱矩假设下的精确稀疏恢复。在这篇文章中，我们证明了削弱RIP也是足够的\textsl{stable and robust}稀疏恢复连接到最近推出的压缩感知的鲁棒宽度属性。此外，我们表明，它可以广泛应用于其他压缩感知的情况下。
2015-04-01 cs.IT math.IT
Turbo Compressed Sensing with Partial DFT Sensing Matrix
在这封信中，我们提出了一个涡轮压缩感知算法与部分离散傅立叶变换（DFT）的传感矩阵。有趣的是，所提出的算法的状态演化示出是一致的，使用副本的方法。数值结果表明，该算法优于著名的近似消息传递（AMP）算法时，涉及部分DFT传感矩阵。
2014-09-09 cs.IT math.IT
Deterministic Compressed Sensing Matrices from Additive Character Sequences
压缩感知是一种新的技术，它可以从欠采样测量中恢复稀疏信号。在这种对应关系中，一个$K \times N$测量矩阵的压缩感知确定性构造通过添加字符序列。Weil界，然后使用表明，矩阵具有渐近最佳的一致性$N=K^2$，并提出了一个充分条件的稀疏性水平的唯一稀疏恢复。此外，限制等距性质（RIP）的统计研究的确定性矩阵。利用小字母的加性字符序列，压缩感知矩阵可以通过线性反馈移位寄存器有效地实现。数值结果表明，确定性压缩感知矩阵保证可靠的匹配追踪恢复性能的无噪声和噪声的测量。
2010-09-30 cs.IT math.IT
Sparsification of Matrices and Compressed Sensing
National University of Ireland, Galway（爱尔兰国立大学高威分校）；Worcester Polytechnic Institute（伍斯特理工学院）；University of Birmingham（伯明翰大学）
压缩感知是一种信号处理技术，通过该技术，如果对信号施加某些条件，则可以超过香农-奈奎斯特定理施加的限制。这种情况发生在许多现实世界的场景中，压缩感知在医学成像，大数据和统计中有着新兴的应用。寻找压缩感知的实用矩阵构造和计算效率高的恢复算法是一个非常有研究兴趣的领域。已经提出了许多概率矩阵构造，并且现在众所周知的是，具有从合适的概率分布中提取的条目的矩阵对于压缩感测来说本质上是最优的。潜在的应用已经激发了对稀疏压缩感测矩阵（即，包含很少非零项的矩阵）。已经提出了各种各样的结构，模拟表明，它们的性能与稠密矩阵相当。在本文中，提出了广泛的模拟表明，稀疏化导致一个显着改善压缩感知性能的一大类矩阵的建设和许多不同的恢复算法。
2018-02-14 cs.IT math.IT
Wide spectrum denoising (WSD) for superresolution microscopy imaging using compressed sensing and a high-resolution camera
使用压缩感知和高分辨率相机的超分辨率显微成像的宽谱去噪（WSD）
2020-06-08 cs.IT eess.IV math.IT
Designing Incoherent Dictionaries for Compressed Sensing: Algorithm Comparison
提出了一种设计非相干字典的新方法。
2012-06-19 cs.DS cs.IT math.IT
From compressed sensing to compressed bit-streams: practical encoders, tractable decoders
压缩感知被认为是一种有效的降维方法，当底层信号相对于一些合适的基或框架是稀疏的或可压缩的时。关于模拟信号的压缩采集的一个重要但未解决的问题是如何执行量化。这直接关系到如何“压缩”压缩感知的重要问题（在获取信号后最终使用的比特总数方面），以及最终压缩感知是否可以用于获得合适信号的压缩表示。基于我们最近的工作，我们提出了一个具体的和可行的方法进行“模拟到信息转换”。在压缩信号采集阶段之后，所提出的方法包括基于$ΣΔ$（sigma-delta）量化的量化阶段，以及无缝地适配在压缩感测框架内的后续编码（压缩）阶段。我们证明，使用这种方法，我们可以将模拟压缩样本压缩的数字比特流和解码使用基于凸优化的易于处理的算法。我们证明了所提出的AIC提供了一个稀疏和可压缩信号的近最佳编码。最后，我们提出了数值实验说明建议的模拟信息转换器的有效性。
2016-04-03 cs.IT math.IT
Information Theoretic Limits for Standard and One-Bit Compressed Sensing with Graph-Structured Sparsity
在本文中，我们分析了信息论的下限恢复稀疏信号所需的样本数在不同的压缩感知设置。我们专注于加权图模型，这是Hegde等人（2015）提出的基于模型的框架，用于标准压缩感知以及1位压缩感知。我们研究了有噪声和无噪声两种情况。我们的分析是通用的，因为它适用于任何用于恢复信号的算法。我们仔细构造限制合奏不同的设置，然后应用法诺不等式建立必要的样本数量的下限。此外，我们表明，我们的界是紧的一位压缩感知，而对于标准的压缩感知，我们的界是紧的信号中的非零条目的数量的对数因子。
2018-11-16 cs.IT math.IT
Multi-Dimensional Wireless Tomography with Tensor-Based Compressed Sensing
无线断层扫描是一种用于通过分析穿过区域的RF信号来推断监测区域内的物理环境的技术。在本文中，我们考虑在一个二维和更高的维度结构的监测区域的无线层析成像，并提出了一个多维的无线层析成像方案基于压缩感知估计的空间分布的阴影损失的监测区域。为了估计空间分布，我们考虑了两种压缩感知框架：基于矢量的压缩感知和基于张量的压缩感知。当遮蔽损失在监测区域内具有较高的空间相关性时，其空间分布在频域上具有稀疏性。现有的无线层析成像方案都是基于矢量压缩感知，利用稀疏性估计分布。另一方面，所提出的方案是基于张量的压缩感知，它估计的分布，利用其低秩属性。我们发现，基于张量的压缩感知具有高度准确的估计相比，基于矢量的压缩感知的潜力。
2014-07-09 cs.IT cs.NI math.IT
State of the Art and Prospects of Structured Sensing Matrices in Compressed Sensing
压缩感知（Compressed Sensing，CS）使人们能够直接获取压缩后的测量值，并在采样率远低于奈奎斯特采样率的情况下，忠实地恢复稀疏或可压缩的信号。然而，纯随机传感矩阵通常需要巨大的存储空间和高计算成本的信号重建。近年来，人们提出了许多结构化的传感矩阵，以简化传感方案和硬件实现。基于约束等距性和相干性，综述了现有的几种结构化传感矩阵，它们具有结构特殊、恢复性能高、构造简单、计算速度快、易于硬件实现等优点。比较了不同结构矩阵的测量次数和通用性。
2014-08-07 cs.IT math.IT
Anisotropic compressed sensing for non-Cartesian MRI acquisitions
在本说明中，我们开发的各向异性压缩感知理论，允许考虑到结构化稀疏和变密度结构化采样的一些理论结果。我们期望所得到的结果将是有用的，以获得明确的表达式，在非笛卡尔（径向，螺旋等）的最佳采样策略。在MRI中设置。
2019-10-31 cs.IT math.IT
Discrete Wigner Function Reconstruction and Compressed Sensing
提出了一种新的基于压缩感知的量子层析Wigner函数重构方法。通过与计算机断层成像类比，利用这种基于压缩感测的方法，可以用较少的测量来重建某些量子态的Wigner函数。
2011-09-03 cond-mat.other cs.IT math.IT
Randomness and isometries in echo state networks and compressed sensing
虽然概念有很大不同，但回声状态网络和压缩感知模型都依赖于随机权重的集合;作为回声状态网络的水库动态，以及压缩感知中的感知系数。用于生成随机矩阵和度量以指示期望性能的几种方法在压缩感知中得到了很好的研究，但对于回声状态网络则研究较少。这项工作探讨了在这些压缩感知方法和指标的应用回声状态网络的任何重叠。几种方法产生的随机水库的权重被认为是，和一个新的度量，受压缩感知的限制等距属性，提出了回声状态网络。理论和实验研究的方法和指标，结果表明，相同类型的随机矩阵的工作以及回声状态网络和压缩感知的情况下，和回声状态网络分类精度提高时，建议的限制等距常数接近1。
2018-02-05 cs.IT eess.SP math.IT
Distributed Compressed Estimation for Wireless Sensor Networks Based on Compressive Sensing
本文提出了一种基于压缩感知技术的稀疏信号和系统的分布式压缩估计方法。该方案由压缩和解压缩模块的启发压缩感知执行分布式压缩估计。文中还提出了一种测量矩阵优化的设计方法和算法，进一步提高了分布式压缩估计算法的性能。无线传感器网络的仿真结果表明，所提出的方案和算法的收敛速度和均方误差性能方面的优势。
2015-02-03 cs.IT math.IT
A sparse Kaczmarz solver and a linearized Bregman method for online compressed sensing
本文提出了一种计算稀疏或最小TV解的线性系统算法框架，包含Kaczmarz方法和线性化Bregman方法作为特例，并引入了稀疏Kaczmarz求解器等新方法，适用于测量缓慢且昂贵的在线压缩感知、TV断层成像和射电干涉测量等问题。
2014-03-28 cs.CV cs.IT cs.NA
Total Variation Minimization in Compressed Sensing
本章概述了不同测量场景下压缩感知中总变差最小化的恢复保证。除了总结在该地区的结果，我们说明了为什么是常见的合成稀疏信号的方法失败，不同的技术是必要的。最后，我们讨论了最近的结果高斯测量亚高斯的情况下的推广。
2017-11-03 cs.IT math.IT
An RIP-based approach to $ΣΔ$ quantization for compressed sensing
在本文中，我们提供了一种新的方法来估计误差的重建$ΣΔ$量化压缩感知测量。我们的方法是基于测量矩阵的某个投影的限制等距属性（RIP）。我们的结果产生简单的证明和最知名的高斯和亚高斯测量矩阵的重建误差界的轻微推广。
2014-05-01 cs.IT math.IT
Compressed Sensing for Sparse Underwater Channel Estimation: Some Practical Considerations
我们研究使用结构化的阈值算法稀疏水下信道估计，利用压缩感知。该方法对稀疏信道估计的标准算法如匹配追踪、迭代检测和最小二乘等进行了改进。
2010-02-13 cs.IT math.IT stat.AP
Graphical Models Concepts in Compressed Sensing
本文综述了最近的工作，应用图形模型和消息传递算法的思想来解决大规模正则化回归问题。特别是，重点是通过ell_1惩罚最小二乘（称为LASSO或BPDN）的压缩感知重建。我们讨论如何获得快速近似消息传递算法来解决这个问题。令人惊讶的是，这种算法的分析允许证明精确的高维极限结果的LASSO风险。本文将作为Yonina Eldar和Gitta Kutyniok编辑的一本关于“压缩传感”的书的一章发表。
2011-03-15 cs.IT math.IT
"Compressed" Compressed Sensing
压缩感知领域已经表明，可以从少量随机构造的线性投影（或样本）中精确地恢复稀疏但任意的向量。本文所解决的问题是，当存在关于未知向量的分布的先验知识时，或者当只需要部分恢复时，甚至更少数量的样本是否足够。一个信息理论的下限与连接到自由概率理论和一个上限对应的计算简单的阈值估计。它示出，在某些情况下（例如离散值的矢量或大的失真）的样本的数量可以减少。有趣的是，它也表明，在许多情况下，没有减少是可能的。
2010-01-25 cs.IT math.IT
On LDPC Code Based Massive Random-Access Scheme for the Gaussian Multiple Access Channel
研究了高斯多址接入信道（MAC）的大规模随机接入问题。我们继续研究A. Vem et al in 2017.所提出的方案包括四个部分：（i）数据传输被划分为时隙;（ii）在每个时隙中传输的数据被分成两部分，第一部分设置低密度奇偶校验（LDPC）型码的交织器，并通过扩展序列或码字进行编码，所述扩展序列或码字被设计为通过压缩感知型解码进行解码;（iii）发送数据的另一部分通过LDPC类型码编码，并且使用针对T用户二进制输入高斯MAC设计的联合消息传递解码算法来解码;（iv）用户在多个时隙中重复他们的码字。在本文中，我们集中在所考虑的方案的第三部分。我们推广了PEXIT图来优化LDPC码的高斯MAC的原型图。最后对仿真结果进行了分析，并与理论界和阈值进行了比较。仿真结果表明，在高斯MAC层上，所提出的LDPC码在联合译码算法下的性能优于A. Vem等人在2017年，这导致整个传输系统的性能更好。
2018-03-22 cs.IT math.IT
One-bit compressed sensing with non-Gaussian measurements
在一比特压缩感知中，先前的结果表明，当使用高斯随机向量进行测量时，稀疏信号可以鲁棒地恢复。与标准压缩感知相比，这些结果在没有进一步假设的情况下不能扩展到自然的非高斯分布，这可以通过简单的反例来证明。我们表明，近似稀疏的信号，不是非常稀疏，可以准确地重建从单比特测量采样根据一个亚高斯分布，和重建来作为一个凸规划的解决方案。
2013-04-08 cs.IT math.IT
Predictive refinement methodology for compressed sensing imaging
弱- $\ell^p$范数可用于定义稀疏性的度量$s$。当我们计算信号的离散余弦变换系数的$s$时，$s$的值与所述信号的信息内容有关。我们使用$s$的这个值来定义一个无参考的指数$\mathcal{E}$，称为稀疏指数，我们可以使用它来高精度地预测压缩感知成像设置中的信号重建质量。这样，当在采样理论的上下文中构建压缩感知时，我们可以使用$\mathcal{E}$来决定何时进一步划分采样空间并增加采样率，以在我们使用压缩感知技术时优化图像的恢复。
2020-02-22 cs.IT math.IT
Robust Bayesian compressed sensing over finite fields: asymptotic performance analysis
本文讨论了有限域上的鲁棒贝叶斯压缩感知问题。对于平稳和遍历源，它提供了渐近（与向量的大小估计）的必要和充分条件所需的测量，以实现消失的重建误差的数量，在存在感测和通信噪声。在所有考虑的情况下，必要条件和充分条件渐近一致。在存在通信噪声的情况下，建立了传感矩阵稀疏性的条件。一些先前发表的结果进行了推广和扩展。
2014-01-17 cs.IT math.IT
An enhanced decoding algorithm for coded compressed sensing
编码压缩感知是一种适用于高维空间稀疏恢复的算法框架。这个框架最初设想的无源多址接入信道，一个无线范例调谐到机器类型的通信。编码压缩感知使用分治方法将稀疏恢复任务分解为子组件，其尺寸适合于传统的压缩感知求解器。然后使用低复杂度解码器将恢复的片段缝合在一起。本文介绍了一种增强的编码压缩感知解码算法，其中片段恢复和拼接过程是串联执行的，在它们之间传递信息。这种新颖的方案可以提高性能并显着降低计算复杂性。该算法机会源于这样的认识，即编码压缩感测固有的奇偶结构可以用于动态地限制后续恢复算法的搜索空间。
2019-10-22 cs.IT eess.SP math.IT
Performance bounds on compressed sensing with Poisson noise
本文描述了压缩感知的性能界限，在泊松噪声的存在下，当底层信号，泊松强度的向量，是稀疏的或可压缩的（承认稀疏近似）。文献中用于分析压缩感知性能的信号独立和有界噪声模型不能准确地模拟泊松噪声的影响。然而，泊松噪声是用于各种应用的适当噪声模型，包括低光成像，其中感测硬件是大的或昂贵的，并且限制收集的测量值的数量是重要的。在本文中，我们描述了如何可以构造一个可行的正性保持传感矩阵，然后分析的性能的压缩感知重建方法的泊松数据，最小化的目标函数组成的负泊松对数似然项和惩罚项，可以用作信号稀疏性的措施。
2009-04-30 cs.IT math.IT
One-Bit Compressed Sensing by Greedy Algorithms
提出了一种符号截断匹配追踪（STrMP）算法。STrMP算法是一种新的贪心算法，它结合了一致性重构原理和正交匹配追踪（OMP）算法，用于从符号测量中恢复稀疏信号。STrMP的主要部分与OMP一样简洁，因此STrMP易于实现。与以往的单比特压缩感知贪心算法相比，STrMP算法每次迭代只需要求解一个凸的无约束子问题。数值实验表明，STrMP算法是快速和准确的一位压缩感知与其他算法相比。
2013-12-12 cs.IT math.IT
Near-Optimal Adaptive Compressed Sensing
本文提出了一种简单的自适应感知和分组测试算法，用于稀疏信号恢复。该算法，被称为压缩自适应感测和搜索（CASS），被证明是接近最佳的，因为它成功地在尽可能低的信噪比（SNR）的水平，改善以前的工作在自适应压缩感知。与传统的基于随机非自适应设计矩阵的压缩感知算法一样，CASS算法只需要k log n个测量值就可以恢复n维k稀疏信号。然而，CASS在比标准压缩感测所需的小因子log n的SNR水平下成功。从构建和实现的感测操作以及计算的重建的角度来看，所提出的算法是大大低于标准的压缩感知的计算密集型。CASS也被证明是在实践中通过仿真执行得更好。据我们所知，这是第一次演示的自适应压缩感知算法与接近最佳的理论保证和优良的实际性能。本文还表明，压缩感知、分组测试和池化等方法的优势不仅仅在于减少测量或测试的数量，与非自适应直接（未压缩）感知相比，这些方法的自适应版本还可以提高检测和估计性能。
2014-04-29 cs.IT math.IT stat.ML
Tolerant Compressed Sensing With Partially Coherent Sensing Matrices
迄今为止，大多数压缩感知（CS）理论都集中在非相干感知上，即来自感知矩阵的列是高度不相关的。然而，具有自然发生的相关性的感测系统出现在许多应用中，诸如信号检测、运动检测和雷达。此外，在这些应用中，通常不需要精确地知道信号的支持，而是支持和信号中的小误差是可容忍的。尽管大量的工作利用不相干的传感矩阵，这种类型的宽容恢复，我们认为，一致性实际上是有益的。我们提倡使用相干采样时，宽容的支持恢复是可以接受的，并证明其优势经验。此外，我们提供了理论分析的第一步，通过考虑特定的重建方法选择的信号类。
2017-08-28 cs.IT math.IT
Spark Deficient Gabor Frame Provides a Novel Analysis Operator for Compressed Sensing
分析稀疏模型是现代压缩感知应用中一种非常有效的方法。具体地，当在压缩感知中采用分析$l_1$ -最小化时，冗余分析算子可以导致重建所需的更少的测量。在本文中，我们挑选了一个特征向量的Zauner酉矩阵和-在一定的假设下的环境尺寸-我们建立了一个火花不足的Gabor框架。与这种火花不足的Gabor框架相关联的分析算子是一种新的（高度）冗余的Gabor变换，我们将其用作压缩感知中的稀疏化变换。我们进行计算实验-在合成和真实世界的数据-解决压缩感知的分析$l_1$ -最小化问题，有四种不同的选择的分析运营商，包括我们的Gabor分析运营商。结果表明，我们提出的冗余Gabor变换优于-在所有情况下- Gabor变换产生的国家的最先进的窗口向量的时间-频率分析。
2021-10-13 cs.IT math.IT
Binary Sparse Bayesian Learning Algorithm for One-bit Compressed Sensing
本文提出了一种二进制稀疏贝叶斯学习（BSBL）算法来解决单测量向量（SMV）和多测量向量（MMV）下的1比特压缩感知（CS）问题。通过利用Bussgang分解，一位CS问题可以近似为标准线性模型。因此，可以自然地纳入标准SBL算法。数值结果验证了BSBL算法的有效性。
2018-05-08 cs.IT math.IT
Deterministic Compressed Sensing Matrices from Multiplicative Character Sequences
压缩感知是一种新的技术，它可以从欠采样测量中恢复稀疏信号。本文利用乘性特征序列确定性地构造了压缩感知的$K \times N$测量矩阵。确切地说，通过调制单位的本原$M$次根，将$M$元幂剩余或Sidelnikov序列的循环移位的常数倍布置为矩阵的列向量。Weil界证明了矩阵对于大$K$和$M$具有渐近最优相干性，并给出了稀疏解唯一的稀疏水平充分条件.此外，限制等距性质（RIP）的统计研究的确定性矩阵。数值结果表明，确定性压缩感知矩阵保证可靠的匹配追踪恢复性能的无噪声和噪声的测量。
2010-11-11 cs.IT math.IT
Do log factors matter? On optimal wavelet approximation and the foundations of compressed sensing
压缩感知中的一个签名结果是高斯随机采样在测量数量的最佳条件下实现了稀疏向量的稳定和鲁棒恢复。然而，在图像重建的上下文中，已经有大量文献证明，基于傅立叶测量的采样策略优于这种据称是最佳的方法。基于这一看似矛盾的问题，我们研究了压缩感知的最优采样问题。严格结合小波逼近和无限维压缩感知理论，我们的分析导致新的误差界的测量总数$m$分段$α$-Hölder函数的近似。我们的理论研究结果表明，傅立叶采样优于随机高斯采样时，霍德尔指数$α$是足够大的。此外，我们建立了一个可证明的最优抽样策略。这项工作是解决所声称的悖论的重要的第一步，并提供了一个明确的理论依据，压缩传感技术在成像问题中的实际成功。
2021-01-25 cs.IT math.IT
Sequential Interval Passing for Compressed Sensing
针对压缩感知中稀疏信号重建问题，受LDPC码序贯置信传播启发提出序贯区间传递算法，可在不降低重建精度的前提下平均显著降低消息传递复杂度，部分场景降幅达36%。
2025-05-20 cs.IT math.IT
Relations between $β$ and $δ$ for QP and LP in Compressed Sensing Computations
在许多压缩传感应用中，线性规划（LP）已被用于重建稀疏信号。当观测有噪声时，LP公式被扩展为允许不等式约束，并且解决方案依赖于与观测噪声水平相关的参数$δ$。最近，一些研究人员也考虑了二次规划（QP）的压缩感知信号重建和解决方案，在这种情况下是依赖于一个拉格朗日乘子$β$。本文研究了$δ$与$β$之间的关系，并利用$δ$给出了$β$的上下界.对于给定的$δ$，这些界限可用于近似$β$。由于$δ$是一个物理相关的量，易于确定的应用程序，而一般没有简单的方法来确定$β$，我们的结果可以用来设置$β$时，QP用于压缩感知。我们的研究结果和实验验证也提供了一些洞察压缩感知产生的解决方案。
2010-12-24 cs.IT math.IT
Is "Compressed Sensing" compressive? Can it beat the Nyquist Sampling Approach?
数值计算了“压缩感知（采样）”在信号离散化中的数据压缩能力，发现其远未达到信号稀疏性定义的理论上界。它示出的情况下，当普通的采样与随后的数据压缩是禁止的，至少有一个更有效的，在数据压缩能力方面，更简单和直观的替代压缩感知：随机稀疏采样和恢复的图像带限近似的能量压缩能力的基础上的变换。它还表明，断言“压缩感知”可以击败奈奎斯特采样方法是植根于误解的采样理论。
2015-02-09 cs.IT math.IT physics.optics
Bayesian hypothesis testing for one bit compressed sensing with sensing matrix perturbation
这封信提出了一个低计算的贝叶斯算法噪声稀疏恢复的上下文中的一位压缩感知与感知矩阵扰动。所提出的算法被称为BHT-MLE包括一个稀疏支持检测器和一个幅度估计器。支持检测器使用贝叶斯假设检验，而幅度估计器使用通过求解凸优化问题获得的ML估计器。仿真结果表明，BHT-MLE算法以较低的计算代价提供了比ML估计（MLE）更高的重建精度。
2015-11-18 cs.IT math.IT stat.ML
Can compressed sensing beat the Nyquist sampling rate?
“压缩感知（采样）”在信号离散化中的数据保存能力是有争议的，并发现远低于由信号稀疏性定义的理论上限。在一个简单而直观的例子中，它表明，在一个现实的情况下，被认为是稀疏的信号，可以实现一个大大大于压缩感测可以节省。它还表明，频繁的断言在文献中，“压缩感知”可以击败奈奎斯特采样方法是误导性的替代条款，根源于误解的采样理论。
2015-07-31 cs.IT math.IT physics.optics
Compressed sensing with combinatorial designs: theory and simulations
University of Queensland（昆士兰大学）；Arizona State University（亚利桑那州立大学）；Monash University（蒙纳士大学）
在“压缩感知矩阵的一个渐近结果”中，介绍了一种利用组合设计理论构造压缩感知矩阵的新方法。在本文中，我们使用确定性和概率的方法来分析从这种结构得到的矩阵的性能。我们提供了新的理论结果和详细的模拟。这些模拟表明，该结构是竞争与高斯随机矩阵，恢复是容忍噪声。还给出了一种新的恢复算法。
2015-05-20 cs.IT math.CO math.IT
The quest for optimal sampling: Computationally efficient, structure-exploiting measurements for compressed sensing
在压缩感知的许多实例中，一个有趣的现象是，重建质量不仅取决于信号的整体稀疏性，还取决于其结构。本文是关于理解这种现象，并演示如何可以有效地利用它的设计合适的采样策略，以优于更标准的压缩感知技术的基础上随机矩阵。
2014-03-27 cs.IT math.FA math.IT
Bipartite Graph based Construction of Compressed Sensing Matrices
本文提出了一种构造具有尽可能多的边的二部图的有效方法，而不引入长度等于4的最短圈。与上述二分图相关联的二进制矩阵呈现出比高斯随机矩阵相当甚至更好的相变。
2014-04-19 cs.IT math.IT
Compressed Sensing from Phaseless Gaussian Measurements via Linear Programming in the Natural Parameter Space
我们考虑忠实地结合相位恢复与经典的压缩感知。受最近新的相位恢复公式PhaseMax的启发，我们提出并分析了SparsePhaseMax，一个线性规划的自然参数空间中的无相位压缩感知。我们确定，当提供有与任意$k$ -稀疏$n$ -向量相关的初始化时，SparsePhaseMax以高概率从$O(k \log \frac{n}{k})$幅度测量相对于i.i.d.高斯随机向量。我们对这一事实的证明利用了无相和1位压缩传感之间一个奇怪的新发现的联系。这是第一个结果，建立自举压缩感知无相位高斯测量下的最佳样本复杂度。
2017-03-03 cs.IT math.IT math.OC
Compressed Sensing Applied to Weather Radar
我们提出了一种创新的气象雷达，它使用减少的时空样本的数量，而不影响目标信息的准确性。我们的方法扩展了最近的研究压缩感知（CS）的雷达遥感硬点散射体的体积目标。由于降水回波在距离-时间域和多普勒域上都缺乏稀疏性，以前发表的基于CS的雷达技术不适用于采样天气。我们提出了一种替代方法，通过采用矩阵完成算法的最新进展，以证明稀疏感测的天气回波。我们使用爱荷华州的X波段极化（XPOL）雷达数据来测试和说明我们的算法。
2014-06-13 cs.IT math.IT
Channel-Optimized Vector Quantizer Design for Compressed Sensing Measurements
我们考虑矢量量化（VQ）传输的压缩感知（CS）测量噪声信道。采用均方误差（MSE）准则来度量稀疏向量与其重构向量之间的失真，推导出CS测量向量编码和稀疏源向量重构的信道优化量化原则。由此产生的必要的最佳条件是用来开发一种算法，通过考虑端到端的失真措施，用于训练信道优化的矢量量化（COVQ）的CS测量。
2014-04-30 cs.IT math.IT
