Deterministic Construction of RIP Matrices in Compressed Sensing from Constant Weight Codes
压缩感知在信号处理中的实际应用需要显式的约束等距性(RIP)度量矩阵。从Reed-Solomon码、BCH码、正交码、扩展图等几个方面提出了RIP矩阵,并进行了分析。另一方面,二元等重码已经研究了很多年,已经确定了许多最佳或接近最佳的小重量和ditance等重码。本文提出了一种新的确定性构造RIP测量矩阵的压缩感知从二进制和三进制等重码。新的基于等重码的RIP矩阵的稀疏阶数和移动行数可以是任意的。这些基于等重码的RIP矩阵具有更好的参数相比,DeVore RIP矩阵的大小是小的。
2015-06-12 cs.IT 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
Deterministic construction of sparse binary and ternary matrices from existing binary sensing matrices
在目前的工作中,我们讨论了从现有的两个二进制传感矩阵构造稀疏的二进制和三进制矩阵的过程。我们构造的矩阵有几个有吸引力的属性,如较小的密度,这支持低计算复杂性的算法。作为我们的方法的一个应用,我们表明,CS矩阵的一般行大小不同于$p, p^2, pq$(对于不同的素数$p,q$)可以被构造。
2015-03-04 cs.IT math.IT math.OC
Invariance of the spark, NSP order and RIP order under elementary transformations of matrices
压缩感知理论告诉我们,恢复所有k稀疏信号需要一个感知矩阵满足其spark大于2k,或其零空间性质(NSP)或限制等距性质(RIP)的阶数大于或等于2k。如果我们对感知矩阵进行初等行或列运算,其spark、NSP阶和RIP阶会发生什么变化?本文研究了这一问题,发现感知矩阵的这三个量化指标在除列加变换外的所有矩阵初等变换下都具有不变性。将这一结果以矩阵乘积的形式表示,得到了与感知矩阵相乘,并使乘积仍具有与感知矩阵相同的稀疏恢复性质的矩阵类型。根据这些类型的矩阵,我们发现了一个有趣的现象,即具有确定性结构的感知矩阵不具有具有随机结构的感知矩阵所具有的普适性。
2015-02-10 cs.IT math.IT
Deterministic Designs with Deterministic Guarantees: Toeplitz Compressed Sensing Matrices, Sequence Designs and System Identification
在本文中,我们提出了一个新的家庭的离散序列具有“随机”一致衰减的自相关特性。这类新的无限长序列是用无理数构造的高阶线性调频脉冲。利用连续分数和丢番图近似理论的结果,我们表明,这样形成的序列类具有的属性,最坏情况下的自相关系数为每个有限长度的序列以多项式的速度衰减。这些序列也显示多普勒免疫。我们还表明,Toeplitz矩阵从这样的序列形成满足限制等距属性(RIP),最近在压缩感知应用中发挥了核心作用的概念。压缩感测传统上处理具有任意分量的感测矩阵。然而,这种任意的传感矩阵是不适合线性系统辨识,必须采用Toeplitz结构的传感矩阵。线性系统辨识在诸如多径无线系统的信道估计以及控制系统应用等各种各样的应用中起着中心作用。Toeplitz矩阵由于其滤波结构也是期望的,这允许快速实现以及降低的存储要求。
2008-07-28 cs.IT math.IT
Deriving RIP sensing matrices for sparsifying dictionaries
压缩感测涉及映射$SD \in \mathbb{R}^{m \times n}$的反演,其中$m < n$、$S$是感测矩阵,并且$D$是稀疏化字典。限制等距属性是一个强大的充分条件的反演,保证恢复高维稀疏向量从他们的低维嵌入到欧几里德空间通过凸优化。然而,确定$SD$是否具有针对给定稀疏化字典的受限等距属性是NP难问题,阻碍了压缩感知的应用。本文提供了一种新的方法来解决这个问题。我们证明,它是可能的,以获得一个传感矩阵的任何稀疏字典保留限制等距属性的概率很高。在K-SVD,Parseval K-SVD和小波的传感矩阵的数值实验中,我们的恢复性能与使用高斯和伯努利稀疏向量随机传感矩阵获得的基准相当。
2022-07-12 cs.IT math.IT
Toeplitz Block Matrices in Compressed Sensing
压缩感知理论中的最新工作表明,$n\times N$独立同分布(IID)感知矩阵(其条目独立于某些概率分布绘制)保证了稀疏信号的高概率精确恢复,即使$n\ll N$。受信号处理应用的启发,随机滤波与Toeplitz感测矩阵的元素是从相同的分布被认为是,并证明也足以恢复稀疏信号从减少的样本完全具有高概率。本文考虑Toeplitz分块矩阵作为感知矩阵。它们自然出现在多通道和多维滤波应用中,并包括作为特殊情况的Toeplitz矩阵。它表明,准确重建的概率也很高。它们的性能进行了验证,使用模拟。
2008-03-05 cs.IT math.IT math.PR
Symmetric Toeplitz-Structured Compressed Sensing Matrices
如何构造一个合适的测量矩阵是压缩感知中的一个悬而未决的问题。最近的工作的一个重要部分是,测量矩阵的条目不是完全随机的,但表现出相当大的结构。本文证明了对称Toeplitz矩阵及其变换可以以很高的概率作为测量矩阵和恢复信号。与随机矩阵(如Gaussian矩阵和Bernullio矩阵)和一些结构矩阵(如Toeplitz矩阵和循环矩阵)相比,我们需要产生更少的独立元素来获得测量矩阵,而恢复的有效性不会变差。此外,该算法可以更有效地恢复信号。
2013-08-09 cs.IT math.IT
Orthogonal symmetric Toeplitz matrices for compressed sensing: Statistical isometry property
最近,统计限制等距属性(RIP)已经制定了压缩感知的确定性采样矩阵的性能分析。在本文中,我们提出了使用正交对称Toeplitz矩阵(OSTM)的压缩感知和研究其统计RIP利用Stein的方法。特别是,我们得出的统计RIP性能界的采样矩阵的最大值和输入信号的稀疏程度。基于这样的连接,我们表明,OSTM可以满足统计RIP的绝大多数信号与给定的稀疏水平,如果一个Golay序列用于生成OSTM。这样的感测矩阵是确定性的,Toeplitz的,并且实现起来是有效的。仿真结果表明,OSTM可以提供类似于随机矩阵的重建性能。
2012-10-24 cs.IT math.IT
Deterministic compressed sensing matrices: Construction via Euler Squares and applications
在压缩感知中,满足约束等距性(RIP)的矩阵起着重要的作用。但到目前为止,很少有结果设计这样的矩阵。对于无乘法器数据压缩等应用,二进制传感矩阵很受关注。目前的工作构造确定性和二进制传感矩阵使用欧拉平方。特别是,给定一个正整数$m$不同于$p, p^2$的素数$p$,我们表明,它是可能的,以构建一个二进制传感矩阵的大小$m \times c (mμ)^2$,其中$μ$是矩阵和$c \in [1,2)$的相干参数。我们构造的矩阵具有较小的密度(即矩阵中非零元素的百分比很小),在其构造中没有函数求值,这支持具有低计算复杂性的算法。通过实验工作,我们表明,我们的二进制传感矩阵可以用于基于内容的图像检索等应用。我们的仿真结果表明,基于欧拉平方的CS矩阵给出了更好的性能比他们的高斯同行。
2016-03-26 cs.IT math.IT math.OC
Compressive Signal Processing with Circulant Sensing Matrices
压缩感知在稀疏性约束下,通过感知矩阵获取少量的随机测量值,实现信号的有效降维。在信号处理系统中,出现了直接处理随机投影而不首先重构信号的问题。在本文中,我们表明,循环传感矩阵允许执行各种经典的信号处理任务,如滤波,插值,配准,变换,等等,直接在压缩域中,并在一个确切的方式,\emph{i.e.},而不依赖于现有文献中提出的估计。本文提出的技术的优点是,使直接测量到测量的转换,而不需要昂贵的恢复程序。
2014-03-12 cs.IT math.IT
The Replica-Symmetric Prediction for Compressed Sensing with Gaussian Matrices is Exact
本文考虑了i.i.d.的压缩感知的基本限制。信号分布和i.i.d.高斯测量矩阵它的主要贡献是一个严格的渐近互信息(MI)和最小均方误差(MMSE)在此设置的特征。在较温和的技术条件下,我们的结果表明,极限MI和MMSE等于从统计物理的副本方法预测的值。这解决了一个众所周知的问题,这个问题已经公开了十多年。
2016-07-08 cs.IT math.IT
Deterministic Construction of Binary, Bipolar and Ternary Compressed Sensing Matrices
在本文中,我们建立了正交光码(OOC)和二进制压缩传感矩阵之间的联系。我们还介绍了确定性双极$m\times n$ RIP满足$k$阶的$\pm 1$矩阵,使得$m\leq\mathcal{O}\big(k (\log_2 n)^{\frac{\log_2 k}{\ln \log_2 k}}\big)$。这些矩阵的列是二进制BCH码向量,其中零被-1替换。由于RIP是通过相干性建立的,因此简单的贪心算法如匹配追踪算法能够从无噪声样本中恢复稀疏解。由于BCH码的循环特性,我们表明,FFT算法可以用于重建方法,大大降低了计算复杂性。此外,我们结合二进制和双极矩阵,形成三进制传感矩阵($\{0,1,-1\}$元素),满足RIP条件。
2010-10-02 cs.IT math.IT
Fast Correlation Computation Method for Matching Pursuit Algorithms in Compressed Sensing
已经有许多处理稀疏信号恢复问题的匹配追踪算法(MPA),也称为。压缩感知(CS)。在MPA中,相关性计算步骤具有主导的计算复杂性。在这封信中,我们提出了一个新的快速相关计算方法时,我们使用了几类部分酉矩阵作为传感矩阵。这些部分酉矩阵包括部分傅立叶矩阵和部分Hadamard矩阵,它们是流行的传感矩阵。建议的相关计算方法可以适用于几乎所有的MPA,而不会导致任何退化的恢复性能。并且,对于大多数实际参数,所提出的方法可以大大降低MPA的计算复杂性。
2012-05-18 cs.IT math.IT
Piecewise Toeplitz Matrices-based Sensing for Rank Minimization
本文提出了一组分段Toeplitz矩阵作为线性映射/感知算子$\mathcal{A}: \mathbf{R}^{n_1 \times n_2} \rightarrow \mathbf{R}^M$,用于从少量测量中恢复低秩矩阵。我们证明了这样的运营商有效地编码的信息,所以存在一个唯一的重建矩阵在温和的假设。这项工作提供了一个显着的扩展的压缩感知和秩最小化理论,它实现了一个折衷之间减少存储所需的存储器从$\mathcal{O}(n_1n_2M)$到$\mathcal{O}(\max(n_1,n_2)M)$的采样算子,但在增加$r$的测量的数量为代价。仿真结果表明,该算子能有效地恢复低秩矩阵,重建性能接近于使用随机非结构化算子的情况。
2014-06-01 cs.IT math.IT
Compressed Sensing Matrices: Binary vs. Ternary
二进制矩阵和三进制矩阵是压缩感知中两种常用的感知矩阵,它们具有很好的性能和较低的计算量。然而,据我们所知,似乎没有文献旨在评估他们的表现,如果他们持有同样的稀疏性,虽然它是有实际意义的。基于RIP分析和数值模拟,本文首次揭示了{0,1}二元矩阵在非零位置上具有相同的分布时,其综合性能优于{0,+1,-1}三元矩阵.
2014-02-07 cs.IT math.IT
Explicit RIP Matrices in Compressed Sensing from Algebraic Geometry
压缩感知是由E. J. Candés,J. Romberg,T. Tao和D. Donoho在2006年提出了稀疏信号的有效采样,在信号处理中有着广泛的应用。在实际应用中需要显式的限制等距性(RIP)测量矩阵。自2007年以来,R。DeVore,J. Bourgain et al和R. Calderbank等人从不同的数学对象给出了RIP矩阵的几种确定性构造。另一方面,Bajwa和Calderbank等人引入了测量矩阵的强相干性,用于噪声测量下的信号恢复。本文从代数几何的角度提出了一种新的压缩感知实值RIP测量矩阵的显式构造方法。我们的构造表明,使用更一般的代数几何对象,而不是曲线(AG码),RIP测量矩阵在压缩感知可以构建更小的相干性和更大的稀疏阶。代数几何中的RIP矩阵也有一个很好的渐近界,与Bourgain等人以前的构造和小偏差集的界相匹配。在否定的方面,我们证明了DeVore构造的RIP矩阵,它的直接代数几何推广和我们的一个新构造的RIP矩阵不满足强相干性质。然而,我们给出了一个修改后的版本的AG-RIP矩阵,它满足强相干性。因此,新的RIP矩阵在压缩感知从我们修改的代数几何结构可以用于恢复的信号从噪声测量。
2015-05-27 cs.IT math.IT
On Compressed Sensing Matrices Breaking the Square-Root Bottleneck
压缩感知是信号处理领域的一个重要框架,有着广泛的实际应用.压缩感知中最具挑战性的问题之一是构造具有约束等距性质的确定性矩阵。到目前为止,只有少数出版物提供了确定性RIP矩阵击败平方根瓶颈的稀疏水平。本文研究了模素数高次剩余定义的矩阵的RIP问题。此外,我们证明了广泛相信的广义Paley图猜想意味着这些矩阵有RIP打破平方根瓶颈。
2020-10-27 cs.IT math.CO math.IT
Sensing Matrix Design via Capacity Maximization for Block Compressive Sensing Applications
在压缩感知(CS)文献中已经很好地建立了其元素从独立的广义过程中提取的感知矩阵表现出增强的重构能力。在许多CS应用中,例如电磁成像,对测量系统的实际限制阻止以这种方式生成感测矩阵。虽然人们通常可以在一定程度上随机化的测量,这些传感矩阵不实现相同的重建性能作为真正随机化的传感矩阵。在本文中,我们提出了一种新的方法,基于容量最大化,设计传感矩阵增强块稀疏信号重建能力。通过几个数值例子,我们展示了我们的方法如何显着提高重建性能。
2018-03-22 cs.IT eess.SP math.IT
Analysis of Compressed Sensing with Spatially-Coupled Orthogonal Matrices
压缩感知(CS)的最新发展表明,使用特殊设计的测量矩阵,即空间耦合矩阵,可以实现CS的信息理论极限。在本文中,我们考虑由空间耦合的\emph{orthogonal}矩阵组成的测量矩阵。这种矩阵的一个示例是随机选择的离散傅里叶变换(DFT)矩阵。这样的选择享有较低的存储器复杂度和较快的乘法过程。我们的贡献是副本计算找到的均方误差(MSE)的贝叶斯最优重建这样的设置。我们说明了空间耦合的正交和高斯集成下的重建阈值是非常不同的,特别是在噪声的情况下。特别地,空间耦合的正交矩阵实现更快的收敛速率、更低的测量速率和减小的MSE。
2014-02-13 cs.IT math.IT
On construction and analysis of sparse random matrices and expander graphs with applications to compressed sensing
我们重新审视稀疏随机矩阵的概率构造,其中每列都有固定数量的非零,其行索引是随机均匀绘制的。这些矩阵与无损扩展图的邻接矩阵有一一对应的关系。我们目前的概率,这些图的邻居集的基数将小于预期值的尾界。通过分析使用{ \em并矢分裂}技术的集合的工会中的冲突的界限。这种分析导致推导出更好的常数,允许无损扩展图的存在的定量定理,因此我们考虑的稀疏随机矩阵,以及使用稀疏非均值零测量矩阵时的定量压缩感知采样定理。
2013-07-24 cs.IT math.IT
Deterministic Construction of Compressed Sensing Matrices using BCH Codes
在本文中,我们介绍了确定性$m\times n$ RIP满足$k$阶$\pm 1$矩阵,使得$\frac{\log m}{\log k}\approx \frac{\log(\log_2 n)}{\log(\log_2 k)}$。这些矩阵的列是二进制BCH码向量,它们的零被替换为-1(不包括归一化因子)。由这些矩阵得到的样本可以很容易地转换为原始稀疏信号;更准确地说,对于无噪声样本,简单的匹配追踪技术,即使比常见的计算复杂性,精确地重建稀疏信号。此外,使用Devore的二元矩阵,我们扩展的二元计划与$\{0,1,-1\}$元素的矩阵。
2009-08-07 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
Reed Muller Sensing Matrices and the LASSO
我们构建了两个家庭的确定性传感矩阵的列是通过指数的四元Delsarte-Goethals码$DG(m,r)$的码字。这种构造方法导致具有低相干性和谱范数的感测矩阵。第一类是具有冗余$2^{rm}$的$2^m$维紧框架,我们称之为Delsarte-Goethals框架。第二类,我们称之为Delsarte-Goethals筛,是通过在Delsarte-Goethals框架中对列向量进行二次采样而获得的。Delsarte-Goethals筛的不同行可能不是正交的,我们提出了一个有效的算法来识别所有对非正交行。这两个对是重复的测量,消除它们会导致一个紧密的框架。实验结果表明,所有具有$m\leq 15$和$r\geq2$的$DG(m,r)$筛都是紧框架;没有重复的行。对于这两个家庭的传感矩阵,我们测量重建的准确性(统计0-1损失)和复杂性(平均重建时间)作为稀疏水平$k$的函数。我们的研究结果表明,DG框架和筛优于随机高斯矩阵的无噪和噪声信号恢复使用LASSO。
2010-04-28 cs.IT math.IT
Near Optimal Compressed Sensing of a Class of Sparse Low-Rank Matrices via Sparse Power Factorization
同时稀疏和低秩矩阵的压缩感知使得能够从其双线性形式的一些线性测量中恢复稀疏信号。一个重要的问题是,在存在测量噪声的情况下,需要多少测量才能进行稳定的重建。与稀疏向量的传统压缩感知不同,其中通过$\ell_1$范数的凸松弛实现了接近最优的性能,对于稀疏低秩矩阵的压缩感知,最近Oymak等人已经表明,即使在无噪声的情况下,使用核范数和混合范数的凸规划也是高度次优的。我们提出了一种交替最小化算法称为稀疏功率分解(SPF)的稀疏秩一矩阵的压缩感知。对于一类稀疏表示系数快速衰减的信号,SPF实现了由它们的外积形成的秩1矩阵的稳定恢复,并且需要在信息理论基本限制的对数因子内的测量次数。对于一般稀疏低秩矩阵的恢复,我们提出了子空间级联SPF(SCSPF),它具有类似的接近最优的性能保证SPF在秩1的情况下。数值结果表明,SPF和SCSPF经验优于凸规划使用最好的已知组合的混合范数和核范数。
2016-06-30 cs.IT math.IT
Compressed Sensing Matrices from Fourier Matrices
University of Wisconsin-Milwaukee(密尔沃基威斯康星大学);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院)
本文利用Katz特征和估计,从傅里叶矩阵中确定性选择行构造压缩感知矩阵,实现了与DeVore二进制CS矩阵相当且优于先前结果的可恢复稀疏度界限,并提供了更灵活的维度选择,同时得到了近似互无偏基。
2013-01-03 cs.IT cs.NA math.IT
Robust 1-bit Compressive Sensing with Partial Gaussian Circulant Matrices and Generative Priors
National University of Singapore(新加坡国立大学);Tencent(腾讯)
在1比特压缩感知中,每个测量被量化为单个比特,即未知向量的线性函数的符号,目标是准确地恢复向量。虽然最流行的是假设标准高斯感测矩阵用于1比特压缩感测,但是使用结构化感测矩阵(诸如部分高斯循环矩阵)由于其更快的矩阵运算而具有显著的实际重要性。在本文中,我们提供了一个基于相关性的鲁棒1位压缩感知的优化算法与随机签署的部分高斯循环矩阵和生成模型的恢复保证。在适当的假设下,我们匹配了以前只知道对i.i.d.~高斯矩阵,需要更多的计算。我们利用一个实用的迭代算法,并进行了数值实验上的图像数据集,以证实我们的理论结果。
2021-08-08 cs.IT cs.LG math.IT
Generalized Turbo Signal Recovery for Nonlinear Measurements and Orthogonal Sensing Matrices
在这项研究中,我们提出了一个广义的涡轮信号恢复算法来估计从量化测量信号,其中的传感矩阵是一个行正交矩阵,如部分离散傅立叶变换矩阵。所提出的算法的状态演化的推导和证明是一致的与副本方法得到的。数值实验表明,所提出的算法与理论状态演化的良好协议。
2016-05-05 cs.IT math.IT
Circulant and Toeplitz matrices in compressed sensing
压缩感知试图从少量的线性和非自适应测量中恢复稀疏向量。虽然到目前为止大多数工作集中在高斯或伯努利随机测量,我们调查使用部分随机循环和Toeplitz矩阵与恢复$\ell_1$ -minization。在最近的工作在这个方向上,我们允许使用的循环和Toeplitz矩阵的行的任意子集。我们的恢复结果预测,必要数量的测量,以确保稀疏重建的$\ell_1$ -最小化与随机部分循环或Toeplitz矩阵的规模线性稀疏度高达一个$\log$ -因素的环境尺寸。这代表了一个显着的改善,比以前的恢复结果,这样的矩阵。作为证明的主要工具,我们使用了一个新版本的非交换Khintchine不等式。
2009-02-25 cs.IT math.IT
One-bit compressed sensing with partial Gaussian circulant matrices
在本文中,我们考虑无记忆的一位压缩感知随机子采样高斯循环矩阵。我们表明,在一个小的稀疏度制度和足够小的精度$δ$,$m\sim δ^{-4} s\log(N/sδ)$测量足以重建的任何$s$ -稀疏向量的方向,通过一个有效的程序的准确性$δ$。我们通过证明部分高斯循环矩阵满足$\ell_1/\ell_2$ RIP-性质得到这个结果。在对$δ$的依赖性稍差的情况下,我们建立了近似稀疏性的稳定性以及完整向量恢复结果。
2017-10-09 cs.IT math.IT math.PR
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
Universally Elevating the Phase Transition Performance of Compressed Sensing: Non-Isometric Matrices are Not Necessarily Bad Matrices
在压缩感知问题中,$\ell_1$最小化或基追踪被认为是多项式时间算法中具有最好的可恢复稀疏性的可证明相变性能。寻找性能优于$\ell_1$最小化的替代多项式时间算法具有重要的理论和实际意义。\cite{Icassp reweighted l_1}、\cite{Isit reweighted l_1}、\cite{XuScaingLaw}和\cite{iterativereweightedjournal}已经表明,两级重新加权的$\ell_1$最小化算法可以提高其非零元素遵循幅度概率密度函数(pdf)$f(\cdot)$的信号的相变性能,该幅度概率密度函数(pdf)$f(\cdot)$的$t$是某个整数$t \geq 0$的三阶导数$f^{t}(0) \neq 0$。然而,对于其非零元素在分布中严格地从零悬挂的信号(例如,常数模,对于某些非零实数$d$仅取值“$+d$”或“$-d$”),没有已知的多项式时间信号恢复算法提供比简单的$\ell_1$最小化更好的相变性能,特别是对于密集感测矩阵。在本文中,我们表明,一个多项式时间算法可以普遍提高压缩感知的相变性能相比,$\ell_1$最小化,即使是恒模非零元素的信号。相反,传统的智慧,压缩感知矩阵是等距的,我们表明,非等距矩阵不一定是坏的传感矩阵。在本文中,我们还提供了一个框架,用于恢复稀疏信号时,传感矩阵是不等距的。
2013-07-17 cs.IT math.IT math.OC
Guaranteed sparse signal recovery with highly coherent sensing matrices
Claremont McKenna College(克莱蒙特麦肯纳学院);Alcatel-Lucent(阿尔卡特朗讯)
本文提出PartInv算法,解决高相干感知矩阵下的稀疏信号恢复问题,提供理论支持和实证比较。
2014-04-01 cs.IT cs.NA 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
Optimizing Matrices For Compressed Sensing Using Existing Goodness Measures: Negative Results, And An Alternative
压缩感知中稀疏恢复分析的边界涉及到输入信号的稀疏性和感知矩阵的某些性质。因此,在文献中已经做出了努力来优化传感矩阵,以使用该属性进行最佳恢复。我们发现,在优化代码的CACTI相机的特定情况下,互相关最小化的流行方法不产生最佳结果:设计用于优化有效字典相干性的代码往往比随机代码的均方重建误差更差。这一令人惊讶的现象使我们调查的可靠性矩阵优化的一致性界,在其松动。我们研究,模拟数据,松散的界限,因为它传播的各个步骤的不平等的推导导致最终的界限。然后,我们类似地检查由Tang,G.等人,基于稀疏性的$\ell_1/\ell_{\infty}$概念,其是相干性和受限等距常数(RIC)之间的折衷。此外,我们还对Cai,T.这些努力的结论是,一致性优化是有问题的,不仅因为RIC上的一致性约束,而且RIC约束本身。这些负面的结果意味着,尽管以前的工作在设计传感矩阵的基础上优化的矩阵质量因子的成功,一个需要谨慎使用它们的实际传感矩阵设计。然后,我们介绍了一个范例,优化传感矩阵,克服了松散的压缩感知上界使用的平均情况下错误的方法。我们展示了一个概念验证的设计,使用这种模式,令人信服地表现得比基于一致性的设计在CACTI的情况下,一般矩阵没有更差。
2017-07-11 cs.IT math.IT
Compressed sensing matrices from orthogonal spaces over finite fields of odd characteristic
King Mongkut’s University of Technology Thonburi(泰国皇家理工大学吞武里分校)
本文从奇特征有限域正交空间子空间构造确定性压缩感知矩阵,建立其满足受限等距性质的充分条件,通过与DeVore构造对比说明相关性能权衡。
2026-08-25 cs.IT math.IT math.RA
Computable performance guarantees for compressed sensing matrices
压缩感知中$\ell_1$最小化的零空间条件是感知矩阵的一个充分必要条件,在该条件下,通过$\ell_1$最小化可以从观测数据中唯一地恢复稀疏信号。然而,已知验证零空间条件在计算上具有挑战性。大多数现有的方法只能提供上界和下界的比例参数,零空间条件的特点。在本文中,我们提出了新的多项式时间算法来建立比例参数的上界。我们利用这些技术来找到上界,并进一步开发了一个新的程序-树搜索算法-这是能够准确,快速地验证零空间条件。数值实验表明,该方法的执行速度和结果的精度远远超过了以往依赖线性规划(LP)松弛和半定规划(SDP)的方法。
2018-02-04 cs.IT math.IT
Quantized Compressive Sensing with RIP Matrices: The Benefit of Dithering
量化压缩感测(QCS)处理利用量化的有限精度表示对低复杂度信号的压缩测量进行编码的问题,即,这是任何实际传感模型中所涉及的强制过程。虽然这种量化的分辨率明显影响信号重构的质量,但实际上存在量化函数和感测矩阵的不兼容组合,当测量次数增加时,这些组合禁止任意低的重构误差。这项工作表明,一个大类的随机矩阵构造已知的尊重受限制的等距属性(RIP)是“兼容”与一个简单的标量和均匀的量化,如果一个均匀的随机向量,或随机抖动,被添加到量化之前的压缩信号测量。在估计低复杂度信号(例如,稀疏或可压缩信号,低秩矩阵),这种兼容性通过(至少)一种信号重构方法的存在来证明,即投影反投影(PBP),其重构误差随着测量次数的增加而衰减。有趣的是,给定一个RIP矩阵和抖动的单个实现,可以证明小的重构误差对于所考虑的低复杂度集合中的所有信号都是一致的。我们确认这些观察数值在几个场景中,涉及稀疏信号,低秩矩阵,可压缩信号,与各种RIP矩阵结构,如子高斯随机矩阵和随机部分离散余弦变换(DCT)矩阵。
2019-02-12 cs.IT math.IT
Deterministic Construction of Partial Fourier Compressed Sensing Matrices Via Cyclic Difference Sets
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。研究了一种基于循环差集(CDS)确定性构造的压缩感知$K \times N$部分傅立叶测量矩阵。准确地说,该矩阵由$N\times N$逆离散傅立叶变换(IDFT)矩阵的$K$行构成,其中每行索引来自$(N, K, λ)$循环差集。为了保证稀疏信号的恢复,对确定性矩阵的限制等距性(RIP)进行了统计研究。然后,从矩阵的结构提出了一种计算效率高的重建算法。数值结果表明,该算法在允许的计算复杂性下具有较好的恢复性能。
2010-12-28 cs.IT math.IT
Sensing Matrix Design and Sparse Recovery on the Sphere and the Rotation Group
在本文中,{的目标是设计确定性的采样模式上的球和旋转组},从而,构造感测矩阵的稀疏恢复带限函数。首先证明了由Wigner D-函数的随机样本组成的随机感知矩阵在适当的预处理下满足限制等距性(RIP),并且可以用于旋转群上的稀疏恢复。然而,互相关是用来评估性能的确定性和定期的传感矩阵。我们发现,许多广泛使用的常规采样模式产生的传感矩阵最坏的可能的互相关,因此是不可取的稀疏恢复。使用量子力学中的角动量分析工具,我们提供了一个新的表达的相互相干性,这鼓励使用规则的高程样本。我们构造低相干确定性矩阵固定的定期样本的仰角和最小化的方位角偏振选择的相互相干。结果表明,一旦高程采样是固定的,互相关有一个下限,只依赖于高程样本。然而,这个下限,可以实现球谐函数,这导致新的传感矩阵具有更好的相干性比其他代表性的常规采样模式。这也反映在我们的数值实验中,我们提出的采样模式完全匹配随机采样模式的相变。
2020-02-24 cs.IT math.IT
Structured sublinear compressive sensing via belief propagation
压缩感知(CS)是一种采样技术,旨在降低稀疏数据采集的复杂性。CS技术的实际部署的主要障碍之一是信号重建时间和随机感测矩阵的高存储成本。我们提出了一种新的结构化压缩感知方案,基于代码的图形,允许联合设计的结构化传感矩阵和几何复杂度重建算法。当与正交匹配追踪(OMP)方法结合使用时,压缩感测矩阵可以被示出为提供渐进最优性能。对于更详细的贪婪重建计划,我们提出了一个新的家庭的列表解码的信念传播算法,以及加强和多基础的信念传播算法。我们的仿真结果表明,加强BP CS计划提供了非常好的复杂度性能折衷非常稀疏的信号向量。
2011-07-11 cs.IT math.IT
Robust Sensing of Low-Rank Matrices with Non-Orthogonal Sparse Decomposition
针对具有非正交稀疏秩1分解的低秩矩阵恢复问题,提出一种可通过交替最小化求解的变分公式,证明其全局最优解的逼近精度,并推导多类测量下的重构保证,数值实验验证了理论有效性。
2023-06-12 cs.IT math.IT
Deterministic partial binary circulant compressed sensing matrices
压缩感知(CS)是一种同时获取和降低信号的稀疏表示维数的信号采集范式。这是通过收集信号的线性、非自适应测量来实现的,其可以被形式化为将信号与"测量矩阵"相乘。CS中使用的大多数矩阵是随机矩阵,因为它们在具有高概率的最佳测量次数范围内满足限制等距性质(RIP)。然而,这些矩阵有自己的警告,因此,已经提出了确定性测量矩阵。虽然在文献中有广泛的确定性矩阵类,我们提出了一类新的确定性矩阵使用勒让德符号。该构造具有简单的结构,它喜欢是二进制矩阵,并且具有部分循环结构,其提供快速矩阵-向量乘法和快速重构算法。我们将推导出可以用这类矩阵测量(和重建)的信号的稀疏水平上的界。我们使用这些矩阵进行量化,我们验证了这些矩阵的性能(并与其他现有的建设)数值。
2019-11-18 cs.IT math.IT math.ST
A Fast Noniterative Algorithm for Compressive Sensing Using Binary Measurement Matrices
The University of Texas at Dallas(得克萨斯大学达拉斯分校)
在本文中,我们提出了一种新的压缩感知算法,利用二进制测量矩阵,并实现了超稀疏向量的精确恢复,在一个单一的通道,没有任何迭代。由于它的非迭代性质,我们的算法是数百倍的速度比$\ell_1$范数最小化,和方法的基础上扩展图,这两个都需要多次迭代。我们的算法可以容纳几乎稀疏的向量,在这种情况下,它恢复索引集的最大组件,也可以容纳突发噪声测量。与保证实现所有稀疏向量的精确恢复的压缩感知方法相比,我们的方法需要更少的测量。然而,实现统计恢复的方法,即恢复几乎所有但不是所有的稀疏向量,可能需要比我们的方法更少的测量。
2018-05-21 cs.IT cs.LG math.IT
Construction of a Large Class of Deterministic Sensing Matrices that Satisfy a Statistical Isometry Property
压缩感知的目标是使用非常少的测量来捕获$k$稀疏信号的属性。在标准压缩感测范例中,要求$\m\times \n$测量矩阵$\A$充当所有$k$稀疏信号的集合上的近似等距(受限等距属性或RIP)。虽然已知某些概率过程生成以高概率满足RIP的$\m \times \n$矩阵,但是没有用于验证给定感测矩阵$\A$是否具有对于标准恢复算法的可行性至关重要的该属性的实用算法。相反,本文提供了简单的标准,保证一个确定性的传感矩阵满足这些标准作为一个近等距的绝大多数$k$稀疏信号,特别是,大多数这样的信号有一个独特的表示在测量域。概率仍然起着关键作用,但它进入信号模型,而不是传感矩阵的构造。我们要求传感矩阵的列在逐点乘法下形成一个组。该构造允许恢复方法,其预期性能在$\n$中是次线性的,并且在$\m$中仅是二次的;对预期性能的关注比标准压缩感知中流行的最坏情况分析更典型地是主流信号处理。我们的框架包括许多家庭的确定性传感矩阵,包括那些形成离散啁啾,Delsarte-Goethals码,和扩展BCH码。
2009-10-10 cs.IT math.IT math.PR
Compressed sensing with sparse, structured matrices
在压缩感知问题的背景下,我们提出了一种新的稀疏随机矩阵的集合,它允许(i)在N的时间线性内获取和压缩长度为N的ρ0稀疏信号,以及(ii)通过使用在N的时间线性内运行的消息传递算法(期望最大化置信传播)来完美地恢复以α速率压缩的原始信号。在大N限制下,本文提出的方案非常接近理论界ρ0 = α,因此它是最优的和有效的(线性时间复杂度)。更一般地说,我们表明,几个密集的随机矩阵的合奏可以转换成合奏的稀疏随机矩阵,具有相同的阈值,但低得多的计算复杂性。
2013-04-12 cond-mat.dis-nn cond-mat.stat-mech cs.IT
Adaptive sensing using deterministic partial Hadamard matrices
本文研究了具有给定概率分布的随机向量保持熵的确定性矩阵的构造。特别是,它表明,对于随机向量具有i.i.d.离散分量,这是通过选择Hadamard矩阵的行子集来实现的,使得(i)选择是确定性的(ii)所选行的分数为零。与此相反,它表明,对于随机向量与i.i.d.连续的组件,没有部分阿达玛矩阵的减少维允许保持熵。这些结果与Wu-Verdu关于几乎无损模拟压缩的结果一致。然而,本文的动机是阿达玛矩阵的复杂性属性,它允许使用高效和稳定的重建算法。证明技术是基于极性码鞅参数和一个新的熵功率不等式的整数值随机变量。
2012-02-29 cs.IT math.IT
Robust one-bit compressed sensing with partial circulant matrices
我们提出了一个现实的情况下,一位压缩感知问题的最佳样本复杂度估计:该程序使用结构化矩阵(随机子采样循环矩阵),是强大的模拟预量化噪声以及对抗性的比特腐败的量化过程。我们的研究结果意味着,量化是不是一个统计上昂贵的过程中存在的非平凡的模拟噪声:恢复需要相同的样本大小,一个将需要有高斯测量矩阵和噪声模拟测量数据。
2018-12-17 cs.IT eess.SP math.IT
Optimizing Sensing Matrices for Spherical Near-Field Antenna Measurements
在这篇文章中,我们解决的问题,减少所需的样本数量的球形近场天线测量(SNF)通过使用压缩感知(CS)。保证稀疏恢复算法的数值性能的条件是设计具有低互相关的感测矩阵。在不固定采样模式的任何部分的情况下,我们提出了采样点,通过使用增广拉格朗日方法,最大限度地减少各自的传感矩阵的互相关。数值实验表明,所提出的采样方案产生了更高的恢复成功的相变图相比,其他已知的采样模式,如螺旋和Hammersley采样计划。此外,我们还证明了CS与优化的传感矩阵的应用程序需要更少的样本比经典的方法来重建球模系数(SMC)和远场图案。
2022-06-05 cs.IT eess.SP math.IT
D-OAMP: A Denoising-based Signal Recovery Algorithm for Compressed Sensing
近似消息传递(AMP)是压缩感知(CS)中一种有效的迭代信号恢复算法。对于具有独立同分布(i.i.d.)高斯项,AMP的行为可以渐近描述的标量递归称为状态演化。正交AMP(OAMP)是AMP的一种变体,它对去噪器施加了无发散约束。在本文中,我们将OAMP扩展到包含通用去噪器,因此命名为D-OAMP。我们的数值结果表明,状态演化预测的性能D-OAMP以及通用去噪时,i.i.d.涉及高斯或部分正交传感矩阵。我们比较了去噪-AMP(D-AMP)和D-OAMP从CS测量恢复自然图像的性能。仿真结果表明,D-OAMP算法在部分正交感知矩阵的收敛速度和恢复精度上都优于D-AMP算法。
2016-10-19 cs.IT math.IT
Deterministic Bounds for Restricted Isometry of Compressed Sensing Matrices
压缩感测(CS)是一个新兴领域,其使得能够从少量$m \ll n$的线性投影重构仅具有$k \ll n$非零系数的稀疏信号$x \in {\mathbb R} ^n$。通过将$x$乘以矩阵$Φ\in {\mathbb R}^{m \times n}$ --称为CS矩阵--获得投影,其中$k < m \ll n$。在这项工作中,我们提出以下问题:给定定义CS问题大小的三重$\{k, m, n \}$,在${\mathbb R}^{m \times n}$中最好的CS矩阵的性能的确定性限制是什么?我们选择限制等轴测作为性能指标。本文利用$n$,$m$和$k$给出了${\mathbb R}^{m \times n}$中矩阵的限制等距的两个确定性逆界和一个确定性可达界.利用子矩阵奇异值与完全矩阵奇异值之间的复杂关系,得到了第一个逆界(结构界)。通过认识CS矩阵与Grassmannian空间上码的等价性,得到了CS矩阵的第二逆界(填充界)和可达界(覆盖界)。仿真结果表明,随机高斯$Φ$提供远离最佳性能。这三个界限的推导提供了几个新的几何见解,涉及最佳CS矩阵等角紧框架,韦尔奇界,代码格拉斯曼空间,和广义勾股定理(GPT)。
2011-03-27 cs.IT math.IT
MJSAC: McCormick Relaxation-based Waveform Design for Joint Sensing and Communication
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);Indian Institute of Technology Roorkee(罗尔基印度理工学院)
提出一种基于McCormick松弛的波形设计方法MJSAC,通过最大化协方差矩阵间的Frobenius范数距离并保证恒定波束模式,解决非凸优化问题,无需信道信息即可提升通信性能。
2026-06-11 cs.IT math.IT
One-Bit Sensing of Low-Rank and Bisparse Matrices
本文研究了低秩与双稀疏矩阵在one-bit sensing下的最坏情况恢复误差,通过consistency width概念给出理论衰减估计,并提出了在factorized Gaussian sensing schemes下可实现恢复误差按最优速率六次方根衰减的算法。
2019-01-19 cs.IT cs.NA math.IT
Polarization of the Renyi Information Dimension with Applications to Compressed Sensing
在本文中,我们表明,阿达玛矩阵作为一个提取器在现实的Renyi信息维(RID),在一个类似的方式,它如何作为一个提取器的离散熵在有限域。更准确地说,我们证明了一个i.i.d.混合随机变量序列经Hadamard矩阵变换后,分别极化到0和1的极值(分别对应于离散分布和连续分布)。此外,我们证明了RID的偏振模式承认一个封闭的形式的表达,并严格遵循二进制擦除信道(BEC)偏振模式的离散设置。我们还将结果从单终端扩展到多终端设置,获得了RID极化的Slepian Wolf对应物。我们讨论的RID偏振压缩感知的i.i.d.的应用。源特别地,我们使用RID极化构造一族用于压缩感知的确定性$\pm 1$值感知矩阵。我们进行数值模拟,比较所得矩阵的性能与随机高斯和随机阿达玛矩阵。结果表明,所提出的矩阵提供竞争力的性能,而被明确地构造。
2017-08-23 cs.IT math.IT