A New Bound on Approximate Support Recovery
正交匹配追踪(OMP)算法是一种广泛应用于稀疏信号恢复的贪心算法。本文研究了OMP算法在噪声背景下稀疏信号支持度恢复中的性能。我们的分析表明,在稀疏信号中的非零项的最小平均比和信噪比的温和约束下,OMP算法可以恢复信号的支持度,出错率可以是任意小的。我们的结果为[Wang,TSP 2015]的猜想提供了肯定的答案,即通过OMP进行支持度恢复的出错率与信号的最大元素无关。
2020-12-11 cs.IT math.IT
Exact Recovery of Sparse Signals via Orthogonal Matching Pursuit: How Many Iterations Do We Need?
正交匹配追踪(OMP)是一种广泛应用于从压缩测量中恢复稀疏信号的贪心算法。在本文中,我们分析了OMP算法进行精确恢复稀疏信号所需的迭代次数。我们的分析表明,OMP可以准确地恢复所有的$K$稀疏信号的$\lceil 2.8 K \rceil$迭代时,测量矩阵满足限制等距属性(RIP)。我们的结果改进了张的结果,也弥补了张的结果和OMP的基本极限之间的差距,在该极限下$K$ -稀疏信号的精确恢复不能得到一致的保证。
2016-02-20 cs.IT math.IT
Support Recovery with Orthogonal Matching Pursuit in the Presence of Noise: A New Analysis
从压缩线性测量中恢复稀疏信号是压缩感知(CS)中的一个基本问题。本文研究了噪声背景下支持度恢复的正交匹配追踪(OMP)算法。我们考虑两种信噪比(SNR)设置:i)SNR取决于输入信号的稀疏水平$K$,以及ii)SNR是与$K$无关的绝对常数。对于第一个设置,我们建立了必要和充分条件的确切支持恢复OMP,表示为SNR的下限。我们的研究结果表明,为了确保精确的支持恢复所有$K$稀疏信号的OMP算法,信噪比必须至少与稀疏水平$K$的线性比例。在第二种设置中,由于不满足SNR的必要条件,因此不可能使用OMP进行精确的支持恢复。然而,我们的分析表明,恢复一个任意小的,但恒定比例的错误是可能的OMP算法。这一结果可能是有用的一些实际应用中,获得一些大部分的支持位置是足够的。
2015-01-20 cs.IT math.IT
A* Orthogonal Matching Pursuit: Best-First Search for Compressed Sensing Signal Recovery
压缩感知是一个正在发展的领域,其目标是在降维的情况下重建稀疏信号,这使得恢复过程欠确定。由于稀疏性,所需的解是具有最小$\ell_0$范数的解,然而解决$\ell_0$最小化问题是不实际的。常用的技术包括$\ell_1$最小化,例如基追踪(BP)和贪婪追踪算法,例如正交匹配追踪(OMP)和子空间追踪(SP)。本文提出了一种新的半贪婪恢复方法,即A* 正交匹配追踪(A*OMP)。A*OMP执行A* 搜索,在路径生长类似于正交匹配追踪(OMP)算法的树上寻找稀疏解。树上的路径根据成本函数进行评估,该成本函数应补偿不同的路径长度。为此,定义了三种不同的辅助结构,包括新颖的动态结构。A*OMP还结合了修剪技术,使算法的实际应用。此外,可调整的搜索参数提供了用于复杂度-准确度折衷的手段。我们证明了所提出的方案的重建能力,综合生成的数据和图像使用高斯和伯努利观测矩阵,其中A*OMP产生更少的重建误差和更高的准确恢复频率比BP,OMP和SP。结果还表明,新的动态成本函数提供了改进的结果相比,传统的选择。
2012-03-14 cs.IT math.IT
On The Exact Recovery Condition of Simultaneous Orthogonal Matching Pursuit
在过去的几年中,已经开发了几种精确恢复准则(ERC),以确保正交匹配追踪(OMP)识别稀疏信号的正确支持。这些ERC依赖于限制等距属性(RIP),相关的限制等距常数(RIC),有时限制正交常数(ROC)。在本文中,三个最新的ERC OMP进行了检查。的贡献是表明,这些ERC仍然有效的推广OMP,同时正交匹配追求(SOMP),这是能够同时处理几个测量向量,并返回一个共同的支持估计的基础稀疏向量。的界限的清晰度也简要讨论了以往的作品集中在OMP。
2015-12-15 cs.IT math.IT
A Modified Multiple OLS (m$^2$OLS) Algorithm for Signal Recovery in Compressive Sensing
正交最小二乘(OLS)算法是压缩感知中一种重要的稀疏信号恢复算法,在测量矩阵相关的情况下,其恢复成功率优于其他已知的稀疏信号恢复算法。多重OLS(Multiple OLS,mOLS)是最近提出的一种改进的OLS算法,它通过推广OLS算法中的贪婪选择原理,在每次迭代中选择多个候选项,比OLS算法具有更快的收敛速度。在本文中,我们提出了一个改进版本的mOLS算法,在迭代的每一步,我们首先预选一个子矩阵的测量矩阵适当,然后应用mOLS计算所选择的子矩阵。由于mOLS现在只对子矩阵而不是整个矩阵起作用,因此计算量大大减少。然而,该算法的收敛性需要确保真正的候选人依次通过预选和基于mOLS的选择这两个阶段。本文提出了收敛条件的噪声和无噪声信号模型。所提出的算法具有更快的收敛性能类似于mOLS,在大大降低了计算复杂性。
2018-08-01 cs.IT math.IT stat.ME
Sparse Recovery with Orthogonal Matching Pursuit under RIP
本文对正交匹配追踪(OMP)算法进行了新的分析。证明了在稀疏度为$O(\bar{k})$的情况下,若满足约束等距性(RIP),则OMP可以恢复2-范数下的$\bar{k}$ -稀疏信号.对于压缩感测应用,该结果意味着为了在$\Real^d$中均匀地恢复$\bar{k}$稀疏信号,仅需要$O(\bar{k} \ln d)$随机投影。该分析改进了OMP的早期结果,这些结果依赖于更强的条件,例如只能用$Ω(\bar{k}^2 \ln d)$随机投影满足的互不相干性。
2011-06-03 cs.IT math.IT
Cooperative Sparsity Pattern Recovery in Distributed Networks Via Distributed-OMP
Syracuse University(雪城大学)
针对分布式网络中多测量数据的稀疏信号稀疏模式协作估计问题,提出基于正交匹配追踪的分布式贪婪算法,通过融合各节点估计的支撑集实现性能提升,并扩展至二元假设检验框架。
2012-11-28 cs.IT cs.NA math.IT
OMP Based Joint Sparsity Pattern Recovery Under Communication Constraints
研究了资源受限分布式网络中基于低维多测量向量的联合稀疏模式恢复问题。我们假设分布式节点观察稀疏信号共享相同的稀疏模式,每个节点通过一个低维线性算子获得测量。当在通信网络中的分布式节点处收集测量结果时,通常需要在诸如通信带宽和发送/处理功率之类的固有资源约束下执行联合稀疏恢复。我们提出了两种方法来考虑通信约束,同时执行常见的稀疏模式恢复。首先,我们探讨使用一个共享的多路访问信道(MAC)在转发观察居住在每个节点的融合中心。使用MAC,虽然带宽要求不取决于节点的数量,但融合中心只能访问观测值的线性组合。我们讨论的条件下,共同稀疏模式可以可靠地估计。其次,我们开发了两个基于正交匹配追踪(OMP)的协作算法,以低通信开销的分散方式联合估计公共稀疏模式。在所提出的算法中,每个节点利用相邻节点之间的合作,通过共享少量的信息融合在不同的阶段,估计在贪婪的方式的真实支持度的指数。所提出的算法的效率和有效性,证明通过模拟与最相关的现有算法考虑性能增益和通信开销之间的权衡比较。
2014-02-28 cs.IT math.IT
Greedy Sparse Signal Recovery Algorithm Based on Bit-wise MAP detection
我们提出了一种新的贪心算法的支持恢复稀疏信号从少量的噪声测量。在该方法中,一个新的支持指数是确定每一次迭代的基础上逐位最大后验概率(B-MAP)检测。这在检测剩余支持索引之一的意义上是最佳的,前提是在先前迭代中检测到的所有索引都是正确的。尽管它是最优的,但它需要昂贵的复杂性来计算最大化度量(即,每个剩余支持的后验概率)。我们解决这个问题,提出了一个很好的代理(命名为B-MAP代理)的最大化度量,这是足够准确的,以找到最大的索引,而不是一个确切的概率,此外,它很容易评估,只使用向量相关的正交匹配追踪(OMP),但使用完全不同的代理矩阵的最大化。我们表明,建议B-MAP检测提供了一个显着的增益相比,现有的方法OMP和MAP-OMP,具有相同的复杂度。在此基础上,利用压缩采样匹配追踪(CoSaMP)和子空间追踪(SP)的思想,构造了基于B-MAP代理的改进贪心算法。通过仿真,我们表明,所提出的方法优于OMP和MAP-OMP下的先进的贪心算法的框架。
2019-10-28 cs.IT math.IT
Path-Aware OMP Algorithms for Provenance Recovery in Wireless Networks
低延迟起源嵌入方法由于其跟踪信息流足迹的能力而在车辆网络中受到关注。一种这样的已知方法基于布隆过滤器,其中转发分组的节点适当地选择一定数量的散列函数以将它们的签名嵌入分组中的共享空间中。虽然布隆过滤器方法可以在起源恢复中达到所需的准确度水平,但是已知它们会导致更高的处理延迟,因为需要更多数量的散列函数来满足准确度水平。出于这种行为,我们确定了一个制度的延迟约束,其中必须提出新的出处嵌入方法作为布隆过滤器方法不再适用。为了填补这一研究空白,我们提出了网络编码的边缘嵌入(NCEE)协议,促进低延迟路由的数据包在车辆网络应用。首先,我们证明了NCEE协议的起源恢复方法的设计问题相当于著名的压缩感知问题,然而,与路径形成的解决方案的额外约束。随后,我们提出了一个家庭的路径感知的正交匹配追踪算法,共同结合了稀疏性和路径约束。通过大量的仿真结果,我们表明,我们的算法享有低复杂度的实现,也提高了路径恢复性能相比,路径无关的同行。
2021-09-12 cs.IT math.IT
Sparse recovery via Orthogonal Least-Squares under presence of Noise
我们考虑的正交最小二乘(OLS)算法的恢复$m$维$k$稀疏信号从少量的噪声线性测量。在信号非零元素满足一定条件的情况下,建立了有界噪声环境下OLS的精确恢复条件。新的结果也改善了现有的保证正交匹配追踪(OMP)算法。此外,该框架还可以为系数矩阵是根据高斯分布或伯努利分布随机抽取的情况提供概率保证,其中我们利用了一些集中性质。结果表明,在一定条件下,OLS在$k$迭代中以很高的概率恢复真实支持度。这又证明了${\cal O}\left(k\log m\right)$测量足以通过OLS精确恢复稀疏信号。
2016-08-08 cs.IT math.IT stat.ML
On the Fundamental Recovery Limit of Orthogonal Least Squares
正交最小二乘(OLS)是稀疏恢复、函数逼近和子集选择的经典算法。在本文中,我们分析了OLS算法的性能保证。具体来说,我们表明,OLS保证任何$K$ -稀疏向量在$K$迭代的准确重建,只要一个传感矩阵具有单位$\ell_{2}$ -范数列,并满足限制等距属性(RIP)的顺序$K+1$与\begin{align*} δ_{K+1} &<C_{K} = \begin{cases} \frac{1}{\sqrt{K}}, & K=1, \\ \frac{1}{\sqrt{K+\frac{1}{4}}}, & K=2, \\ \frac{1}{\sqrt{K+\frac{1}{16}}}, & K=3, \\ \frac{1}{\sqrt{K}}, & K \ge 4. \end{cases} \end{align*}此外,我们表明,建议的保证是最佳的意义上,如果$δ_{K+1} \ge C_{K}$,那么存在一个反例,其中OLS未能恢复。
2020-08-21 cs.IT math.IT
Error-Correction for Sparse Support Recovery Algorithms
University of Southern California(南加州大学);Telecom Paris(巴黎电信学院);Institut Polytechnique de Paris(巴黎综合理工学院)
考虑压缩感测设置,其中要利用给定算法从$n$线性测量恢复$m$ -稀疏$d$ -维信号$x$的支持$s^*$。假设测量结果使得算法不能保证完美的支持恢复,并且可能会丢失真实特征。它们能否有效地回收?本文通过一个简单的纠错模块LiRE来解决这个问题。LiRE将真实支持度$s^*$的估计$s_{in}$作为输入,并输出精确支持度估计$s_{out}$。在无噪声测量设置中,建立保证LiRE恢复整个支持的充分条件,即$s_{out}$包含$s^*$。这些条件意味着,例如,在高维制度LiRE可以纠正一个次线性的$m$数量的错误正交匹配追踪(OMP)。LiRE的计算复杂性为$O(mnd)$。随机高斯设计矩阵的实验结果表明,LiRE通过压缩采样匹配追踪,基追踪(BP)和OMP大大减少了完美支持恢复所需的测量数量。有趣的是,将LiRE添加到OMP产生比BP更准确且显著更快的支持恢复程序。这种观察在噪声测量设置中继续。最后,作为一个独立的支持度恢复算法与随机初始化,实验表明,LiRE的重建性能介于OMP和BP。这些结果表明,LiRE可以被用于一般,在任何次优基线支持恢复算法的顶部,以提高支持恢复或操作较少数量的测量,在一个相对较小的计算开销的成本。可替代地,LiRE可以用作相对于OMP具有竞争力的独立支持恢复算法。
2021-03-05 cs.IT cs.LG math.IT
Signal-Dependent Performance Analysis of Orthogonal Matching Pursuit for Exact Sparse Recovery
从线性测量$y=Ax$精确恢复$K$ -稀疏信号$x \in \mathbb{R}^{n}$,其中$A\in \mathbb{R}^{m\times n}$是感测矩阵,由许多应用引起。正交匹配追踪(OMP)算法被广泛用于重建$x$。OMP性能分析中的一个基本问题是随机矩阵$A$和最小$m$的$x$的精确恢复概率的特征,以保证目标恢复性能。在许多实际应用中,除了稀疏性之外,$x$还具有一些额外的属性。本文表明,这些属性可以用来完善上述问题的答案。在本文中,我们首先表明,$x$的非零项的先验信息可以用来提供一个上界的$\|x\|_1^2/\|x\|_2^2$。然后,我们使用这个上限开发一个下界的概率$x$使用OMP在$K$迭代的精确恢复。此外,我们开发了一个下界的测量$m$的数量,以保证使用$K$迭代的OMP的确切的恢复概率不小于给定的目标概率。最后,我们表明,当$K=O(\sqrt{\ln n})$,$n$和$K$都趋于无穷大时,对于任何$0<ζ\leq 1/\sqrtπ$,$m=2K\ln (n/ζ)$测量足以确保精确恢复任何$K$ -稀疏$x$的概率不低于OMP的$K$迭代的$1-ζ$。对于$K$ -稀疏$α$ -强衰减信号和$K$ -稀疏$x$,其非零项独立且相同地遵循高斯分布,足以以不低于$1-ζ$的概率进行精确恢复的测量的数量分别进一步减少到$m=(\sqrt{K}+4\s…
2020-08-12 cs.IT math.IT
Recovery of Block-Sparse Representations from Noisy Observations via Orthogonal Matching Pursuit
我们研究的问题,从噪声损坏的测量块稀疏信号的稀疏模式的恢复。一个简单,有效的恢复方法,即块版本的正交匹配追踪(OMP)的方法,被认为是本文和它的行为恢复块稀疏模式进行了分析。我们提供了充分的条件下,块版本的OMP可以成功地恢复块稀疏表示存在噪声。我们的分析表明,利用块稀疏性可以提高恢复能力,并导致保证恢复更高的稀疏水平。数值结果证实了我们的理论主张。
2011-09-26 cs.IT math.IT
Exact Recovery Conditions for Sparse Representations with Partial Support Information
我们解决的精确恢复的k-稀疏向量的无噪声设置时,一些部分信息的支持。该部分信息采取真实支持的子集或包括错误原子的近似子集的形式。我们得到了一个新的充分和最坏情况下的必要条件(在某种意义上)的成功的一些程序的基础上lp松弛,正交匹配追踪(OMP)和正交最小二乘(OLS)。我们的结果是基于字典的一致性“mu”,并放宽了众所周知的条件mu<1/(2k-1),确保在非知情设置中恢复任何k-稀疏向量。当信息支持由g个好原子和b个错误原子组成时,它读为mu<1/(2k-g+b-1)。我们强调,我们的条件是互补的一些限制等距为基础的条件表明,他们都不意味着其他。由于这种互相关条件是所有过程所共有的,因此我们基于空间性质(NSP)和精确恢复条件(ERC)进行了更精细的分析。连接建立有关的LP-松弛程序和OMP在知情的设置的表征。首先,我们强调,截断NSP享有有序性时,p减少。其次,OMP的部分ERC(ERC-OMP)依次意味着对于有信息的l1问题的截断NSP和对于p<1的截断NSP。
2013-05-17 cs.IT math.IT
Exact Sparse Signal Recovery via Orthogonal Matching Pursuit with Prior Information
正交匹配追踪(OMP)算法是用于从线性模型$\y=\A\x$恢复$K$-稀疏信号$\x\in \mathbb{R}^{n}$的常用算法,其中$\A\in \mathbb{R}^{m\times n}$是感测矩阵。OMP算法性能分析中的一个基本问题是对随机矩阵$\A$精确恢复$\x$的概率的刻画。尽管在许多实际应用中,除了稀疏性之外,$\x$通常还具有一些附加的性质(例如,$\x$的非零项独立且同分布地服从高斯分布),但现有的分析都没有使用这些性质来回答上述问题。在本文中,我们首先表明,$\x$的先验分布信息可以用来提供一个上界的$\|\x\|_1^2/\|\x\|_2^2$,然后探索界开发一个更好的下界的概率与OMP在$K$迭代的确切恢复。仿真实验表明了新界的优越性。
2019-04-20 cs.IT math.IT
On Probability of Support Recovery for Orthogonal Matching Pursuit Using Mutual Coherence
在本文中,我们提出了一种新的基于相干性的正交匹配追踪(OMP)算法的性能保证。导出了在加性高斯白噪声下正确识别稀疏信号支撑的概率下界。与以前的工作相比,新的界限考虑了信号参数,如动态范围,噪声方差和稀疏性。数值模拟表明,显着的改进,以前的工作和更接近的匹配经验获得的结果的OMP算法。
2017-09-27 cs.IT math.IT
Performance of Orthogonal Matching Pursuit for Multiple Measurement Vectors
本文研究了多测量向量(MMV)问题的正交匹配追踪(OMP)算法。研究了OMPMMV在一般扰动下的鲁棒性问题--当观测向量和传感矩阵都含有加性噪声时。主要结果表明,虽然精确的恢复稀疏的解决方案是不现实的噪声的情况下,恢复的支持集的解决方案是有保证的适当的条件。具体地说,一个充分条件,推导出保证精确恢复的稀疏解决方案在无噪声的情况下。
2011-09-29 cs.IT math.IT
Perturbation Analysis of Orthogonal Matching Pursuit
正交匹配追踪(OMP)算法是一种典型的稀疏近似贪婪追踪算法.以前的OMP研究主要考虑通过$\bm Φ$和$\bm y=\bm Φ\bm x$精确恢复稀疏信号$\bm x$,其中$\bm Φ$是列数多于行数的矩阵。本文基于约束等距性(RIP),分析了OMP在一般扰动下的性能,即$\bm y$和$\bm Φ$同时受到扰动。虽然精确恢复几乎稀疏的信号$\bm x$不再是可行的,主要的贡献表明,在合理的条件下,可以保证$k$的最大幅度条目的位置的精确恢复$\bm x$。并估计了$\bm x$与OMP解之间的误差。通过构造一个例子,证明了该充分条件的严格性.当$\bm x$是强衰减的时,证明了充分条件可以放宽,甚至可以恢复到条目数量级的位置。
2013-03-09 cs.IT math.IT
A Sharp Condition for Exact Support Recovery of Sparse Signals With Orthogonal Matching Pursuit
利用正交匹配追踪(OMP)从噪声测量中恢复稀疏信号的支持度已被广泛研究。在本文中,我们表明,对于任何$K$ -稀疏信号$\x$,如果传感矩阵$\A$满足具有限制等距常数(RIC)$δ_{K+1} < 1/\sqrt {K+1}$的阶$K + 1$的限制等距性质(RIP),则在对$\x$的非零元素的最小幅度的某种约束下,OMP算法精确地从$K$迭代中的测量值$\y=\A\x+\v$恢复$\x$的支持度,其中,$\v$是噪声向量。该条件在$δ_{K+1}$方面是尖锐的,因为对于任何给定的正整数$K\geq 2$和任何$1/\sqrt{K+1}\leq t<1$,总是存在$K$ -稀疏$\x$和满足$δ_{K+1}=t$的矩阵$\A$,对于该矩阵,OMP可能无法在$K$迭代中恢复信号$\x$。此外,对$\x$的非零元素的最小幅度的约束比现有的结果弱。
2018-07-10 cs.IT math.IT
A Sharp Condition for Exact Support Recovery of with Orthogonal Matching Pursuit
利用正交匹配追踪(OMP)从噪声测量中恢复稀疏信号的支持度已被广泛研究。在本文中,我们表明,对于任何$K$ -稀疏信号$\x$,如果一个传感矩阵$\A$满足约束等距性质(RIP)与约束等距常数(RIC)$δ_{K+1} < 1/\sqrt {K+1}$,那么在一定的约束下的最小幅度的非零元素的$\x$,OMP准确地恢复支持$\x$从它的测量$\y=\A\x+\v$在$K$迭代,其中$\v$是$\ell_2$或$\ell_{\infty}$有界的噪声向量。该充分条件在$δ_{K+1}$方面是尖锐的,因为对于任何给定的正整数$K$和任何$1/\sqrt{K+1}\leq δ<1$,总是存在满足具有$δ_{K+1}=δ$的RIP的矩阵$\A$,对于该矩阵,OMP在$K$迭代中不能恢复$K$稀疏信号$\x$。此外,我们的约束的最小幅度的非零元素的$\x$是弱于现有的。此外,我们提出了最坏情况下的必要条件的确切支持恢复的$\x$,其特征在于由最小幅度的非零元素的$\x$。
2017-12-15 cs.IT math.IT
A Novel Sparse recovery based DOA estimation algorithm by relaxing the RIP constraint
非相关和相干混合源的波达方向估计是阵列信号处理中一个长期存在的难题。压缩感知在阵列信号处理中的应用开辟了一类令人兴奋的算法。研究了正交匹配追踪(OMP)算法在不同场景下的波达方向(DOA)估计中的应用,特别是在相干源和观测结果不一致的情况下。在本文中,提出了一种改进的OMP算法,以克服这些不足,利用最大方差为基础的标准,只有一个快照。该准则放松了测量矩阵的约束等距性(RIP),从而降低了局部OMP算法输入向量的稀疏性。此外,它还处理源,而不管它们的一致性。给出了弱-1 RIP算法稀疏性降低的条件,并说明了该算法优于OMP算法的原因。此外,还提出了一种简单的方法来计算均匀线阵中的源距参考点的距离。数值分析表明了该算法的有效性。
2018-09-07 cs.IT eess.SP math.IT
On-Grid DOA Estimation Method Using Orthogonal Matching Pursuit
多个窄带相干或部分相干信源的波达方向估计是阵列信号处理中的一个主要难题。虽然文献中有许多基于子空间的算法,但它们都没有直接解决解决相干源的问题,例如不修改样本数据协方差矩阵。基于压缩感知(CS)的稀疏恢复算法作为一种新的技术被应用于这一领域。本文将正交匹配追踪(OMP)算法引入DOA估计问题。我们演示了如何DOA估计问题可以建模为稀疏恢复问题,然后利用OMP来获得DOA集。此外,该算法只使用一个快照来获得结果。仿真结果证明了OMP算法的有效性和优于现有的基于子空间的算法。
2018-01-25 cs.IT math.IT
Complex Orthogonal Matching Pursuit and Its Exact Recovery Conditions
UESTC(电子科技大学)
本文针对复数情况(复测量向量、复字典和复加性高斯白噪声),提出正交匹配追踪(OMP)在无噪声和有界高斯噪声下精确恢复稀疏信号的条件,并推导了复数情况下的精确恢复条件(ERC)。
2012-06-11 cs.IT cs.NA math.IT
An Improved RIP-Based Performance Guarantee for Sparse Signal Recovery via Orthogonal Matching Pursuit
最近报道的一个充分条件是,通过正交匹配追踪(OMP)在K次迭代中完美恢复K-稀疏向量的传感矩阵的限制等距常数满足delta_K+1<1/(sqrt(delta_K+1)+1)。通过利用由压缩时两个正交稀疏向量之间的可实现角度表征的近似正交条件,本文表明,delta的上限可以进一步放宽至delta_K+1<(sqrt(1+4*delta_K+1)-1)/(2K)。因此,该结果缩小了迄今为止最佳已知界限与最终性能保证delta_K+1<1/(2K)之间的差距。(sqrt(delta_K+1)),这是Dai和Milenkovic在2009年提出的。所提出的近似正交性条件也被利用来导出在几个压缩感知问题中用于信号重构的较少限制的充分条件,包括在噪声环境中通过OMP的信号恢复、压缩域干扰消除以及通过子空间追踪算法的支持识别。
2014-01-03 cs.IT math.IT
Tuning Free Orthogonal Matching Pursuit
正交匹配追踪(OMP)是一种广泛应用的压缩感知(CS)算法,用于恢复噪声线性回归模型中的稀疏信号。OMP的性能取决于其停止准则(SC)。在文献中讨论的用于OMP的SC通常假设要估计的信号的稀疏性$k_0$或噪声方差$σ^2$的知识,这两者在许多实际应用中是不可用的。在这篇文章中,我们开发了一个修改版本的OMP称为调谐自由OMP或TF-OMP,它不需要SC。TF-OMP被证明是成功的稀疏恢复在通常的假设下的限制等距常数(RIC)和设计矩阵的互相关。数值上显示,与具有$k_0$或$σ^2$的\textit{a priori}知识的OMP相比,TF-OMP提供高度竞争性的性能。贪婪鲁棒去噪算法(Greedy Algorithm for Robust De-noising,GARD)是一种OMP类算法,用于估计稀疏离群值破坏的超定线性回归模型。然而,GARD需要内点噪声方差的知识,这是很难估计的。我们还产生了一个调谐免费算法(TF-GARD)的有效估计稀疏离群值的存在下,通过扩展TF-OMP的工作原理GARD。TF-GARD的数字显示,以实现与GARD的现有实施的性能。
2017-03-15 cs.IT math.IT stat.ML
Recovery of Sparse Matrices via Matrix Sketching
Syracuse University(雪城大学);Technion-Israel Institute of Technology(以色列理工学院)
本文研究通过矩阵草图Y=AXB^T恢复未知稀疏矩阵X的问题,采用矩阵形式而非克罗内克积结构改进FISTA和OMP算法,提升计算效率。
2013-11-11 cs.IT cs.NA math.IT
Generalized Orthogonal Matching Pursuit
正交匹配追踪(OMP)算法作为一种从压缩测量中恢复稀疏信号的贪心算法,近年来受到了广泛的关注。在本文中,我们介绍了一个扩展的OMP追求效率重建稀疏信号。我们的方法,此后被称为广义OMP(gOMP),是字面上的广义OMP在这个意义上,多个$N$指数确定每次迭代。由于选择了多个“正确"索引,与OMP相比,gOMP算法以更少的迭代次数完成。我们表明,gOMP可以完美地重建任何$K$稀疏信号($K > 1$),只要传感矩阵满足RIP与$δ_{NK} < \frac{\sqrt{N}}{\sqrt{K} + 3 \sqrt{N}}$。我们还表明,通过实证模拟,gOMP具有良好的恢复性能相比,$\ell_1$ -最小化技术具有快速的处理速度和竞争力的计算复杂性。
2014-03-30 cs.IT math.IT
Recovery of Sparse Signals via Generalized Orthogonal Matching Pursuit: A New Analysis
广义正交匹配追踪(gOMP)作为正交匹配追踪(OMP)的一种扩展,可以提高稀疏信号的恢复性能。在本文中,我们提出了一个新的分析gOMP算法使用限制等距属性(RIP)。我们表明,如果测量矩阵$\mathbfΦ \in \mathcal{R}^{m \times n}$满足RIP与$$δ_{\max \left\{9, S + 1 \right\}K} \leq \frac{1}{8},$$,那么gOMP执行稳定的重建所有$K$稀疏信号$\mathbf{x} \in \mathcal{R}^n$从噪声测量$\mathbf{y} = \mathbf{Φx} + \mathbf{v}$在$\max \left\{K, \left\lfloor \frac{8K}{S} \right\rfloor \right\}$迭代,其中$\mathbf{v}$是噪声向量和$S$是在gOMP算法的每次迭代中选择的索引的数量。对于高斯随机测量,我们的研究结果表明,所需的测量的数量基本上是$m = \mathcal{O}(K \log \frac{n}{K})$,这是一个显着的改进,在现有的结果$m = \mathcal{O}(K^2 \log \frac{n}{K})$,特别是对于大的$K$。
2015-04-04 cs.IT math.IT
On A Class of Greedy Sparse Recovery Algorithms
Zhejiang University of Science & Technology(浙江科技学院);DAMO Academy, Alibaba Group US(阿里巴巴集团美国达摩院);Iowa State University(爱荷华州立大学);Rice University(莱斯大学)
本文提出了一种新的贪心方法,通过在稀疏空间中直接利用给定测度来解决稀疏信号恢复问题,提出的算法在恢复精度上优于传统OMP和BP算法。
2026-04-08 cs.IT eess.SP math.IT
Signal and Noise Statistics Oblivious Orthogonal Matching Pursuit
IIT Madras(印度理工学院马德拉斯分校)
正交匹配追踪(OMP)算法是一种广泛应用于恢复线性回归模型中稀疏高维向量的算法。OMP的最佳性能要求\textit{a priori}知道回归向量的稀疏性或噪声统计。这两个统计量都很少为\textit{a priori}所知,并且很难估计。在本文中,我们提出了一种新的技术,称为剩余比阈值(RRT)操作OMP没有任何\textit{a priori}知识的稀疏性和噪声统计,并建立有限样本和大样本支持恢复保证相同。在真实数据集和合成数据集上的分析结果和数值模拟表明,RRT具有与具有稀疏性和噪声统计的\textit{a priori}知识的OMP相当的性能。
2018-06-02 cs.IT cs.LG math.IT
Recovery of Sparse Signals Using Multiple Orthogonal Least Squares
Rutgers, The State University of New Jersey(罗格斯,新泽西州立大学)
我们研究了从压缩的线性测量中恢复稀疏信号的问题。这个问题,通常被称为稀疏恢复或稀疏重建,近年来产生了很大的兴趣。为了恢复稀疏信号,我们提出了一种新的方法,称为多个正交最小二乘(MOLS),它扩展了著名的正交最小二乘(OLS)算法,允许多个$L$指数选择每次迭代。由于在每次选择中包含多个支持度指标,MOLS算法在更少的迭代次数内收敛,并提高了传统OLS算法的计算效率。理论分析表明,如果测量矩阵满足等距常数为$δ_{LK} < \frac{\sqrt{L}}{\sqrt{K} + 2 \sqrt{L}}.$的限制等距性质(RIP),则MOLS($L > 1$)在$K$迭代内可以精确恢复所有$K$稀疏信号。结果表明,当信噪比与输入信号的稀疏程度成线性关系时,MOLS算法可以实现稀疏信号的稳定恢复。
2015-12-31 cs.IT cs.LG math.IT
Nearly Optimal Bounds for Orthogonal Least Squares
本文研究了用于稀疏恢复的正交最小二乘(OLS)算法。一方面,我们证明了如果采样矩阵$\mathbf{A}$满足等距常数为$$ δ_{K + 1} < \frac{1}{\sqrt{K+1}}, $$的$K + 1$阶的限制等距性质(RIP),则OLS在$K$迭代中精确地从其样本$\mathbf{y} = \mathbf{A} \mathbf{x}$中恢复任何$K$ -稀疏向量$\mathbf{x}$的支持。另一方面,我们表明,OLS可能无法恢复$K$ -稀疏向量$\mathbf{x}$的支持在$K$迭代的一些$K$,如果$$ δ_{K + 1} \geq \frac{1}{\sqrt{K+\frac{1}{4}}}. $$
2017-07-10 cs.IT math.IT
Bayesian Hypothesis Test for Sparse Support Recovery using Belief Propagation
在本文中,我们介绍了一种新的支持恢复算法,从噪声测量称为贝叶斯假设检验通过信念传播(BHT-BP)。BHT-BP侧重于稀疏支持恢复,而不是稀疏信号估计。BHT-BP算法的核心思想是利用假设检验来检测稀疏向量的支持集,其中检验中使用的后验密度是借助于置信传播(BP)来获得的。由于BP算法利用噪声统计量提供精确的后验信息,因此BHT-BP算法可以恢复支持度,并且对测量噪声具有鲁棒性。此外,BHT-BP算法具有较低的计算成本相比,其他算法的使用BP。我们展示了BHT-BP在参数(N; M; K; SNR)上的支持恢复性能,并通过数值结果将BHT-BP的性能与OMP和Lasso进行了比较。
2013-02-26 cs.IT math.IT
Orthogonal Matching Pursuit with Noisy and Missing Data: Low and High Dimensional Results
许多稀疏回归模型通常假设协变量是完全已知的,并且没有噪声。特别是在高维应用中,情况往往并非如此。本文开发了高效的OMP类算法来处理正是这种设置。我们的算法是有效的OMP,并改善最知名的结果,在回归中的缺失和噪声数据,无论是在高维设置,我们试图从只有几个测量恢复稀疏向量,并在经典的低维设置,我们恢复一个非结构化的回归。在高维环境中,我们的支持恢复算法甚至不需要了解噪声的统计信息。一路上,我们还获得了改进的性能保证OMP的标准稀疏回归问题与高斯噪声。
2015-03-30 cs.IT math.IT math.ST
A sharp recovery condition for sparse signals with partial support information via orthogonal matching pursuit
本文考虑了$k$ -稀疏信号的精确恢复在无噪声设置和支持恢复在有噪声的情况下,当一些先验信息支持的信号是可用的。这种事先支持包括两个部分。一部分是真支撑的子集,另一部分在真支撑之外。对于$k$ -稀疏信号$\mathbf{x}$,其先验支持由$g$真索引和$b$错索引组成,证明了如果感知矩阵$\mathbf{A}$的约束等距常数(RIC)$δ_{k+b+1}$满足\begin{eqnarray*} δ_{k+b+1}<\frac{1}{\sqrt{k-g+1}}, \end{eqnarray*},则正交匹配追踪(OMP)算法可以在$k-g$迭代中从$\mathbf{y}=\mathbf{Ax}$中完美地恢复信号$\mathbf{x}$.此外,我们还证明了上述关于RIC的充分条件是尖锐的。在噪声的情况下,我们实现了在适当的条件下从$\mathbf{y}=\mathbf{Ax}+\mathbf{v}$的$k$ -稀疏信号$\mathbf{x}$的剩余支持(在先前支持之外的真实支持的部分)的精确恢复。对于剩余支持恢复,我们也得到了一个必要条件的基础上的最小幅度的部分非零元素的信号$\mathbf{x}$。
2017-06-29 cs.IT math.IT
New Coherence and RIP Analysis for Weak Orthogonal Matching Pursuit
本文定义了一个新的词典相干性指标,即全局2-相干性,并研究了它与传统的互相干性和约束等距常数的关系。通过探索这种关系,我们得到了更一般的结果稀疏信号重建使用贪心算法的压缩感知(CS)框架。特别是,我们得到了一个改进的约束等距常数的最佳已知的结果,成功地恢复稀疏信号,使用正交匹配追踪(OMP)。
2014-05-14 cs.IT math.IT
Orthogonal Matching Pursuit: A Brownian Motion Analysis
Tropp和Gilbert的著名分析表明,正交匹配追踪(OMP)可以从通过随机高斯测量矩阵获得的4k log(n)无噪声线性测量恢复k稀疏n维实向量,其中当n接近无穷大时,概率接近1。这项工作加强了这一结果表明,较低数量的测量,2 k log(n-k),实际上是足够的渐近恢复。更一般地,当稀疏水平满足kmin <= k <= kmax但未知时,2 kmax log(n-kmin)测量就足够了。此外,如果信噪比(SNR)缩放到无穷大,则该测量数量也足以检测具有测量误差的矢量的稀疏模式(支持)。缩放2k log(n-k)精确地匹配用于具有类似SNR缩放的信号恢复的更复杂的套索方法所需的测量的数量。
2011-05-30 cs.IT math.IT
Super-Resolution by Compressive Sensing Algorithms
在这项工作中,超分辨率的4种压缩感知方法(OMP,BP,BLOOMP,BP-BLOT)与高度相干的部分傅立叶测量进行了比较研究。引入了一种更适合于测量尖峰恢复质量的替代度量,并且基于过滤的概念,该过滤具有代表支持偏移的公差水平的参数。在滤波误差范数方面,对于任意大的超分辨率因子,只有BLOOMP和BP-BLOT可以对瑞利指数为1的分离良好的尖峰进行网格无关恢复。此外,BLOOMP和BP-BLOT都可以将尖峰支持定位在瑞利长度的百分之几内。这是超分辨率的一种弱形式。只有BP-BLOT可以实现这一壮举,用于由瑞利长度的一小部分分离的紧密间隔的尖峰,这是一种强大的超分辨率形式。
2012-11-26 cs.IT math.IT physics.optics
Subspace-Sparse Representation
给定过完备字典$A$和作为$A$的几个线性独立列的线性组合的信号$b$,经典稀疏恢复理论处理恢复唯一稀疏表示$x$使得$b = A x$的问题。已知在一定条件下,$A$上的$x$可以通过基追踪(BP)和正交匹配追踪(OMP)算法恢复。在这项工作中,我们考虑更一般的情况下,$b$在于一个低维子空间跨越的$A$,这可能是线性相关的一些列。在这种情况下,稀疏解$x$一般是不唯一的,我们研究的问题,表示$x$确定的子空间,即非零条目的$x$对应的字典原子的子空间。这样的表示$x$称为子空间稀疏。我们提出了保证子空间稀疏恢复的充分条件,这些条件具有清晰的几何解释,并解释了子空间稀疏恢复的性质。我们还证明了在随机化模型下,充分条件可以满足。我们的结果是适用于传统的稀疏恢复问题,我们得到的条件稀疏恢复的限制比规范的相互相干条件。我们还利用这些结果对基于稀疏表示的分类方法进行了分析,得到了证明其正确性的条件。
2015-07-06 cs.IT math.IT stat.ML
Exact Sparse Recovery with L0 Projections
Cornell University(康奈尔大学);Rutgers University(罗格斯大学)
许多应用涉及稀疏信号,例如,从监控摄像机拍摄的连续图像之间的差异中检测异常。本文主要研究在N维空间中恢复K-稀疏信号x的问题。在压缩感测(CS)的主流框架中,通过诸如线性编程(LP)的某种优化过程,从M个非自适应线性测量y = xS恢复向量x,其中S(大小为NXM)通常是高斯(或类高斯)设计矩阵。在我们提出的方法中,设计矩阵S是从具有$α\approx 0$的$α$稳定分布生成的。我们的解码算法主要需要一个线性扫描的坐标,其次是几个迭代的少数坐标是“未定”在前一次迭代。与两个强基线,线性规划(LP)和正交匹配追踪(OMP)的比较表明,我们的算法可以显着更快的解码速度和更准确的恢复质量,为准确的备用恢复的任务。我们的方法对测量噪声是鲁棒的。即使没有足够的测量,我们的算法仍然可以可靠地恢复非零坐标的重要部分。为了提供理解我们的方法的直觉,我们还通过假设一个理想化的设置来分析该过程。有趣的是,当K=2时,“理想化”算法仅用3次测量就实现了精确恢复,而与N无关。对于一般K,“理想化”算法所需的样本量约为5 K。
2013-02-04 cs.IT cs.LG math.IT
Polar Polytopes and Recovery of Sparse Representations
假设我们有一个信号y,我们希望用许多基本原子a_i的线性组合来表示,y=sum_i x_i a_i = Ax。寻找y的最小L0范数表示是一个困难的问题。基寻踪(BP)方法建议找到最小L1范数表示,这对应于可以使用现代LP技术求解的线性规划(LP),并且最近的几位作者已经给出了BP(最小L1范数)和稀疏(最小L0解)表示相同的条件。在本文中,我们探讨这个稀疏表示问题}使用凸多面体的几何,最近引入到该领域的多诺霍。通过考虑对偶LP,我们发现中心对称多面体P的顶点为原子对+-ai的极多面体P特别有助于我们从几何上理解Fuchs和Tropp给出的非单位范数原子集的最优性条件.在探索这个几何,我们能够收紧这些早期的结果,例如,富克斯条件是必要的和充分的L1-唯一最优性,并有情况下,正交匹配追踪(OMP)最终可以找到所有的L1-唯一最优解m非零,即使ERC失败的m,如果允许运行超过m步。
2005-10-13 cs.IT math.IT
The greedy side of the LASSO: New algorithms for weighted sparse recovery via loss function-based orthogonal matching pursuit
本文提出基于损失函数推广 OMP 的加权稀疏恢复贪婪算法,给出多种加权 LASSO 形式的显式选择规则,并通过实验验证其继承 SR-LASSO 与 LAD-LASSO 的优良特性。
2025-02-16 cs.IT cs.NA math.IT
OFDM pilot allocation for sparse channel estimation
在通信系统中,频谱的有效使用是一个不可或缺的问题。最近,已经提出了使用压缩感知来估计正交频分复用(OFDM)稀疏多径信道,以减少信道估计所必需的导频子载波形式的传输开销。本文研究了OFDM系统中的确定性导频分配问题。该方法基于最小化与导频子载波相关联的酉离散傅里叶变换(DFT)矩阵的子矩阵的相干性。与通常的等距导频子载波的情况下,我们表明,基于循环差集的非均匀图案是最佳的。在没有差集的情况下,我们执行贪婪搜索方法来找到次优解。我们还研究了恢复方法,如正交匹配追踪(OMP)和迭代法与自适应采样保持(IMAT)的信道抽头估计的性能。
2011-06-22 cs.IT math.IT
Modified Hard Thresholding Pursuit with Regularization Assisted Support Identification
Indian Institute of Technology, Kharagpur(印度理工学院卡拉格普尔分校)
硬阈值追踪(HTP)是最近提出的一种迭代稀疏恢复算法,它是将迭代硬阈值(IHT)的支持度选择步骤和正交匹配追踪(OMP)的估计步骤相结合的结果。HTP已被视为享有改善的恢复保证以及增强的收敛速度。HTP的成功很大程度上归功于其改进的支持选择能力,这是由于IHT的支持选择步骤。在本文中,我们提出了一种广义HTP算法,称为正则化HTP(RHTP),HTP的支持选择步骤被替换为IHT型支持选择,其中成本函数被替换为正则化成本函数,而估计步骤继续使用最小二乘函数。与可分解的正则化,满足一定的规律性条件下,RHTP算法产生一个序列动态等价于一个序列不断发展,根据HTTP样的演变,其中的识别阶段有一个梯度premultiplied与时变对角矩阵。RHTP也被证明,无论是在理论上,和数值上,享受更快的收敛速度与无噪声和噪声测量矢量的HTP。
2020-06-02 cs.IT cs.LG cs.NA
Sparse Signal Detection with Compressive Measurements via Partial Support Set Estimation
在本文中,我们考虑的问题,稀疏信号检测的部分支持集估计的基础上压缩测量在分布式网络中。假设网络中的多个节点观测共享共同但未知支持的稀疏信号。而在传统的压缩感知(compressive sensing,CS)框架中,目标是恢复完整的稀疏信号,而在稀疏信号检测中,完整的信号恢复可能并不需要做出可靠的检测决策。特别是,可以基于部分或不准确估计的信号来执行检测,这需要比完整信号恢复所需的计算负担更少的计算负担。为此,我们研究了基于部分估计支持集的稀疏信号检测问题。首先,我们讨论了如何确定支持集的最小分数是已知的,以便在一个集中的设置实现所需的检测性能。其次,我们开发了两种分布式算法的稀疏信号检测时,原始压缩的意见是不可用的中央融合中心。在这些算法中,最终的决策统计量计算的基础上局部估计的部分支持集通过正交匹配追踪(OMP)在各个节点。所提出的分布式算法具有较少的通信开销,提供相当的性能(有时更好)的集中式方法时,估计的部分支持集的大小是非常小的。
2016-08-09 cs.IT math.IT stat.AP
Robust High Dimensional Sparse Regression and Matching Pursuit
我们认为高维稀疏回归,并制定战略,能够处理任意-可能的,严重的或协调-在协方差矩阵$X$的错误。这些可能来自损坏的数据,持续的实验错误,或恶意的受访者在调查/推荐系统等非随机误差变量的问题是出了名的难以处理,正如我们所证明的,这个问题是特别明显的高维设置的主要目标是{ \em支持恢复}的稀疏回归。我们开发的算法支持稀疏回归恢复,当一些数字$n_1$出$n+n_1$总协变量/响应对{ \it任意(可能恶意)损坏}。我们感兴趣的是了解我们可以容忍多少离群值$n_1$,同时确定正确的支持。据我们所知,无论是标准的离群值拒绝技术,也不是最近开发的强大的回归算法(只关注损坏的响应变量),也不是最近的算法处理随机噪声或擦除,可以提供支持恢复的保证。也许令人惊讶的是,我们还表明,自然蛮力算法,搜索所有子集的$n$协变量/响应对,所有子集的可能的支持坐标,以尽量减少回归误差,是非常差的,无法正确地识别支持,甚至$n_1 = O(n/k)$损坏点,其中$k$是稀疏。即使在我们考虑的基本设置中也是如此,其中所有真实的测量和噪声都是独立的和亚高斯的。在这种情况下,我们提供了一个简单的算法--计算量不比OMP大--它提供了更强的性能保证,可以恢复多达$n_1 = O(n/(\sqrt{k} \log p))$损坏点的支持,其中$p$是要恢复的信号的维度。
2013-01-12 cs.IT cs.LG math.IT