Recovery of signals by a weighted $\ell_2/\ell_1$ minimization under arbitrary prior support information
在本文中,我们引入了一个加权的$\ell_2/\ell_1$最小化恢复块稀疏信号与任意先验支持信息。在部分先验信息可用的情况下,基于高阶块RIP,给出了一个保证加权$\ell_2/\ell_1$最小化算法稳定鲁棒恢复块稀疏信号的充分条件.然后,我们表明,如果任意先验块支持估计的准确性至少是$50\%$,充分恢复条件的加权$\ell_2/\ell_{1}$最小化是弱于由$\ell_2/\ell_{1}$最小化,和加权$\ell_2/\ell_{1}$最小化提供更好的上界的测量噪声和信号的可压缩性方面的恢复误差。此外,我们通过大量的数值实验说明了加权$\ell_2/\ell_1$最小化方法在均匀和非均匀先验信息下块稀疏信号恢复性能方面的优势。结果的意义在于,明确利用块稀疏信号的块稀疏性和部分支持信息,可以获得更好的恢复性能比处理的信号是在传统意义上,从而忽略了额外的结构和先验支持信息的问题。
2017-06-29 cs.IT math.IT
Recovery of sparsest signals via $\ell^q$-minimization
本文证明了只要每个$s$ -稀疏向量${\bf x}\in {\mathbb R}^n$由测量${\bf z}$唯一确定,每个$s$-稀疏向量${\bf x}\in {\mathbb R}^n$都可以从测量向量${\bf z}={\bf A} {\bf x}\in {\mathbb R}^m$通过$0< q\le 1$的一些$\ell^q$ -最小化精确地恢复.
2010-05-03 cs.IT math.IT
Efficient Federated Low Rank Matrix Recovery via Alternating GD and Minimization: A Simple Proof
本文为使用AltGDmin算法解决低秩列向感知问题的样本复杂度保证提供了更简单、更短的证明,并给出了改进的保证。
2024-02-20 cs.IT math.IT
Robust analysis $\ell_1$-recovery from Gaussian measurements and total variation minimization
分析$\ell_1$ -恢复是指从不完整的损坏测量中恢复在某些变换域中稀疏的信号的技术。这包括当变换域由差分算子生成时作为重要特殊情况的总变分最小化。在本论文中,我们提供了一个约束的高斯测量成功恢复所需的总变差的情况下,分析运营商是一个框架。当信号的分析表示的稀疏性不是很小时,该界限特别适合。
2015-04-27 cs.IT math.IT
Exact Recovery for Sparse Signal via Weighted $l_1$ Minimization
压缩感知文献中的数值实验表明,重新加权的$l_1$最小化在恢复稀疏信号方面表现得非常好。本文从经典的零空间性质(NSP)和限制等距常数(RIC)界出发,给出了加权$l_1$最小化方法恢复稀疏信号的精确条件和算法。本文首先引入加权零空间性质的概念,并揭示了它是精确恢复的充分必要条件。然后,我们证明了RIC界加权$l_1$最小化是$δ_{ak}<\sqrt{\frac{a-1}{a-1+γ^2}}$,其中$a>1$,$0<γ\leq1$是由零空间上的优化问题。当$γ< 1$时,该界限大于来自$l_1$最小化的$\sqrt{\frac{a-1}{a}}$。此外,我们还建立了$δ_k$的上界,并证明了在某些情况下,通过$l_1$最小化,它可以大于尖锐的上界1/3,通过加权$l_1$最小化,它也可以大于0.4343.最后,基于权值选择原则,我们实现了一种改进的迭代加权$l_1$极小化(MIRL 1)算法,数值实验表明,该算法的性能明显优于$l_1$极小化和迭代加权$l_1$极小化(IRL 1)算法.
2014-06-15 cs.IT math.IT
Performance analysis of tail-minimization and the linear rate of convergence of a proximal algorithm for sparse signal recovery
本文分析尾最小化的恢复误差界,提出一种基于Hadamard积参数化的近端交替算法求解尾-lasso问题,在RIP条件下证明其线性收敛,数值实验显示恢复性能显著优于现有方法。
2025-01-25 cs.IT math.IT
Weighted $\ell_1$-Minimization for Sparse Recovery under Arbitrary Prior Information
加权$\ell_1$ -最小化已被研究作为一种技术,用于从压缩采样测量重构稀疏信号时,有关信号的先验信息,在一个支持估计的形式,是可用的。在这项工作中,我们研究的恢复条件和相关的恢复保证加权$\ell_1$ -最小化时,允许任意多个不同的权重。例如,当对于信号的支持具有多个估计并且这些估计具有不同的准确度时,可以使用这样的设置。我们的分析产生了一个扩展现有的作品,假设只有一个单一的支持估计后,应用一个恒定的权重。我们包括数值实验,与合成信号和真实的视频数据,证明了在重建过程中允许非均匀权重的好处。
2016-12-08 cs.IT math.IT
Improved Sparse Recovery Thresholds with Two-Step Reweighted $\ell_1$ Minimization
众所周知,$\ell_1$最小化可以用于从压缩的线性测量恢复足够稀疏的未知信号。事实上,已经计算了作为系统维度之间的比率的函数的关于稀疏性的精确阈值,使得几乎所有稀疏信号都可以以高概率从iid高斯测量中恢复,并且被称为“弱阈值”\cite{D}。在本文中,我们介绍了一个重新加权的$\ell_1$恢复算法组成的两个步骤:一个标准的$\ell_1$最小化步骤,以确定一组条目的信号可能驻留,和一个加权的$\ell_1$最小化步骤,这组以外的条目被处罚。对于非稀疏分量具有iid高斯条目的信号,我们证明了弱恢复阈值的“严格”改进。模拟表明,改进可以是相当令人印象深刻的-在我们考虑的例子中超过20%。
2010-04-02 cs.IT math.IT
Improved recovery guarantees and sampling strategies for TV minimization in compressive imaging
在本文中,我们考虑使用总变差(TV)最小化的压缩成像,也就是说,从二次采样测量图像重建。专注于两个重要的成像模式-即,傅立叶成像和结构化的二进制成像通过沃尔什-阿达玛变换-我们得到统一的恢复保证断言稳定和强大的恢复任意随机采样策略。利用这一点,我们然后推导出一类理论上最优的采样策略。对于傅立叶采样,我们显示了从$m \gtrsim_d s \cdot \log^2(s) \cdot \log^4(N)$测量的具有近似$s$ -稀疏梯度的图像的恢复,在$d \geq 1$维度中。当使用$d = 2$时,这将使当前最先进的结果提高$\log(s) \cdot \log(N)$倍。它还将其扩展到任意尺寸的$d \geq 2$。对于Walsh抽样,我们证明了$m \gtrsim_d s \cdot \log^2(s) \cdot \log^2(N/s) \cdot \log^3(N) $测量在$d \geq 2$维度上是足够的。据我们所知,这是结构化二进制采样与TV最小化的第一个恢复保证。
2020-09-17 cs.IT math.IT
Performance Guarantees for Schatten-$p$ Quasi-Norm Minimization in Recovery of Low-Rank Matrices
我们解决了一些理论保证$p$准范数最小化($p \in (0,1]$)在恢复低秩矩阵从压缩的线性测量。首先,利用测量算子的零空间性质,给出了低秩矩阵精确恢复的一个充分条件。这个条件保证了唯一的恢复矩阵的秩等于或大于核范数最小化所保证的。其次,这个充分条件导致了一个定理证明了所有基于限制等距性质(RIP)的$\ell_p$拟范数最小化的充分条件推广到Schatten- $p$拟范数最小化。基于这个定理,我们提供了一些基于RIP的恢复条件。
2014-10-26 cs.IT math.IT stat.ML
Multi-weight Nuclear Norm Minimization for Low-rank Matrix Recovery in Presence of Subspace Prior Information
加权核范数最小化最近被认为是一种技术,用于从压缩采样测量重构低秩矩阵时,矩阵的行列子空间的一些先验信息是可用的。在这项工作中,我们研究的恢复条件和相关的恢复保证加权核范数最小化时,允许多个权重。当可以访问与地面实况矩阵的列子空间和行子空间形成多个角度的先前子空间时,可以使用该设置。虽然在这一领域的现有作品使用一个单一的权重来惩罚所有的角度,我们提出了一个多权重的问题,旨在惩罚每个角度独立使用一个不同的权重。具体来说,我们证明了我们提出的多权重问题是稳定的和强大的条件下较弱的条件下的测量算子比类似的条件为单权重的情况下,标准的核范数最小化。此外,它提供了比现有技术方法更好的重建误差。我们用大量的数值实验来说明我们的结果,这些实验证明了在恢复过程中允许多个权重的优点。
2022-04-26 cs.IT math.IT
Data recovery from corrupted observations via l1 minimization
本文研究了通过求解l1最小化问题,从一组受损的线性测量中恢复信号矢量和受损的噪声矢量的问题,其中传感矩阵是一个部分傅立叶矩阵,其行是从一个全傅立叶矩阵的行中随机均匀地选择的。在适当地选择l1最小化中的参数后,我们证明了即使当恒定分数的测量值被任意损坏时,恢复也可以成功,而且,只要信号矢量足够稀疏,损坏的测量值的比例可以任意增长到接近1。本文所要求的信号矢量稀疏性的上界是渐近最优的,并且优于文献[1,2]中通过ln(n)因子得到的结果。此外,与现有文献[1-3]相比,我们对信号向量和噪声向量的假设是宽松的,这使得我们的恢复保证更适用。广泛的数值实验的基础上合成以及现实世界的数据,以验证所提出的定理的结论,并证明潜在的l1最小化框架。
2016-01-22 cs.IT math.IT
Sparse Signal Recovery via Generalized Entropy Functions Minimization
压缩感知依赖于对感兴趣的信号施加的稀疏先验来解决欠定线性系统中的不适定恢复问题。用于增强稀疏先验信息的目标函数应该是有效的且易于优化的。受信息论中熵概念的启发,本文提出了信号的广义Shannon熵函数和Rényi熵函数作为稀疏促进正则化子.两个熵函数都是非凸的,不可分的。它们的局部极小值只出现在欧氏空间中正交点的边界上。与其他常用的目标函数相比,最小化广义熵函数自适应地提升了多个高能量系数,同时抑制了其余的低能量系数。相应的优化问题可以转化为一系列加权的$l_1$ -范数最小化问题,然后通过调整FISTA有效地解决。仿真和实际数据的稀疏信号恢复实验表明,所提出的熵函数最小化方法的性能优于其他流行的方法,并达到最先进的性能。
2020-02-23 cs.IT math.IT
A new result of the scaling law of weighted L1 minimization
研究了基于加权L1最小化的压缩感知信号重构的恢复条件。利用广义加权L1极小化方法,给出了系统精确恢复的一个充分条件,建立了权值与可恢复性之间的直接关系。仿真结果表明,该充分条件为加权L1极小化的缩放定律提供了精确的预测。
2015-09-26 cs.IT math.IT
Analyzing Weighted $\ell_1$ Minimization for Sparse Recovery with Nonuniform Sparse Models\footnote{The results of this paper were presented in part at the International Symposium on Information Theory, ISIT 2009}
在本文中,我们介绍了一个非均匀稀疏模型,并分析了性能的优化加权$\ell_1$最小化的稀疏模型。特别是,我们专注于一个模型,其中的未知向量的条目分为两组,每个集合的条目具有特定的非零概率。我们提出了一个加权的$\ell_1$最小化恢复算法,并分析其性能使用格拉斯曼角的方法。我们明确计算系统参数之间的关系-权重,测量的数量,两个集合的大小,非零的概率-因此,当i.i.d.使用随机高斯测量矩阵,加权$\ell_1$最小化随着问题维度的增加以压倒性的概率恢复从所考虑的稀疏模型中提取的随机选择的信号。这使我们能够计算最佳权重。我们证明,通过严格的分析和模拟的情况下,当信号的支持可以分为两个不同的子类具有不等的稀疏分数,最佳加权$\ell_1$最小化优于常规的$\ell_1$最小化。我们还推广到任意数量的类的结果。
2010-09-18 cs.IT math.IT
Weighted $\ell_1$ Minimization for Sparse Recovery with Prior Information
在本文中,我们研究的压缩感知问题,从欠定线性方程组的系统中恢复稀疏信号时,我们有先验信息的未知信号的每个条目是非零的概率。特别是,我们专注于一个模型,其中未知向量的条目分为两组,每组具有不同的非零概率。我们提出了一个加权的$\ell_1$最小化恢复算法,并分析其性能使用格拉斯曼角的方法。我们明确计算系统参数(权重,测量的数量,两个集合的大小,非零的概率)之间的关系,使得iid随机高斯测量矩阵以及加权$\ell_1$最小化随着问题维度的增加以压倒性的概率恢复几乎所有这样的稀疏信号。这使我们能够计算最佳权重。我们还提供了模拟,以证明传统的$\ell_1$优化的方法的优点。
2009-01-19 cs.IT math.IT
Joint-sparse recovery from multiple measurements
联合稀疏恢复问题的目的是恢复,从压缩测量集,未知的稀疏矩阵与非零条目限制到一个子集的行。这是在压缩感知中广泛研究的单测量向量(SMV)问题的扩展。我们分析了两种类型的恢复算法的恢复属性。首先,我们表明,使用范数最小化的总和的恢复不能超过连续SMV使用$\ell_1$最小化的统一恢复率,并有问题,可以解决一种方法,但不能与其他。其次,我们分析了ReMBo算法的性能[M. Mishali和Y. Eldar,IEEE Trans. Sig.程序、56(2008)]结合$\ell_1$最小化,并且示出了随着进行更多的测量,恢复如何改善。从该分析可以得出,具有比非零行数更多的测量值不会提高潜在的理论恢复率。
2009-04-14 cs.IT math.IT
Beyond $\ell_1$-norm minimization for sparse signal recovery
University of British Columbia(不列颠哥伦比亚大学)
稀疏信号恢复一直占主导地位的基础上追求去噪(BPDN)的问题制定了十多年。在本文中,我们提出了一个算法,在寻找稀疏解欠定线性方程组在没有额外的计算成本优于BPDN。我们的算法,称为WSPGL 1,是一个修改的谱投影梯度$\ell_1$最小化(SPGL 1)算法,其中的序列的LASSO子问题被替换为一个序列的加权LASSO子问题与恒定的权重施加到支持估计。支持估计值从数据中导出,并在每次迭代时更新。该算法还在每次迭代时修改Pareto曲线,以反映正在解决的新的加权$\ell_1$最小化问题。我们通过大量的模拟表明,我们的算法的稀疏恢复性能优于$\ell_1$最小化和方法的恢复性能的迭代重新加权$\ell_1$(IRWL 1)最小化的Cand{è}s,Wakin,和博伊德,虽然它不匹配它在一般情况下。此外,我们的算法具有单个BPDN问题的计算成本。
2012-05-30 cs.IT cs.LG math.IT
An Optimal Condition of Robust Low-rank Matrices Recovery
本文研究了低秩矩阵核范数最小化的重构条件。我们得到了充分条件$δ_{tr}<t/(4-t)$与$0<t<4/3$,以保证鲁棒重建$(z\neq0)$或精确重建$(z=0)$的所有秩$r$矩阵$X\in\mathbb{R}^{m\times n}$从$b=\mathcal{A}(X)+z$通过核范数最小化。此外,我们不仅证明了当$t=1$时,$δ_r<1/3$的上界与蔡和张\cite{Cai and Zhang}的结果相同,而且证明了所得到的关于恢复误差的上界更好.此外,我们证明了限制等距性条件是尖锐的。此外,数值实验表明,核范数最小化方法对于恢复低秩矩阵是稳定和鲁棒的。
2020-03-10 cs.IT math.IT
Stable Recovery of Sparse Signals via $l_p-$Minimization
本文证明了在$\|\e\|_2\leq ε$的假设下,即使$\A$的限制等距常数满足$δ_{2k}\in[\frac{\sqrt{2}}{2}, 1)$,每个$k-$稀疏信号$\x\in \mathbb{R}^n$都可以通过$l_p-$与$p\in(0, \bar{p}]$的混合从$\y=\A\x+\e$中稳定地($ε\neq0$)或精确地($ε=0$)恢复出来,其中\beqnn \bar{p} = \begin{cases} \frac{50}{31}(1-δ_{2k}), &δ_{2k}\in[\frac{\sqrt{2}}{2}, 0.7183)\cr 0.4541, &δ_{2k}\in[0.7183,0.7729)\cr 2(1-δ_{2k}), &δ_{2k}\in[0.7729,1) \end{cases},\eeqnn.此外,在$n\leq 4k$的假设下,我们证明了$p$的范围可以进一步提高到$p\in(0,\frac{3+2\sqrt{2}}{2}(1-δ_{2k})]$。这不仅扩展了仅无噪声恢复的一些讨论(Lai等人和Wu等人)。的噪声恢复,而且还大大提高了现有的最佳结果,其中$p\in(0,\min\{1, 1.0873(1-δ_{2k}) \})$(吴等)。
2014-06-17 cs.IT math.IT
The perturbation analysis of nonconvex low-rank matrix robust recovery
本文提出了一种完全扰动的非凸Schatten $p$ -极小化方法来解决完全扰动的低秩矩阵恢复问题。基于约束等距性,将研究推广到既考虑噪声又考虑扰动的完全扰动模型,给出了保证低秩矩阵恢复的约束等距性条件和相应的重构误差界。特别地,对结果的分析表明,对于完全扰动和低秩矩阵,当$p$使$0$和$a>1$减小时,该条件是最优充分条件$δ_{2r}<1$ \cite{Recht et al 2010} .数值实验表明,非凸Schatten $p$ -最小化方法在完全扰动情形下比凸核范数最小化方法具有更好的性能.
2020-06-11 cs.IT math.IT
Sparse Subspace Clustering via Two-Step Reweighted L1-Minimization: Algorithm and Provable Neighbor Recovery Rates
稀疏子空间聚类(SSC)依赖于稀疏回归来精确识别邻居。受压缩感知最新进展的启发,本文提出了一种新的基于两步重加权$\ell_1$ -最小化的SSC稀疏回归算法,该算法推广了E. J. Candès et al in [The Annals of Statistics,vol. 42,no. 2,pp. 669-699,2014],而不会引起额外的算法复杂度。为了充分利用在第一步中计算的稀疏表示向量提供的先验信息,我们的方法对回归向量的每个分量放置权重,并在第二步中求解加权LASSO。我们提出了一个数据加权规则,适用于提高邻居识别精度。然后,在加权LASSO对偶问题的框架下,深入研究了该方案的理论邻居恢复率。具体而言,一个有趣的连接之间的位置的最优稀疏解加权LASSO和指数的对偶问题的主动约束。然后,在半随机模型下,推导了各种邻居恢复事件的解析概率上/下限。我们的分析结果证实,在数据加权的帮助下,如果先验邻居信息是足够准确的,所提出的方案具有更高的概率可以产生许多正确的邻居和一些不正确的邻居相比,没有数据加权的解决方案。计算机模拟提供了验证我们的分析研究和证据所提出的方法的有效性。
2019-07-17 cs.IT math.IT
The Dantzig selector: Recovery of Signal via $\ell_1-α\ell_2$ Minimization
本文提出了一种基于$\ell_{1}-α\ell_{2}$ ~ $(0< α\leq1)$最小化的Dantzig选择器,用于信号恢复。在Dantzig选择器中,对于某个小常数$η>0$的约束$\|{\bf A}^{\top}({\bf b}-{\bf A}{\bf x})\|_\infty \leq η$意味着${\bf A}$的列与误差向量${\bf e}={\bf A}{\bf x}-{\bf b}$的相关性非常弱。首先,恢复保证的基础上的限制等距属性(RIP)的信号建立。接下来,我们提出了有效的算法来解决所提出的Dantzig选择器。最后,我们通过大量的数值实验来说明所提出的模型和算法的恢复信号的情况下,高斯,脉冲和均匀噪声。所提出的Dantzig选择器的性能优于现有的方法。
2021-05-29 cs.IT math.IT math.ST
Noisy Signal Recovery via Iterative Reweighted L1-Minimization
University of California, Davis(加州大学戴维斯分校)
本文分析含噪情况下的迭代重加权L1最小化方法,并证明其误差界优于标准L1最小化方法。
2009-04-24 cs.IT cs.NA math.IT
Sparse Recovery Analysis of Generalized $J$-Minimization with Results for Sparsity Promoting Functions with Monotonic Elasticity
在本文中,我们从理论上研究精确恢复稀疏向量压缩测量最小化一般非凸函数,可以分解成属于一类光滑非凸稀疏促进函数的单变量函数的总和。其中,空间性质(NSP)和限制等距性质(RIP)是主要的理论工具。引入与稀疏性提升函数相关联的\emph{scale function}的概念,以推广$l_p$最小化问题的最新分析技术。分析是用来推导出一个上限的零空间常数(NSC)与这个一般的非凸最小化问题,这是进一步利用推导出的充分条件,精确的恢复作为上限的限制等距常数(RIC),以及最佳稀疏$K$的界限,精确的恢复发生。导出的界限显式计算时,稀疏促进功能$f$考虑拥有的属性,相关的\emph{elasticity function},定义为,$ψ(x)=\frac{xdf(x)/dx}{f(x)}$,是单调的性质。数值模拟进行了验证的有效性的界限和有趣的结论得出不同的稀疏促进功能的比较性能的问题的$1$稀疏信号恢复。
2020-10-19 cs.IT math.IT math.OC
$\ell^1$-Analysis Minimization and Generalized (Co-)Sparsity: When Does Recovery Succeed?
本文在余分析模型假设下,研究了欠采样含噪亚高斯测量信号的估计问题。基于广义的稀疏性概念,我们得到新的恢复保证的$\ell^1$分析的基础上追求,使其样本复杂性的准确预测。所需测量的数量上的相应界限明确地取决于分析算子的Gram矩阵,因此特别考虑了其相互相干结构。我们的研究结果挑战了传统的智慧,促进稀疏的分析系数作为研究的关键量。事实上,这种常见的范式在许多实际感兴趣的情况下完全崩溃,例如,当应用冗余(多级)框架作为分析先验时。通过大量的数值实验,我们证明,相比之下,我们的理论采样率界可靠地捕捉各种例子,如冗余小波系统,总变分,或随机帧的恢复能力。我们的主要结果的证明建立在最近的成就,凸几何的数据采掘问题。更确切地说,我们建立了一个复杂的上界的圆锥高斯平均宽度,是与底层的$\ell^1$分析多面体。由于一个新的本地化参数,事实证明,所提出的框架自然扩展到稳定的恢复,使我们能够将可压缩系数序列以及。
2021-02-22 cs.IT math.IT
Necessary and Sufficient Null Space Condition for Nuclear Norm Minimization in Low-Rank Matrix Recovery
University of Iowa(爱荷华大学)
低秩矩阵恢复在机器学习、信号处理、协同滤波、系统辨识和欧几里得嵌入等科学和工程领域有着广泛的应用。但低秩矩阵恢复问题是一个NP难问题,因此具有挑战性。一种常用的启发式方法是核范数最小化。在文献[12,14,15]中,作者建立了核范数极小化的充要零空间条件(强零空间条件),以恢复所有可能的秩不超过r的低秩矩阵。此外,在[12]中,Oymak等人利用核范数最小化建立了一个成功恢复给定低秩矩阵的零空间条件(弱零空间条件),并导出了核范数最小化的相变。本文证明了文[12]中的弱零空间条件只是利用核范数极小化成功恢复矩阵的一个充分条件,而不是文[12]中所声称的必要条件。本文进一步给出了低秩矩阵恢复的一个弱零空间条件,它是核范数极小化成功的充要条件。在我们的推导的核心是一个不等式的特征块矩阵的核范数,并在该不等式的等式成立的条件。
2018-02-14 cs.IT cs.LG eess.SP
Weighted-{$\ell_1$} minimization with multiple weighting sets
本文研究了当存在多个不同精度的支持度估计集时,基于加权$\ell_1$最小化的压缩感知信号重构的支持度恢复条件。我们确定一类信号,从$\ell_1$最小化恢复的向量提供了一个准确的支持估计。然后,我们推导出稳定性和鲁棒性的保证加权$\ell_1$最小化问题的多个支持估计。我们表明,应用较小的权重,以支持估计,享有更高的准确性,提高了恢复条件相比,一个单一的支持估计的情况下,与标准的情况下,即,非加权、$\ell_1$最小化。我们的理论结果得到了合成信号和真实音频信号的数值模拟的支持。
2012-05-30 cs.IT math.IT
New Null Space Results and Recovery Thresholds for Matrix Rank Minimization
核范数最小化(NNM)最近获得了显着的关注,其用于秩最小化问题。类似于压缩感知,使用零空间表征,在\cite{arxiv,Recht_Xu_Hassibi}中研究了NNM的恢复阈值。然而,仿真结果表明,阈值是远离最佳的,特别是在低秩区域。在本文中,我们应用最近的分析Stojnic压缩感知\cite{mihailo}的零空间条件的NNM。由此产生的阈值明显更好,特别是我们的弱阈值似乎与模拟结果相匹配。此外,我们的曲线表明,对于任何秩与矩阵大小$n$线性增长,我们只需要三倍的过采样(模型复杂度)弱恢复。与\cite{arxiv}类似,我们分析了弱阈值、分段阈值和强阈值的条件。另外,对正半定矩阵的特殊情况,也作了单独的分析。最后,我们讨论了模拟结果和未来的研究方向。
2010-11-29 cs.IT math.IT math.OC
Recovery of signals under the high order RIP condition via prior support information
本文研究了在部分先验支持信息存在的情况下,加权$l_{1}$最小化算法在不完全线性测量信号重构中的恢复条件。我们得到,高阶RIP条件可以保证稳定和强大的恢复信号有界$l_{2}$和Dantzig选择器噪声设置。同时,我们不仅证明了加权$l_{1}$最小化方法的充分恢复条件弱于标准$l_{1}$最小化方法,而且证明了加权$l_{1}$最小化方法在先验支持估计精度至少为$50\%$的条件下,在测量噪声和信号压缩性方面提供了更好的重构误差上界.此外,还证明了该条件的精确性.
2016-02-27 cs.IT math.CA math.FA
Phaseless compressive sensing using partial support information
研究了部分支持信息存在时,加权$\ell_1$最小化算法在无相位压缩感知测量信号重构中的恢复条件.为保证恢复的稳定性,给出了强约束等距性条件。此外,我们提出了加权零空间属性作为$k$ -稀疏无相恢复通过加权$\ell_1$最小化成功的充分必要条件。数值实验验证了我们的结果。
2017-12-13 cs.IT math.IT
Stable Recovery of Weighted Sparse Signals from Phaseless Measurements via Weighted l1 Minimization
无相位压缩感知的目标是从其测量值的幅度恢复未知的稀疏或近似稀疏信号。然而,它不利用原始信号的任何支持信息。因此,我们在本文中的主要贡献是扩展无相位压缩感知的理论框架,将与信号的支持结构的先验知识。具体来说,我们调查两个条件,保证稳定恢复的加权$k$稀疏信号通过加权L1最小化没有任何相位信息。我们首先证明了加权零空间属性(WNSP)是加权k-稀疏相位可恢复的加权l1最小化成功的充分必要条件。此外,我们表明,如果一个测量矩阵满足强加权限制等距属性(SWRIP),那么原始信号可以稳定地恢复从无相测量。
2021-07-10 cs.IT eess.SP math.FA
Nonuniform Sparse Recovery with Subgaussian Matrices
压缩感知预测可以从高度不完整的信息中恢复足够稀疏的向量。有效的恢复方法,如$\ell_1$ -最小化找到稀疏的解决方案,某些系统的方程。随机矩阵已经成为测量矩阵的流行选择。实际上,对于这样的矩阵,已经显示出接近最优的均匀恢复结果。在本文中,我们专注于使用高斯随机矩阵和$\ell_1$ -最小化的非均匀恢复。我们提供了一个条件的稀疏性和信号长度,保证了一个固定的稀疏信号可以恢复与随机抽取的矩阵使用$\ell_1$ -最小化的样本数。这个条件中的常数2是最优的,并且与Donoho和Tanner的类似结果相比,证明相当短。
2011-08-16 cs.IT math.IT math.PR
The block mutual coherence property condition for signal recovery
本文研究了含噪环境下块稀疏信号的稳定恢复问题,提出了基于块互干性的充分条件与误差上界估计,首次证明了 $\ell_2/\ell_1-\alpha\ell_2$ 最小化方法稳定重建块稀疏信号的有效性,并通过数值实验验证了其性能。
2023-11-28 cs.IT math.IT
Direction of Arrival Estimation Using Co-prime Arrays: A Super Resolution Viewpoint
本文研究了利用一种新提出的非均匀线阵结构(互素阵)进行波达方向估计的问题。通过利用接收信号的二阶统计信息,互质阵列在只有M + N个传感器的情况下表现出O(MN)自由度。提出了一种基于稀疏性的恢复方法,以充分利用这些自由度。与传统的稀疏恢复方法不同,该方法是基于超分辨率理论的发展,它考虑了一个连续的范围内的可能来源,而不是离散到一个离散的网格。该方法可以忽略传统稀疏恢复中的离网效应,从而提高了DOA估计的精度。在本文中,我们表明,在无噪声的情况下,理论上可以检测到M N源只有2M + N传感器。噪声2统计的互质阵列进行了分析,以证明所提出的优化方案的鲁棒性。提出了一种基于稀疏方法重构频谱的信源个数检测方法。通过大量的数值算例,与空间平滑的MUSIC方法和离散稀疏恢复方法相比,本文方法在DOA估计精度、自由度和分辨能力等方面都具有明显的优越性。
2013-12-30 cs.IT math.IT
Compressed Sensing and Affine Rank Minimization under Restricted Isometry
本文建立了压缩感知和仿射秩最小化的新的约束等距条件。它示出的压缩感知,$δ_{k}^A+θ_{k,k}^A < 1$保证精确恢复的所有$k$稀疏信号在无噪声的情况下,通过约束$\ell_1$最小化。此外,上界1在以下意义上是尖锐的:对于任何$ε> 0$,条件$δ_k^A + θ_{k, k}^A < 1+ε$不足以保证使用任何恢复方法的这种精确恢复。类似地,对于仿射秩最小化,如果$δ_{r}^\mathcal{M}+θ_{r,r}^\mathcal{M}< 1$,则所有秩至多为$r$的矩阵可以通过约束核范数最小化在无噪声情况下精确地重建;并且对于任何$ε> 0$,$δ_r^\mathcal{M} +θ_{r,r}^\mathcal{M} < 1+ε$不确保使用任何方法进行这样的精确恢复。此外,在噪声情况下,条件$δ_{k}^A+θ_{k,k}^A < 1$和$δ_{r}^\mathcal{M}+θ_{r,r}^\mathcal{M}< 1$也足以分别稳定恢复稀疏信号和低秩矩阵。还讨论了应用和扩展。
2013-04-12 cs.IT math.IT math.ST
Tensor theta norms and low rank recovery
我们研究了压缩感知和低秩矩阵恢复的扩展,从不完全线性信息恢复低秩张量。虽然通过核范数最小化重构低秩矩阵是相当好的理解,现在,几乎没有理论可用于扩展到高阶张量由于各种理论和计算困难所产生的张量分解。事实上,核范数最小化矩阵恢复是一个易处理的凸松弛方法,但扩展的核范数张量一般是NP-难计算。在这篇文章中,我们引入了张量核范数的凸松弛,它可以通过半定规划在多项式时间内计算。我们的方法是基于θ机构,一个概念,从计算代数几何类似的拉萨尔松弛。我们引入了多项式理想,它是由对应于张量的不同矩阵化的二阶未成年人产生的(其中张量项被视为变量),使得核范数球是理想的代数簇的凸包。对于这样一个理想,$k$ -th θ体产生一个新的范数,我们称之为$θ_k$ -范数。我们表明,在矩阵的情况下,这些规范减少到核规范。然而,对于$d \geq 3$阶张量,我们得到了新的范数。相应的单位- $θ_k$ -范数球序列渐近收敛于单位张量核范数球。通过提供理想的格罗布纳基,我们明确地给出了半定程序的计算$θ_k$ -范数和最小化的$θ_k$ -范数下的仿射约束。通过$θ_1$ -范数最小化的3阶张量恢复的数值实验表明,我们的方法成功地重建张量的低秩不完整的线性(随机)测量。
2017-02-14 cs.IT math.IT
Guarantees of Total Variation Minimization for Signal Recovery
在本文中,我们考虑使用总变分最小化恢复信号的梯度有一个稀疏的支持,从少量的测量。证明了在稀疏梯度支持下恢复\emph{one-dimensional}信号的全变差最小化性能保证。这部分地回答了在这样的设置\cite{TVMulti}中证明总变差最小化的保真度的公开问题。特别是,我们已经表明,可恢复的梯度稀疏可以线性增长的信号尺寸时,电视最小化。通过使用格拉斯曼角框架,显式地计算了1维信号的TV最小化的可恢复稀疏阈值。我们还将我们的结果扩展到多维信号的TV最小化。利用1维TV最小化恢复信号本身的稳定性也已经通过称为“1维TV范数的几乎欧几里德性质”的性质建立。我们进一步给出了恢复具有$N$元素和$K$ -稀疏梯度的1维信号向量的随机高斯测量数的下界。有趣的是,所需的测量的数量是由$Ω((NK)^{\frac{1}{2}})$,而不是$O(K\log(N/K))$界经常出现在恢复$K$稀疏信号矢量下界。
2013-10-11 cs.CV cs.IT cs.LG
Stable low-rank matrix recovery from 3-designs
RWTH Aachen University(亚琛工业大学)
本文研究了从3设计中稳定恢复低秩矩阵的方法,通过核范数最小化建立了与4设计相似的恢复保证,解决了3设计的恢复问题。
2025-12-12 cs.IT math.IT
On the Scaling Law for Compressive Sensing and its Applications
$\ell_1$最小化可用于从压缩的线性测量恢复足够稀疏的未知信号。事实上,稀疏性(支持集的大小)的精确阈值,在该阈值下,稀疏信号可以以高概率从i.i.d.高斯测量值,并被称为“弱阈值”\cite{D}。还已知在稀疏性和$\ell_1$最小化恢复稳定性之间存在折衷。在本文中,我们给出了一个\emph{closed-form}表征这种权衡,我们称之为压缩感知恢复稳定性的缩放定律。简而言之,我们能够表明,随着稀疏性从$\ell_1$恢复的弱阈值回退$\varpi$($0<\varpi<1$),恢复稳定性的参数将缩放为$\frac{1}{\sqrt{1-\varpi}}$。我们的结果是基于仔细的分析,通过格拉斯曼角框架的高斯测量矩阵。我们将进一步讨论这个缩放定律如何帮助分析迭代重加权$\ell_1$最小化算法。如果信号支持上的非零元素遵循幅度概率密度函数(pdf)$f(\cdot)$,其$t$ -th导数$f^{t}(0) \neq 0$对于某个整数$t \geq 0$,则可以分析地示出某个迭代重新加权的$\ell_1$最小化算法以提升普通$\ell_1$最小化算法的相变阈值(弱阈值)。
2011-03-16 cs.IT math.IT
Analysis of equivalence relation in joint sparse recovery
联合稀疏恢复问题是压缩感知中广泛研究的单测量向量问题的推广,其目标是恢复一组联合稀疏向量。即具有集中在公共位置的非零条目。同时,在为该问题设计的大量算法中,广泛使用了矩阵约束下的l_p-极小化。因此,本文的主要贡献是关于这种技术的两个理论结果。第一个是证明了在每一个多重线性方程组中,存在一个常数p*,使得当0< p<p* 时,原唯一稀疏解也可以从l_p拟范数的极小值中恢复出来。另一个是给出了这样的p* 的解析表达式。最后,我们展示了一个例子的结果,以证实我们的结论的有效性。
2017-01-07 cs.IT math.IT
Sharp RIP Bound for Sparse Signal and Low-Rank Matrix Recovery
本文建立了稀疏信号恢复和低秩矩阵恢复的约束等距性(RIP)的一个严格条件。研究表明,如果测量矩阵$A$满足RIP条件$δ_k^A<1/3$,则通过基于$y=Aβ$的约束$\ell_1$最小化可以精确地恢复所有$k$稀疏信号$β$.类似地,如果线性映射$\cal M$满足RIP条件$δ_r^{\cal M}<1/3$,则通过基于$b={\cal M}(X)$的约束核范数最小化,可以精确地恢复秩至多为$r$的所有矩阵$X$。此外,在这两种情况下,当条件不成立时,一般不可能这样做。此外,考虑了噪声情况,在sharp RIP条件下给出了预言不等式。
2013-02-06 cs.IT math.IT
How robust is randomized blind deconvolution via nuclear norm minimization against adversarial noise?
Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning(慕尼黑机器学习中心);Munich Data Science Institute(慕尼黑数据科学研究所);KU Eichstätt-Ingolstadt(艾希施泰特-英戈尔施塔特天主教大学)
本文研究了从两个未知信号的卷积中恢复两个未知信号的问题,即通常所说的盲反卷积。在过去的十年中,由于核范数最小化启发式的成功,盲反卷积作为一个低秩恢复问题的重新表述导致了多个理论恢复保证。特别是,在没有噪声的情况下,精确的恢复已经建立了足够的非相干信号包含在低维子空间。然而,如果卷积被加性有界噪声破坏,恢复问题的稳定性仍然不太清楚。特别是,现有的重建界涉及大的维度因子,因此无法解释核范数最小化的维度无关鲁棒性的经验证据。最近,理论上的证据已经出现了病态行为的低秩矩阵恢复足够小的噪声水平。在这项工作中,我们开发了改进的恢复保证盲反卷积与对抗性噪声表现出平方根缩放的噪声水平。因此,我们的研究结果与现有的反例是一致的,这些反例反对相关的低秩矩阵恢复问题所证明的噪声水平的线性缩放。
2023-03-17 cs.IT cs.LG eess.SP
Improving the Thresholds of Sparse Recovery: An Analysis of a Two-Step Reweighted Basis Pursuit Algorithm
众所周知,$\ell_1$最小化可以用于从压缩的线性测量恢复足够稀疏的未知信号。事实上,作为系统维度之间的比率的函数,稀疏性的精确阈值使得几乎所有稀疏信号都可以以高概率从i.i.d.高斯测量值,并被称为“弱阈值”\cite{D}。在本文中,我们介绍了一个重新加权的$\ell_1$恢复算法组成的两个步骤:一个标准的$\ell_1$最小化步骤,以确定一组条目的信号可能驻留,和一个加权的$\ell_1$最小化步骤,这组以外的条目被处罚。对于非稀疏分量条目独立且相同地从某些类分布(包括最著名的连续分布)中提取的信号,我们证明了弱恢复阈值的\emph{strict}改进。我们的分析表明,弱阈值的改善程度取决于原点分布的行为。数值模拟很好地验证了阈值改善的分布依赖性,并表明在i.i.d.高斯非零项,改进可以是相当令人印象深刻的-在我们考虑的例子中超过20%。
2011-11-06 cs.IT math.IT
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
Subspace Expanders and Matrix Rank Minimization
矩阵秩最小化问题在机器学习、系统辨识和图形模型等领域有着广泛的应用。在RM问题中,人们的目标是找到满足一组线性约束的具有最低秩的矩阵。现有的算法包括核范数最小化(NNM)和奇异值阈值。到目前为止,大部分的注意力都集中在i.i.d.上。高斯测量算子。在这项工作中,我们引入了一类新的测量算子,和一种新的恢复算法,这是显着快于NNM。所提出的算子是基于我们所称的子空间扩展器,这是由众所周知的扩展图压缩感知中的测量矩阵的启发。我们表明,给定一个$n\times n$ PSD矩阵秩$r$,它可以唯一地恢复从一个最小的采样$O(nr)$测量使用所提出的结构,和恢复算法可以铸造后的几个初始处理步骤的矩阵求逆。
2011-02-19 cs.IT math.IT
Stable recovery of complex dictionary-sparse signals from phaseless measurements
本文针对复字典稀疏信号的无相位恢复问题,提出新的 $\ell_1$-DRIP 条件,证明在该条件下可通过 $\ell_1$ 及广义 $\ell_q$ 分析最小化实现稳定恢复。
2025-06-04 cs.IT math.IT
Recovery of signals under the condition on RIC and ROC via prior support information
本文通过加权$l_{1}$最小化方法,建立了当信号的支持度存在部分先验信息时,在无噪和有噪环境下信号稳定鲁棒恢复的RIC和ROC充分条件.改进了性能保证。通过加权$l_{1}$最小化,我们可以得到一个约束较少的信号重构的充分条件和在一定条件下更紧的恢复误差界。当先验支持度估计至少为$50\%$精度时,该充分条件比标准$l_{1}$极小化方法的类似条件弱,同时在附加条件下可证明重构误差上界更小.此外,该充分条件也得到了明确的证明。
2016-02-27 cs.IT math.CA math.FA
Robustly Stable Signal Recovery in Compressed Sensing with Structured Matrix Perturbation
在标准压缩感知(CS)问题中的稀疏信号恢复要求感知矩阵是先验已知的。这种理想假设在实际应用中可能不满足,因为传感仪器中存在各种误差和波动。本文研究了传感矩阵结构化扰动下的压缩传感问题。在较弱的条件下,利用$\ell_1$最小化方法可以恢复稀疏信号,并且恢复误差最多与测量噪声成正比,这与标准CS结果相似.在特殊的无噪声的情况下,提供的信号是足够稀疏的扰动水平的恢复是准确的。所提出的结构化感知矩阵摄动方法适用于波达方向估计问题,具有实际意义。提出了实现$\ell_1$最小化问题的算法,并进行了数值模拟,以验证所得到的结果。
2012-03-14 cs.IT math.IT
Accurate low-rank matrix recovery from a small number of linear measurements
我们考虑从少量随机线性测量中恢复低秩矩阵M的问题。这个问题的一个流行而有用的例子是矩阵完成,其中测量揭示了条目子集的值,我们希望填充缺失的条目(这是着名的Netflix问题)。当M被认为具有低秩时,理想情况下会试图通过找到与数据一致的最小秩矩阵来恢复M;然而,这是有问题的,因为这是一个非凸问题,通常是棘手的。核范数最小化已经被提出作为一种易于处理的方法,过去的论文已经深入研究了核范数最小化算法的理论性质,建立了最小化核范数产生最小秩解的条件。我们回顾了今年春天的新兴文献,并扩展和完善以前的理论结果。我们的重点是提供误差界时,M是很好地近似一个低秩矩阵,当测量与噪声损坏。我们发现,对于某一类随机线性测量,核范数最小化提供了稳定的恢复,从一些样本几乎在理论下限,并享有秩序最优的误差界(高概率)。
2009-10-02 cs.IT math.IT
Recovery Analysis of Damped Spectrally Sparse Signals and Its Relation to MUSIC
估计频谱稀疏信号的频率和阻尼因子的经典方法之一是MUSIC算法,该算法利用自相关矩阵的低秩结构。低秩矩阵最近在部分观测优化算法中也受到了相当大的关注,核范数最小化(NNM)已被广泛用作低秩矩阵恢复问题的秩最小化的流行启发式。另一方面,它已被证明,NNM可以被看作是一个特殊情况下的原子范数最小化(ANM),这已经取得了巨大的成功,在解决线频谱估计问题。然而,据我们所知,在许多现有的工作中,一般的ANM(不是NNM)只能处理无阻尼正弦信号的频率估计。在这项工作中,我们的目标是填补这一空白,并处理阻尼频谱稀疏信号恢复问题。特别是,在ANM中使用的对偶分析的启发下,我们提供了一个新的基于优化的角度来看,经典的MUSIC算法,并提出了一种算法的频谱估计,涉及搜索对应于一定的NNM问题的对偶多项式的峰值,我们表明,这种算法实际上是等效的MUSIC本身。在此基础上,我们还将经典的MUSIC算法扩展到缺失数据的情况。我们为我们提出的算法提供了精确的恢复保证,并量化了样本复杂度如何依赖于真实的光谱参数。特别是,我们提供了一个参数特定的恢复界联合稀疏信号的低秩矩阵恢复,而不是使用某些不相干的属性,在现有的文献。仿真结果还表明,所提出的算法显着优于一些相关的现有方法(例如,ANM)在阻尼指数频率估计中的应用。
2020-08-19 cs.IT math.IT
Compressed Sensing Signal Recovery via Forward-Backward Pursuit
从压缩测量中恢复稀疏信号构成了l0范数最小化问题,这是不切实际的解决。一些稀疏恢复方法已经出现在文献中,包括l1最小化技术,贪婪追求算法,贝叶斯方法和非凸优化技术等。本文介绍了一种新颖的两阶段贪婪方法,称为向前向后追踪(FBP)。FBP是一种迭代方法,其中每次迭代由连续的向前和向后阶段组成。前向步骤首先通过前向步长扩展支持估计,而随后的后向步骤通过后向步长缩小支持估计。前向步长大于后向步长,因此在每次迭代结束时扩展初始空支持度估计。迭代向前和向后步骤,直到观察向量的残余功率下降到阈值以下。与子空间追踪或压缩采样匹配追踪算法相比,FBP的这种结构不需要先验地知道稀疏水平。FBP恢复性能证明通过模拟,包括恢复随机稀疏信号与不同的非零系数分布在噪声和无噪声的情况下,除了恢复稀疏图像。
2013-07-06 cs.IT math.IT
Unified Analysis on L1 over L2 Minimization for signal recovery
在本文中,我们进行了一个统一的研究$L_1$在$L_2$稀疏促进模型,这是广泛使用的制度的相干字典恢复稀疏非负/任意信号。首先,我们对约束和无约束$L_{1}/L_{2}$模型的整体解的存在性给出了统一的理论分析。其次,我们分析了这些$L_{1}/L_{2}$模型的任何局部极小的稀疏性,作为一个证书,以排除非局部极小平稳解。第三,我们得到了非负约束下$L_{1} / L_{2}$邻近算子的解析解。在此基础上,我们将乘子交替方向法以一种特殊的分裂方式应用于非负约束的无约束模型,称为ADMM $_p^+$。我们建立了它的全局收敛到d-平稳的解决方案(尖锐的平稳)没有库尔迪卡-Eschojasiewicz假设。大量的数值模拟证实了ADMM $_p^+$优于国家的最先进的方法在稀疏恢复。具体地,ADMM $_p^+$将计算时间减少约$95\%\sim99\%$,同时实现比用于波长未对准问题的常用缩放梯度投影法高得多的精度。
2023-01-22 cs.IT math.IT math.OC
Sparse Representation of a Polytope and Recovery of Sparse Signals and Low-rank Matrices
本文考虑压缩感知和仿射秩最小化在无噪和有噪情况下,并建立了尖锐的限制等距稀疏信号和低秩矩阵恢复条件。分析依赖于一个关键的技术工具,表示点的多面体的凸组合稀疏向量。该技术是基本的,但导致尖锐的结果。它示出,对于任何给定的常数$t\ge {4/3}$,在压缩感知$δ_{tk}^A < \sqrt{(t-1)/t}$保证精确恢复的所有$k$稀疏信号在无噪声的情况下,通过约束$\ell_1$最小化,并同样在仿射秩最小化$δ_{tr}^\mathcal{M}< \sqrt{(t-1)/t}$确保精确重建的所有矩阵的秩最多$r$在无噪声的情况下,通过约束核范数最小化。此外,对于任何$ε>0$,对于大的$k$,$δ_{tk}^A<\sqrt{\frac{t-1}{t}}+ε$不足以保证所有$k$稀疏信号的精确恢复。类似的结果也适用于基质回收。此外,条件$δ_{tk}^A < \sqrt{(t-1)/t}$和$δ_{tr}^\mathcal{M}< \sqrt{(t-1)/t}$也被证明是足够的,分别为稳定恢复的近似稀疏信号和低秩矩阵在噪声的情况下。
2013-10-22 cs.IT math.IT math.ST