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 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
Weighted $\ell_1$-minimization for generalized non-uniform sparse model
基于模型的压缩感知是指对先验已知的稀疏信号具有额外结构的压缩感知。最近的工作表明,无论是对信号的确定性和概率模型,这些额外的信息可以成功地利用,以提高恢复性能。特别是,加权的$\ell_1$ -最小化与适当的选择的权重已被证明,以提高性能,在所谓的非均匀稀疏模型的信号。在本文中,我们考虑一个完整的推广的非均匀稀疏模型非常温和的假设。我们证明,当测量得到使用一个矩阵与独立同分布高斯条目,加权$\ell_1$ -最小化成功地恢复稀疏信号从其测量压倒性的概率。我们还提供了一种方法来选择这些权重的任何一般的信号模型从非均匀稀疏类的信号模型。
2014-09-16 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
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
Online Decomposition of Compressive Streaming Data Using $n$-$\ell_1$ Cluster-Weighted Minimization
我们考虑的压缩流数据的分解方法的背景下,在线压缩鲁棒主成分分析(RPCA)。所提出的分解解决了$n$ - $\ell_1$聚类加权最小化,以将来自压缩测量的帧(或向量)序列分解成稀疏和低秩分量。我们的方法从少量的测量中处理每个时间实例的流的数据向量,而传统的批量RPCA需要访问完整的数据。$n$ - $\ell_1$聚类加权最小化利用稀疏分量及其与多个先前恢复的稀疏向量的相关性。此外,所提出的最小化可以利用稀疏组件的结构,通过聚类和重新加权迭代。该方法优于现有的方法,数值数据和实际的视频数据。
2018-02-08 cs.IT math.IT stat.ML
Guaranteed Minimum Rank Approximation from Linear Observations by Nuclear Norm Minimization with an Ellipsoidal Constraint
秩最小化问题是在给定的集合中找到最低秩的矩阵。核范数最小化被提出作为秩最小化的凸松弛。Recht、Fazel和Parrilo证明了在一定条件下,受仿射约束的核范数最小化等价于秩限制等距性质。然而,在存在测量噪声的情况下,或者仅具有近似低秩生成模型,适当的约束集是椭圆体而不是仿射空间。存在多项式时间算法来解决具有椭球约束的核范数最小化,但是这些算法没有表现出性能保证。在本文中,我们推导出这样一个明确的性能保证,边界核范数最小化与椭球约束提供的近似解中的错误。
2009-03-27 cs.IT math.IT
On Weighted MSE Model for MIMO Transceiver Optimization
均方误差(MSE)是多输入多输出(MIMO)通信设计和分析中使用最广泛的性能指标之一。加权MSE最小化是MSE最小化的一种更一般的形式,在MIMO收发器优化中起着重要的作用。虽然这个问题有很长的历史,并已被广泛研究,现有的治疗方法在解决加权MSE优化或多或少零星和非系统的。本文首先回顾了求解加权均方误差最小化问题的两种主要方法:拉格朗日乘子法和基于优化理论的方法,以及它们的一般步骤。指出了现有文献中所忽略或掩盖的一些问题和局限性。这些问题对于相应的MIMO收发器优化是基本的和至关重要的。此外,提出了一种新的扩展矩阵场加权均方误差模型。详细讨论了它的解决方案和应用。与现有模型相比,该模型具有更广泛的应用,例如,非线性MIMO收发器设计和用于一般MIMO网络的容量最大化收发器设计。
2016-09-30 cs.IT math.IT
Non-Convex Compressed Sensing Using Partial Support Information
在本文中,我们解决的恢复条件的加权$\ell_p$最小化的信号重建压缩感知测量时,部分支持信息。我们表明,加权$\ell_p$最小化与$0<p<1$是稳定的,鲁棒性较弱的充分条件相比,加权$\ell_1$最小化。此外,如果至少$50%$的支持度估计是准确的,则加权$\ell_p$的充分恢复条件弱于常规$\ell_p$的充分恢复条件.我们还回顾了一些算法,存在解决非凸$\ell_p$问题,并说明我们的结果与数值实验。
2013-11-15 cs.IT math.IT math.OC
Robust CS reconstruction based on appropriate minimization norm
研究了噪声鲁棒压缩感知算法。该算法允许在存在不同类型的噪声的情况下有效的信号重构,这是由于改变最小化范数的可能性。例如,常用的l1和l2范数在拉普拉斯和高斯噪声的情况下提供良好的结果。然而,当信号被柯西或三次高斯噪声破坏时,这些范数无法提供准确的重建。因此,为了实现精确的重建,l3最小化范数的应用进行了分析。算法的效率将通过示例来证明。
2015-02-20 cs.IT math.IT
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
Joint power and admission control via p norm minimization deflation
在干扰网络中,联合功率和准入控制旨在支持最大数量的链路在其指定的信号干扰噪声比(SINR)目标,同时使用最小的总传输功率。在我们以前的工作中,我们制定了一个稀疏的$\ell_0$ -最小化问题的联合控制问题,并放宽到一个$\ell_1$ -最小化问题。在这项工作中,我们建议近似的$\ell_0$优化问题的p范数最小化问题,其中$0<p<1$,因为直观地p范数将近似0范数优于1范数。首先证明了$\ell_p$ -极小化问题是强NP-困难的,然后给出了它的一个新的形式,使得已有的邻近点算法可以应用于求解该问题,并证明了$\ell_p$ -极小化问题的解可以有效地指导链路的拆除(收缩).数值模拟结果表明,该启发式算法优于现有的算法。
2013-03-07 cs.IT math.IT
Achieving High Resolution for Super-resolution via Reweighted Atomic Norm Minimization
Candès和Fernandes-Granda最近提出的超分辨率理论旨在从粗尺度信息中恢复稀疏频谱的精细细节。然后将理论扩展到压缩样本和/或多个测量向量的情况。然而,现有的原子范数(或总变差范数)技术只有在频率被充分分离时才能成功,从而阻止了通常已知的高分辨率。在本文中,重新加权原子范数最小化(RAM)的方法,提出了迭代进行原子范数最小化(ANM)与一个健全的重新加权策略,提高稀疏性和分辨率。理论分析和数值仿真结果表明,该方法在DOA估计中具有较高的分辨力。
2014-10-16 cs.IT math.IT
ISAR Image Formation Using Sequential Minimization of L0 and L2 Norms
提出了一种稀疏驱动的逆合成孔径雷达(ISAR)成像算法。基于接收信号的参数稀疏表示,将ISAR成像问题转化为目标旋转速率和空间域稀疏功率分布的联合估计问题。这个目标是通过顺序最小化L0和L2范数来实现的,这分别确保了稀疏ISAR图像和最小恢复误差。
2012-11-07 cs.IT math.IT
Wireless MIMO Switching: Weighted Sum Mean Square Error and Sum Rate Optimization
本文讨论了联合收发器和中继设计的无线多输入多输出(MIMO)切换方案,使多个用户之间的数据交换。这里,多天线中继器在下行链路中转发来自多个用户的接收(上行链路)信号之前对该信号进行线性预编码,其中预编码的目的是让每个用户接收其期望的信号,同时抑制来自其他用户的干扰。基于各种设计标准优化预编码器的问题通常是非凸的并且难以解决。本文的主要贡献是一个统一的方法来解决加权和均方误差(MSE)最小化和加权和速率最大化的MIMO交换问题。具体而言,提出了一种迭代算法,用于联合优化中继的预编码器和用户的接收滤波器,以最小化加权和MSE。它还表明,加权和率最大化问题可以重新表述为一个迭代加权和MSE最小化问题,因此可以解决类似的情况下,加权和MSE最小化。在适当选择初始值的情况下,所提出的迭代算法在MIMO切换的高信噪比(SNR)和低信噪比(SNR)状态下都是渐近最优的,无论有无自干扰消除(也称为,物理层网络编码)。数值结果表明,基于所提出的算法的优化MIMO切换方案显着优于现有的方法在文献中。
2013-02-23 cs.IT math.IT
Weighted Sum Transmit Power Minimization for Full-Duplex System with SWIPT and Self-Energy Recycling
该对应关系考虑由一个多天线全双工接入点(FD-AP)和一个双天线全双工移动站(FD-MS)组成的全双工(FD)点对点系统。本文采用同步无线信息和功率传输(SWIPT)方案,在FD-MS处应用自能量回收,联合设计FD-AP的发射波束形成向量、FD-MS的接收功率分配(PS)比以及FD-MS的发射功率值,以最小化加权和发射功率。应用半定松弛(SDR)方法得到了一个新的凸问题.我们进一步证明了这两个问题有完全相同的解。最后,仿真结果验证了我们的分析,并与半双工(HD)系统的比较表明,显着的性能增益自能量回收。
2016-06-30 cs.IT cs.NI 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
A Compact Formulation for the $\ell_{2,1}$ Mixed-Norm Minimization Problem
从多个测量向量(MMV)进行参数估计是许多信号处理应用中的基本问题,例如,谱分析和到达方向估计。最近,已经使用联合稀疏信号结构形式的先验信息来解决这个问题。利用联合稀疏性的一个突出的方法是考虑混合范数最小化,然而,问题的大小分别随着测量的数量和所需的分辨率而增长。在这项工作中,我们推导出一个等价的,紧凑的重新制定的$\ell_{2,1}$混合范数最小化问题,提供了新的见解,不同的现有方法之间的关系,联合稀疏信号重建。重构建立在一个紧凑的参数化,模型的稀疏信号表示的行范数作为参数的兴趣,从而显着减少MMV问题的大小。给定行范数的稀疏向量,可以从封闭形式的MMV计算联合稀疏信号。对于均匀线性抽样的特殊情况,我们利用半定规划给出了无网格参数估计的紧致公式的一个推广。此外,我们推导出在这种情况下,从我们的紧凑的问题制定之间的确切等价的$\ell_{2,1}$混合范数最小化和原子范数最小化。此外,对于不规则采样或大量样本的情况下,我们提出了一个低复杂度,基于网格的坐标下降方法的基础上实现。
2016-06-23 cs.IT math.IT
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
Enhancing Sparsity and Resolution via Reweighted Atomic Norm Minimization
Candès和Fernandes-Granda最近开发的超分辨率数学理论指出,在给定一组均匀的时空样本的情况下,可以通过(凸)原子范数技术以无限精度恢复连续的稀疏频谱。然后,该理论通过原子范数最小化(ANM)扩展到部分/压缩样本和/或多个测量向量的情况,称为离网/连续压缩感知(CCS)。然而,现有的原子范数方法的一个主要问题是,只有当频率被充分分离时才能被恢复,从而阻止了通常已知的高分辨率。在本文中,提出了一种新的(非凸)稀疏度量,促进稀疏性在更大程度上比原子规范。使用此度量的优化问题,制定和局部收敛的迭代算法。该算法迭代地进行ANM与健全的重新加权策略,提高稀疏性和分辨率,并被称为重新加权原子范数最小化(RAM)。大量的数值模拟进行了证明RAM的优越性能与应用的到达方向(DOA)估计。
2015-10-16 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
Graph Fourier Transform Based on $\ell_1$ Norm Variation Minimization
图形傅里叶变换的定义是图形信号处理中的一个基本问题。传统的图形傅立叶变换是通过图形拉普拉斯矩阵的特征向量来定义的,其最小化$\ell_2$范数信号变化。然而,当图很大时,拉普拉斯特征向量的计算是昂贵的。在本文中,我们提出了另一种定义的图形傅立叶变换的基础上$\ell_1$范数变化最小化。给出了$\ell_1$ Fourier基满足的一个必要条件,并给出了逼近$\ell_1$ Fourier基的快速贪心算法.数值实验表明了贪心算法的有效性。此外,贪婪基下的傅里叶变换表现出类似的衰减速率的拉普拉斯基的模拟或真实信号。
2019-08-19 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
Fast and Accurate Algorithms for Re-Weighted L1-Norm Minimization
为了从欠定系统中恢复出稀疏信号,我们经常要解决一个约束L1范数最小化问题。在许多情况下,信号稀疏性和恢复性能可以通过用“加权”L1范数代替L1范数来进一步改善。在没有关于信号的非零元素的任何先验信息的情况下,用于选择权重的过程本质上是迭代的。常见的方法在每次迭代时使用来自前一次迭代的加权L1问题的解来更新权重。在本文中,我们提出了两个同伦为基础的算法,有效地解决加权L1问题。首先,我们提出了一个算法,快速更新的解决方案的加权L1问题的权重变化。由于解决方案的变化只有轻微的权重的变化,我们开发了一个同伦算法,取代旧的权重与新的在少量的计算成本低廉的步骤。其次,我们提出了一种算法,解决了加权L1问题,自适应选择的权重,同时估计信号。该算法通过根据解及其支持度的变化来改变权值,将重加权集成到同伦路径上的每一步,使我们能够通过求解单个同伦问题来实现高质量的信号重构。我们比较了这两种算法的性能,在重建精度和计算复杂度方面,对国家的最先进的求解器,并表明我们的方法具有较小的计算成本。此外,我们将表明,自适应选择同伦内的权重往往会产生更高质量的重建。
2012-08-03 cs.IT math.IT stat.CO
A Convex Demixing Approach for Hybrid-Field Channel Estimation of XL-MIMO Systems via Atomic Norm Minimization
Xi’an Jiaotong-Liverpool University(西交利物浦大学);Nanjing University of Science and Technology(南京理工大学)
本文针对XL-MIMO混合场信道估计问题,在原子范数最小化框架下提出凸解混方法,通过最小化远场与近场原子范数加权和并转化为半定规划求解,实验表明其性能优于现有方法。
2025-09-23 cs.IT math.IT
Super-Resolution mmWave Channel Estimation using Atomic Norm Minimization
我们提出了毫米波(mmWave)系统,采用混合模拟和数字波束成形和广义空间调制,分别超分辨率MIMO信道估计。利用毫米波信道的固有稀疏性,信道估计问题被公式化为原子范数最小化,其增强了连续的出发角和到达角中的稀疏性。导频辅助和数据辅助信道估计器的开发,前者制定为一个凸问题,后者作为一个非凸问题。为了解决这些制定的信道估计问题,我们开发了一个计算效率高的共轭梯度下降方法的基础上,非凸分解,限制了搜索空间低秩矩阵。仿真结果表明,与现有的基于压缩感知的估计器相比,所提出的算法对于两种类型的毫米波系统具有优异的信道估计性能,具有精细量化的角度网格。
2018-01-23 cs.IT math.IT
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
Closed-Form Solutions to A Category of Nuclear Norm Minimization Problems
National University of Singapore(新加坡国立大学)
在机器学习和计算机视觉中,利用核范数逼近学习低秩矩阵是一种有效的学习策略。因此,对核范数极小化问题的研究近年来受到了广泛的关注。在本文中,我们将证明下面的低秩表示(LRR)\cite{icml_2010_lrr,lrr_extention}问题:{eqnarray*} \min_{Z} \norm{Z}_*,& {s.t.,} & X=AZ,{eqnarray*}有唯一的封闭形式的解,其中$X$和$A$是给定的矩阵。证明是基于证明一个引理,使我们能够得到封闭形式的解决方案,一类核范数最小化问题。
2010-11-23 cs.CV cs.IT math.IT
Recovering Compressively Sampled Signals Using Partial Support Information
The University of British Columbia(不列颠哥伦比亚大学);Duke University(杜克大学)
本文研究当部分支持信息可用时,加权ℓ1最小化从压缩感知测量中重建信号的条件,证明在至少50%部分支持信息准确时,其稳定性和鲁棒性优于标准ℓ1最小化,并提供更优的重构误差界。
2011-07-22 cs.IT cs.SY eess.SY
Harnessing Sparsity over the Continuum: Atomic Norm Minimization for Super Resolution
凸优化最近出现作为一个引人注目的框架,执行超分辨率,获得了显着的关注,从多个社区跨越信号处理,应用数学和优化。这篇文章提供了一个友好的阐述原子范数最小化作为一个典型的凸方法来解决超分辨率问题。给出了该方法的数学基础和性能保证,并重点介绍了该方法在单分子荧光显微镜超分辨图像重建中的应用。
2019-12-23 cs.IT eess.SP math.IT
Precise Semidefinite Programming Formulation of Atomic Norm Minimization for Recovering d-Dimensional ($d\geq 2$) Off-the-Grid Frequencies
离网压缩感知(CS)的最新研究表明,在一定条件下,即使字典是连续的,也可以成功地从一些时域样本中恢复频谱稀疏的信号。特别地,在\cite{tang2012csotg}中提出了原子范数最小化算法,以恢复$1$维谱稀疏信号.然而,尽管现有的研究工作\cite{chi2013compressive},它仍然是一个悬而未决的问题,如何制定一个等效的半正定程序的原子范数最小化恢复信号与$d$维($d\geq 2$)离网频率。在本文中,我们解决了这个问题,提出了等价的半定规划公式的原子范数最小化恢复信号与$d$维($d\geq 2$)离网频率。
2013-12-02 cs.IT math.IT math.OC
Measurement Bounds for Sparse Signal Reconstruction with Multiple Side Information
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡大学);Technical University of Denmark(丹麦技术大学);Vrije Universiteit Brussel(布鲁塞尔自由大学);iMinds
在压缩感知(CS)的背景下,本文考虑的问题,重建稀疏信号的帮助下,其他给定的相关源作为多个边信息。为了解决这个问题,我们从理论上研究了一个通用的\textcolor{black}{weighted $n$-$\ell_{1}$ minimization}框架,并提出了一种重建算法,利用多个边信息信号(RAMSI)。提出的RAMSI算法在每次重建迭代中自适应地计算边信息信号之间的最优权值。此外,我们建立了理论上的测量,成功地重建稀疏源所需的数量上的界限,通过使用\textcolor{black}{weighted $n$-$\ell_{1}$ minimization}。对已建立的边界的分析表明,与经典CS相比,\textcolor{black}{weighted $n$-$\ell_{1}$ minimization}可以实现更清晰的边界和显着的性能改善。我们实验评估所提出的RAMSI算法和建立的界限,使用合成稀疏信号以及相关的特征直方图,从多视图图像数据库中提取的对象识别。实验结果表明,该算法在理论界和实际性能上均优于现有的\textcolor{black}{including classical CS, $\ell_1\text{-}\ell_1$ minimization, Modified-CS, regularized Modified-CS, and weighted …
2017-01-18 cs.CV cs.IT math.IT
Separation-Free Super-Resolution from Compressed Measurements is Possible: an Orthonormal Atomic Norm Minimization Approach
University of Iowa(爱荷华大学);Hong Kong University of Science and Technology(香港科技大学)
我们考虑的问题恢复叠加的$R$不同的复指数函数从压缩的非均匀时域样本。文献中提出了全变差(TV)最小化或原子范数最小化来恢复$R$频率或缺失数据。然而,已知的是,为了TV最小化和原子范数最小化以恢复丢失的数据或频率,即使当测量是无噪声的时,也需要将基础$R$频率很好地分离。本文表明,汉克尔矩阵恢复方法可以超分辨的$R$复指数和它们的频率从压缩的非均匀测量,无论他们的频率是多么接近彼此。提出了一种新的正交原子范数最小化(OANM)概念,并证明了在无分离超分辨中Hankel矩阵恢复的成功来自于Hankel矩阵的核范数是正交原子范数这一事实.更具体地说,我们表明,在传统的原子范数最小化,底层的参数值$\textbf{must}$被很好地分离,以实现成功的信号恢复,如果原子不断变化的连续值的参数。相反,对于OANM,即使原始原子可以任意接近,OANM也可能是成功的。作为研究的副产品,我们给出了一个核范数的矩阵不等式,并从压缩感知理论的角度给出了证明。
2017-11-04 cs.IT cs.LG math.IT
Sparse matrices for weighted sparse recovery
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文首次提出加权ℓ1最小化在稀疏随机矩阵和加权稀疏信号中的稀疏恢复保证,通过加权空空间性质推导,并展示其计算效率优于密集矩阵。
2016-05-09 cs.CC cs.IT cs.NA
$L_{\infty}$ norm minimization for nowhere-zero integer eigenvectors of the block graphs of Steiner triple systems and Johnson graphs
本文研究Steiner三元系块图和Johnson图的非零整数特征向量的L∞范数最小化问题,给出了若干Johnson图系列的最小值及一般上下界,并证明阶至少99的Assmuss-Mattson Steiner三元系的最小非零流上界为4。
2023-11-01 cs.IT math.CO 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
L1-norm minimization for quaternion signals
Southeast University(东南大学);Centre de Recherche en Information Biomédicale Sino-Français (CRIBs)(中法生物医学信息研究中心);INSERM U 1099(法国国家健康与医学研究院U1099);Laboratoire Traitement du Signal et de l’Image (LTSI)(信号图像处理实验室);Université de Rennes 1(雷恩第一大学)
针对四元数信号的L1范数最小化问题,提出通过转化为二阶锥规划求解的算法,并给出完美恢复的应用实例。
2012-02-24 cs.DS cs.IT cs.NA
Efficient and Guaranteed Rank Minimization by Atomic Decomposition
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出一种基于原子分解的高效秩最小化算法,结合随机化快速低秩近似,具有性能保证且能处理大规模问题。
2009-05-01 cs.IT cs.NA math.IT
Penalty Decomposition Methods for $L0$-Norm Minimization
提出罚分解方法求解含L0-范数的优化问题,通过转化为秩最小化问题并利用向量化操作,在压缩感知等应用中优于现有方法。
2012-05-11 cs.CV cs.IT cs.LG