Greedy Poisson Rejection Sampling
本文提出贪心泊松拒绝采样(GPRS),通过将拒绝采样等价于对泊松过程点的贪心搜索,在一维单峰密度比问题中实现最优运行时间的单次信道模拟,并实验证明其显著优于 A* coding。
2024-03-29 cs.IT math.IT
Greedy Sampling Is Provably Efficient for RLHF
Electrical and Computer Engineering University of Virginia(电气与计算机工程大学弗吉尼亚大学);Princeton Language and Intelligence Princeton University(普林斯顿语言与智能普林斯顿大学)
该研究针对RLHF理论理解不足的问题,跳出经典乐观/悲观估计框架,基于KL正则化目标下最优策略类的结构特性,证明贪心采样在通用偏好模型及BT模型中均能实现阶数提升的性能保证,为RLHF算法设计提供新理论依据。
2025-10-28 cs.AI cs.IT cs.LG
Greedy Adaptive Compression in Signal-Plus-Noise Models
本文的目的是研究贪婪的自适应测量政策的上下文中的线性高斯测量模型的优化标准的基础上的信息增益。在连续标量测量的特殊情况下,我们提供了充分的条件下,贪婪的政策实际上是最佳的意义上最大化的净信息增益。在一般情况下,我们还讨论了贪婪策略不是最优的情况。
2012-08-17 cs.IT math.IT
Robust Cosparse Greedy Signal Reconstruction for Compressive Sensing with Multiplicative and Additive Noise
贪心算法因其计算效率高而在压缩感知中得到广泛应用。但现有的贪心算法在噪声(乘性噪声和加性噪声)的作用下性能会严重退化。提出了一种鲁棒的贪婪余分析贪心算法(greedy analysis pursuit)。与以往的方法相比,本文提出的鲁棒贪婪分析追踪算法基于一个优化模型,该模型允许数据拟合约束中同时存在乘性噪声和加性噪声。此外,还导出了一个新的停止准则。将该算法应用于心电信号的压缩感知。基于真实心电信号的数值实验证明了所提出的贪心算法的性能改善。
2014-02-07 cs.DS cs.IT math.IT
Sparse Multipath Channel Estimation Using Compressive Sampling Matching Pursuit Algorithm
宽带无线信道是一种时间色散信道,具有很强的频率选择性。然而,在大多数情况下,信道由少数主导抽头组成,并且大部分抽头近似为零或零。为了利用多径信道(MPC)的稀疏性,已经提出了两种方法。它们是贪心算法和凸规划。贪心算法易于实现但不稳定;凸规划方法稳定但难以实现为实际信道估计问题。在本文中,我们介绍了一种新的信道估计策略,使用压缩采样匹配追踪(CoSaMP)算法,提出了在[1]。该算法将贪心算法与凸规划方法相结合。通过与现有方法的比较,验证了该算法的有效性。
2010-05-13 cs.IT math.IT
Distributed Greedy Pursuit Algorithms
对于任意连接网络上的压缩感知,我们考虑以分布式方式估计底层稀疏信号的问题。我们引入了一个新的信号模型,有助于描述连接的节点之间的信号间的相关性。基于这个信号模型,以及现有的贪心算法的简要调查,我们开发了分布式贪心算法与低通信开销。在对现有的正交匹配追踪和子空间追踪算法进行适当修改的基础上,设计了两种新的分布式算法。此外,通过结合这两个本地算法的优点,我们设计了一个新的贪心算法,非常适合于分布式场景。通过大量的模拟,我们证明了新的算法在稀疏连接的网络提供了良好的性能,接近集中式贪婪解决方案的性能。
2013-10-28 cs.IT math.IT
Greedy Sparse Signal Recovery with Tree Pruning
近年来,贪心算法作为一种从压缩测量数据中重构稀疏信号的有效方法受到了广泛关注。以前的许多工作都集中在调查一个单一的候选人,以确定支持(非零元素的索引集)的稀疏信号。众所周知的贪婪方法的缺点是,所选择的候选人往往不是最佳的解决方案,由于近视的决定,在每次迭代。在本文中,我们提出了一个贪婪的稀疏恢复算法调查多个有前途的候选人通过树搜索。所提出的算法,称为匹配追求与树修剪(TMP),以实现效率的树搜索的两个关键成分是{ \it预选},把一个限制的传感矩阵的列进行调查和{ \it树修剪},以消除没有前途的路径从搜索树。在我们的性能保证分析和实证模拟,我们表明,TMP是有效的恢复稀疏信号在无噪声和噪声的情况下。
2014-09-19 cs.IT math.IT
Greedy Sparse Signal Reconstruction Using Matching Pursuit Based on Hope-tree
稀疏信号的重构需要求解压缩感知中的$\ell_0$范数最小化问题。以前的研究集中在一个单一的候选人的调查,以确定支持(非零元素的索引)的稀疏信号。为了保证每次迭代都能得到最优的重建结果,本文提出了一种迭代贪婪重建算法(GSRA)。首先,将正交匹配追踪(OMP)和子空间追踪(SP)估计的支持集的交集作为初始支持集。然后,构建一棵树来扩展集合。最后,采用改进的递减子空间追踪方法对候选集进行校正。详细的仿真结果表明,GSRA在恢复高斯信号、0- 1稀疏信号和合成信号方面比其他典型方法具有更高的精度。
2017-01-11 cs.IT math.IT
Simultaneous Greedy Analysis Pursuit for Compressive Sensing of Multi-Channel ECG Signals
本文讨论了多通道心电图的压缩传感。传统的稀疏信号恢复方法将信号分解为字典和稀疏向量的乘积,而最近发展起来的cosparse方法利用了分析矩阵和原始信号乘积的稀疏性。我们将余分析贪婪分析追踪(GAP)算法用于ECG信号的压缩感知。此外,为了减少处理时间,将经典的单通道GAP算法推广到多通道GAP算法,该算法同时重构多个具有相似支持度的信号。数值实验表明,该方法在精度上优于经典稀疏多通道贪心算法,在处理速度上优于单通道余分析方法.
2013-11-20 cs.DS cs.IT math.IT
MAP Support Detection for Greedy Sparse Signal Recovery Algorithms in Compressive Sensing
Intel Labs(英特尔实验室);University of Texas at Austin(德克萨斯大学奥斯汀分校)
一个可靠的支持检测是必不可少的贪心算法从压缩和噪声测量准确地重建稀疏信号。提出了一种新的贪心算法支持度检测方法--\textit{maximum a posteriori (MAP) support detection}。不同于现有的支持检测方法,确定支持指数的幅度最大的相关值,每次迭代,所提出的方法选择他们的最大似然比计算下的真实和空的支持假设,同时利用传感矩阵,稀疏信号和噪声的分布。利用这种技术,MAP匹配追踪(MAP-MP)首次提出了利用建议的支持检测方法的优点,并推导出了一个充分条件时,稀疏信号是二进制的情况下,完美的信号恢复。随后,一组迭代的贪心算法,称为MAP-广义正交匹配追踪(MAP-gOMP),MAP-压缩采样匹配追踪(MAP-CoSaMP),和MAP-子空间追踪(MAP-SP),以证明所提出的支持检测方法现有的贪心算法的适用性。实验结果表明,所提出的贪心算法具有高可靠性的支持检测,可以更好,更快,更容易实现比通过线性规划的基追踪。
2016-01-28 cs.IT cs.LG math.IT
Stopping Condition for Greedy Block Sparse Signal Recovery
对于稀疏度未知的贪婪块稀疏恢复,我们推导出一个停止条件来停止迭代过程。针对块正交匹配追踪(BOMP)算法,从概率的角度对每次迭代的残差信号能量进行建模。在迭代中,当检测到最后一个支持块时,所得到的残余信号的能量应该遭受明显的下降。在此基础上,当剩余信号的能量低于给定阈值时,我们停止迭代过程。与其他方法相比,我们推导的条件适用于BOMP恢复。此外,我们推广了文献[1]中提出的基于干扰抵消的BOMP(ICBOMP)恢复方法。仿真结果表明,我们推导的条件可以节省许多不必要的迭代,同时保证了良好的恢复精度,无论是BOMP和ICBOMP恢复。
2016-12-22 cs.IT math.IT
Greedy Signal Space Recovery Algorithm with Overcomplete Dictionaries in Compressive Sensing
压缩感知(CS)是一种新的模式,有效地获取信号,具有稀疏表示在某一领域。传统上,CS提供了许多方法用于在正交基上的信号恢复。然而,现代应用程序已经引发了相关方法的出现,信号不是稀疏的正交基,但在一些任意的,也许是高度过完备的,字典,特别是由于他们的潜力,以产生不同种类的稀疏表示的信号。为此,我们应用信号空间贪婪方法,它依赖于最佳地将信号投影到少量字典原子上的能力,以解决这种设置中的信号恢复问题。我们描述了一个广义的迭代恢复算法称为信号空间子空间追踪(SSSP),这个更具挑战性的设置。在这里,使用字典限制等距属性(D-RIP),而不是经典的RIP,我们推导出所需的测量次数的下限,然后提供算法的收敛性证明。该算法在有噪声和无噪声测量中具有低的计算复杂性,并提供高的恢复精度。仿真结果表明,该算法优于现有的恢复算法。
2019-05-07 cs.IT math.IT
Greedy Signal Recovery Review
Univ. California at Davis(加州大学戴维斯分校);Univ. Michigan(密歇根大学);California Inst. Technology(加州理工学院)
本文综述了贪婪方法在稀疏恢复中的最新进展,重点介绍了正则化正交匹配追踪(ROMP)和压缩采样匹配追踪(CoSaMP)两种稳定贪婪算法,它们提供了均匀保证并改进了稳定性界限和RIC要求。
2008-12-11 cs.IT cs.NA math.IT
Greedy Signal Space Methods for incoherence and beyond
本文提出了一种新的信号空间贪心方法分析,适用于不相干或结构相干字典,改进了传统压缩采样文献中的结果。
2014-08-01 cs.IT cs.NA math.IT
Practical approximate projection schemes in greedy signal space methods
Pomona College(波莫纳学院);Univ. of California, Los Angeles(加州大学洛杉矶分校);Harvey Mudd College(哈维穆德学院);Pitzer College(皮泽特学院);Claremont McKenna College(克莱蒙特麦肯纳学院)
本文研究了多种投影方案在不同信号类型中的有效性,并提出新型混合投影方法,优于现有方案。
2014-09-04 cs.IT cs.NA math.IT
An Efficient Greedy Algorithm for Sparse Recovery in Noisy Environment
贪心算法因其效率高而被广泛应用于稀疏恢复。但目前流行的贪心算法(如CoSaMP)存在着对目标信号先验知识要求不合理、对随机噪声过于敏感等明显缺陷。本文提出了一种新的贪心算法--AMOP算法来克服这些障碍。与CoSaMP算法不同,AMOP算法能够自适应地从采样数据中提取目标信号所需的信息,并且无需先验知识就能正常工作。当存在随机噪声时,AMOP的恢复误差得到了很好的控制,并随着信噪比的增加而逐渐消失。此外,该算法对目标信号的细节设置具有较好的鲁棒性,对测量矩阵的结构依赖性较小。理论推导验证了该算法的有效性。通过大量的仿真实验,验证了AMOP算法在多方面优于CoSaMP算法.在压缩感知的各种应用中,自适应多目标优化算法是一种很好的实用贪心算法候选算法。
2009-08-18 cs.IT math.IT
Near Oracle Performance and Block Analysis of Signal Space Greedy Methods
本文分析了在存在高斯白噪声下的信号空间CoSaMP方法,证明其在任意字典下具有接近oracle的性能,并探讨了具有块结构支持的信号的块变体方法,扩展到基于模型的压缩感知框架。
2014-07-24 cs.IT cs.NA math.IT
Greedy Multi-Path Block Verification for Faster Decoding in Speculative Sampling
Columbia University(哥伦比亚大学)
本研究提出贪心多路径块验证方法,通过优化验证算法提升解码效率,实验显示在Llama-3 70B上吞吐量提升超15%。
2026-10-06 cs.IT cs.LG 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
Greedy Subspace Pursuit for Joint Sparse Recovery
在本文中,我们解决稀疏多测量向量(MMV)的问题,其目标是恢复一组稀疏的非零行向量或指数的信号矩阵不完整的测量。理想情况下,不管信号矩阵中的列数如何,稀疏度(k)加一个测量值对于几乎所有信号的信号向量的均匀恢复是足够的,即,不包括勒贝格测度为零的集合。为了在信号矩阵秩小于k的情况下仍能以较高的计算效率逼近“k+1”下界,本文提出了一种称为两阶段正交子空间匹配追踪(TSMP)的贪心算法,其理论结果比正交子空间匹配追踪(OSMP)和子空间增强多信号分类(SA-MUSIC)算法在更少的限制条件下逼近下界.我们提供非渐近的OSMP和TSMP的性能保证,覆盖无噪声和噪声的情况下。约束等距属性和互相关的变体被用来提高性能保证。数值模拟表明,该方案具有较低的复杂度,并优于大多数现有的贪婪方法。这表明,随着信号矩阵列数的增加,TSMP成功的最小测量次数比现有方法更快地收敛到下界。
2016-01-26 cs.IT math.IT
Adaptive Greedy Rejection Sampling
本研究将贪婪拒绝采样(GRS)扩展为自适应GRS(AGRS)并推广至一般概率空间,证明了GRS期望运行时间与Rényi ∞-散度的关系,针对高斯信道提出了有限运行时间的AGRS方案,经验证其运行时间与KL散度线性相关。
2023-04-20 cs.IT math.IT
Blind Denoising with Random Greedy Pursuits
去噪方法需要对感兴趣的信号和噪声进行一些假设。虽然大多数去噪过程需要一些关于噪声水平的知识,这在实践中可能是未知的,但这里我们假设给定字典中的信号扩展具有比噪声更重尾的分布。我们展示了如何这一假设导致停止贪婪追求算法是独立于噪声水平的标准。受集成方法在机器学习中的成功启发,我们提出了一种策略,通过对从随机子采样字典中获得的追踪进行平均来减少贪婪估计的方差。我们称这个去噪过程为盲随机追踪去噪(BIRD)。我们提供了一个概括的多维信号,结构化稀疏模型(S-BIRD)。这种方法的相关性在合成和实验MEG信号上得到了证明,在没有任何参数调整的情况下,BIRD优于最先进的算法,即使它们被噪声水平告知。代码可用于重现所有实验。
2014-05-28 cs.IT math.IT
Noise Resilient Recovery Algorithm for Compressed Sensing
在这篇文章中,我们讨论了一种新的贪心算法恢复压缩采样信号在噪声条件下。在文献中提出的大多数贪婪恢复算法需要已知信号的稀疏性,或者对于已知的表示基础,从测量的数量来估计稀疏性。这些算法恢复信号时,噪声水平显着低。我们提出了熵最小化匹配追踪(EMP),它有能力拒绝噪声,即使当噪声电平是可比的信号电平。该算法可以满足可压缩信号和信号的稀疏性是事先未知的。仿真结果表明,该算法与传统的贪婪恢复算法相比,对高斯白噪声具有更好的鲁棒性。
2014-12-17 cs.IT math.IT
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
Oracle-order Recovery Performance of Greedy Pursuits with Replacement against General Perturbations
在实际应用中,压缩感知理论总是考虑到各种扰动。本文分析了当观测向量和感知矩阵都受到加性扰动污染时,带替换的贪婪追踪算法对稀疏恢复的恢复性能。具体地,具有替换的贪婪追踪包括三种算法,压缩采样匹配追踪(CoSaMP)、子空间追踪(SP)和迭代硬阈值(IHT),其中在每次迭代中评估和更新支持度估计。在可压缩信号的一般扰动下,基于约束等距性,给出了这些恢复算法的误差界的统一形式。结果表明,恢复性能是稳定的对这两个扰动。此外,这些界限进行了比较,与预言恢复-最小二乘解决方案与一些最大的项目的位置在幅度已知的先验。比较结果表明,在一定的信号和扰动条件下,这些算法的误差界与预言恢复的下界仅在系数上有差别,这表明带替换的贪婪追踪的预言恢复性能是有保证的.数值模拟验证了结论。
2013-03-09 cs.IT math.IT
Greedy Algorithms for Hybrid Compressed Sensing
本文针对混合压缩感知设计两种贪婪算法,利用一比特 CS 检测支撑集、传统 CS 更新残差与信号估计,并通过定理证明和仿真验证其在有限比特预算噪声环境中的有效性。
2019-08-18 cs.IT eess.SP math.IT
Greedy Sparsity-Promoting Algorithms for Distributed Learning
本文主要研究稀疏约束下分布式学习的贪婪算法。贪婪技术由于其较低的计算要求以及同时其在估计稀疏参数向量/信号方面的相对良好的性能而被广泛用于集中式系统中。本文报告了两个新的算法的背景下,稀疏-意识的学习。在这两种情况下,目标是首先识别未知信号的支持集,然后估计仅限于活动支持集的非零值。首先,提出了一种基于邻域合作策略的迭代贪婪多步算法,对观测数据进行批处理。接下来,扩展的算法的在线设置,基于扩散LMS的自适应性的理由,推导出。理论分析的算法,它示出了批处理算法收敛到未知向量,如果一个限制等距属性(RIP)举行。此外,在线版本收敛于平均解向量在一些一般的假设。最后,所提出的计划进行了测试,最近开发的稀疏性-促进算法和他们的增强性能通过仿真例子进行了验证。
2014-10-14 cs.IT math.IT
Design and Analysis of a Greedy Pursuit for Distributed Compressed Sensing
我们考虑一个分布式压缩感知的情况下,许多传感器测量相关的稀疏信号和传感器通过网络连接。稀疏信号之间的相关性由部分公共支持集来建模。针对这种情况,本文的主要目标是开发一个贪婪追求算法。我们开发了一个分布式并行追踪(DIPP)算法的基础上交换信息的估计支持集在传感器。信息的交换有助于改善部分公共支持集的估计,这又有助于逐渐改善所有传感器中的支持集的估计,从而导致更好的质量重建性能。我们提供了基于限制等距性(RIP)的算法的收敛性和重建性能的理论分析。在一定的理论要求下,通过网络和RIP参数的传感器节点的信息交换的质量,我们表明,DIPP算法收敛到一个性能水平,取决于一个缩放的加性测量噪声功率(收敛理论)的缩放系数是RIP参数和信息处理质量参数的函数。使用模拟,我们展示了实际的重建性能的DIPP相对于欠采样量,信号测量噪声比和网络连接条件。
2015-01-13 cs.IT math.IT
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 Sampling for Inverse Problems with Tensors
我们考虑的问题,设计稀疏采样策略的多域信号,这可以表示使用张量,承认一个已知的多线性分解。我们利用张量信号的多域结构,并建议使用Kronecker结构的传感函数来获取样本,从而规避维数灾难。为了设计这样的传感功能,我们开发了低复杂度的贪心算法的基础上子模块优化方法来计算接近最优的采样集。我们提出了几个数值例子,从多天线通信图形信号处理,以验证所开发的理论。
2018-06-28 cs.IT eess.SP math.IT
A Greedy Blind Calibration Method for Compressed Sensing with Unknown Sensor Gains
基于压缩感测原理的感测模态的实现通常受到其感测算子的数学模型(这在信号恢复期间是必要的)与其实际物理实现之间的差异的阻碍,实际物理实现可能与假设的模型有很大不同。在本文中,我们解决了双线性逆问题的恢复稀疏的输入信号和一些未知的,非结构化的乘法因素影响的传感器捕获每个压缩测量。我们的方法依赖于收集几个快照下的新绘制的传感算子,并应用一个贪心算法的基础上投影梯度下降和迭代硬阈值的原则。我们探索经验的样本复杂性的要求,该算法通过测试其相变,并显示在一个实际相关的情况下,这个问题的压缩成像,可以得到精确的解决方案,只有几个快照。
2018-02-20 cs.IT math.IT math.OC
Robust Linear Regression Analysis - A Greedy Approach
本文针对含异常值的鲁棒线性估计问题,提出贪婪算法GARD,通过最小二乘与OMP交替识别异常值,并给出精确恢复、收敛性和误差界理论及仿真验证。
2015-05-08 cs.IT math.IT
Sampling and Reconstruction of Signals on Product Graphs
在本文中,我们考虑的问题,二次采样和重建的信号,驻留在一个产品图的顶点,如传感器网络的时间序列,基因组信号,或在社会网络中的产品评级。具体来说,我们利用底层域的产品结构和图因子中的样本节点。所提出的方案是特别有用的处理信号的大规模产品图。采样集是使用低复杂度的贪婪算法设计的,并且可以被证明是接近最优的。为了说明所开发的理论,提供了基于真实数据集的数值实验,用于采样3D动态点云和推荐系统中的主动学习。
2018-06-30 cs.IT eess.SP math.IT
Subspace Thresholding Pursuit: A Reconstruction Algorithm for Compressed Sensing
提出了一种新的迭代贪心算法,用于压缩感知中稀疏信号的重构。该算法称为\emph{subspace thresholding pursuit}(STP),本文中,是一个简单的子空间追求和迭代硬阈值的组合。首先,STP在约束等距性方面具有与$\ell_1$极小化相当的理论保证。其次,通过调整参数,一方面,在重构高斯信号时,该算法的性能大大优于其他现有的重构算法;另一方面,在重构具有随机符号的等幅信号时,该算法的性能优于其他现有的迭代贪心算法,在欠采样率不是很大的情况下,该算法的性能甚至优于$\ell_1$最小化算法。此外,我们提出了一个简单而有效的方法,以提高经验性能进一步,如果欠采样率是大的。最后,通过借鉴STP的思想,证明了其他迭代贪心算法可以提高其经验性能。
2014-05-21 cs.IT math.IT
On application of OMP and CoSaMP algorithms for DOA estimation problem
压缩感知(CS)的显着特性使研究人员将其用于需要解欠定线性方程组的各种其他领域。一个这样的应用是在阵列信号处理的领域中,例如在信号去噪和到达方向(DOA)估计中。本文从CS恢复算法的两大类,即凸优化算法和贪婪稀疏近似算法出发,研究了贪婪稀疏近似算法在均匀线阵环境下的DOA估计问题。我们进行实证调查的行为的两个国家的最先进的贪心算法:OMP和CoSaMP。这项调查考虑到各种情况,如不同程度的噪音水平和源之间的相干性。我们进行模拟,以证明这些算法的性能,并给出了简要的分析结果。
2018-01-25 cs.IT math.IT