Low-Complexity Iterative Algorithms for (Discrete) Compressed Sensing
我们认为迭代(“涡轮”)压缩感知算法。首先,对现有文献中的不同方法进行了统一的阐述,从而揭示了一般原则和主要差异。特别地,我们讨论i)估计步骤(匹配滤波器与最佳MMSE估计器),ii)无偏操作(隐式地或显式地进行并且等效于外部信息的计算),以及iii)阈值处理与软值的计算。基于这些见解,我们提出了一个低复杂度,但性能良好的变种利用Krylov空间近似的最佳线性MMSE估计。推导对于信号向量的任何概率密度都是有效的。然而,数值结果显示为离散的情况下。新算法表现出非常好的性能,甚至略快收敛相比,近似消息传递。
2017-05-19 cs.IT math.IT
Alternating direction algorithms for $\ell_0$ regularization in compressed sensing
本文基于$\ell_0$ -正则最小二乘的交替方向乘子法(ADMM)的迭代步骤,提出了三种压缩感知的迭代贪心算法\emph{iterative alternating direction}(IAD)、\emph{normalized iterative alternating direction}(NIAD)和\emph{alternating direction pursuit}(ADP($\ell_0$ -LS)并且可以被认为是公知的迭代硬阈值(IHT)的交替方向版本,归一化迭代硬阈值法(NIHT)和硬阈值追踪法(HTP)。首先,相对于ADMM的一般迭代步骤,所提出的算法在迭代中没有分裂或对偶变量,因此当前近似对过去迭代的依赖是直接的。其次,从限制等距性的角度给出了可证明的理论保证,这是$\ell_0$ -LS的ADMM的第一个理论保证。最后,在重建具有随机符号的等幅信号(CARS信号)和高斯信号时,它们的性能大大优于相应的IHT,NIHT和HTP。
2016-04-15 cs.IT math.IT
Quantized Iterative Hard Thresholding: Bridging 1-bit and High-Resolution Quantized Compressed Sensing
在这项工作中,我们表明,从量化的压缩测量重建稀疏信号可以在统一的形式主义中实现,无论(标量)量化分辨率如何,即,从1位到高分辨率的假设。这是通过推广迭代硬阈值(IHT)算法和它的二进制变量(BIHT)在以前的作品中引入的,以执行重建的信号相对于量化模型的一致性。该算法的性能,简称为量化IHT(QIHT),与其他方法(例如,IHT,基追踪去噪)。
2013-05-08 cs.IT math.IT
Super-Resolution Compressed Sensing: A Generalized Iterative Reweighted L2 Approach
传统的压缩感知理论假设信号在已知的有限字典中具有稀疏表示。然而,在许多实际应用中,如波达方向(DOA)估计和线性谱估计,稀疏字典通常是由一组未知参数在一个连续的域。为了将传统的压缩感知技术应用于此类应用,必须将连续参数空间离散化为有限的网格点集,基于该网格点集构建用于稀疏信号恢复的“假定字典”。然而,离散化不可避免地会引起误差,因为真实参数不一定位于离散化网格上。这种错误也称为网格不匹配,可能导致恢复性能恶化甚至恢复失败。为了解决这个问题,在本文中,我们提出了一个广义的迭代加权L2方法,联合估计稀疏信号和未知参数与真正的字典。该算法通过迭代减少优化给定目标函数的代理函数,从而形成一个渐进的交织迭代过程来细化未知参数和稀疏信号。一个简单而有效的计划开发自适应更新的正则化参数,控制之间的折衷的解决方案和数据拟合误差的稀疏性。扩展所提出的算法的多个测量矢量的情况下也被认为是。数值结果表明,该算法实现了超分辨率精度,并显示出优于其他现有方法。
2014-12-18 cs.IT 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
Robust iterative hard thresholding for compressed sensing
压缩感知(CS)或稀疏信号重构(SSR)是一种信号处理技术,它利用了采集的数据可以在某种基础上具有稀疏表示的事实。重建或近似未知稀疏信号的一种流行技术是迭代硬阈值(IHT),然而,在非高斯噪声条件下或面对离群值(粗差)时,该技术的性能非常差。在本文中,我们提出了一个强大的IHT方法的基础上的思想,从$M$估计,估计稀疏信号和规模的误差分布的同时。在高斯噪声下,该方法与IHT相比具有可忽略的性能损失,但在重尾非高斯噪声条件下具有更好的性能。
2014-05-07 cs.IT math.IT stat.AP
Generating Functional Analysis of Iterative Algorithms for Compressed Sensing
结果表明,近似消息传递算法在压缩感知重构问题中是有效的。为了评估这样的算法的动态,状态演化(SE)已被提出。如果一个算法可以消除当前消息和它们过去的值之间的相关性,SE就可以通过一个简单的一维映射精确地跟踪它的动态。在本文中,我们专注于动力学的算法,不能取消的相关性,并评估它的生成泛函分析(GFA),这使我们能够研究的动力学在大系统极限的一个确切的方式。
2011-06-01 cond-mat.dis-nn cs.IT math.IT
Stabilization Techniques for Iterative Algorithms in Compressed Sensing
压缩感知(CS)中的信号恢复算法通常通过稳定技术来改进,例如阻尼,或不太广为人知的所谓分数方法,其基于期望传播(EP)框架。这些程序用于提高稳态性能,即,收敛后的性能,或保证收敛,否则这是不可能的。在本文中,我们给出了一个全面的介绍和解释几个稳定化的方法。的稳定程序的效果进行检查和比较,通过数值模拟,我们表明,几个程序的组合可以是有益的算法的性能。
2021-09-30 cs.IT eess.SP 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
On the Iterative Decoding of High-Rate LDPC Codes With Applications in Compressed Sensing
本文研究了$(j,k)$ -规则低密度奇偶校验码(LDPC)在高码率下的消息传递(MP)译码性能。特别地,我们推导了LDPC码在二进制擦除信道(BEC)和$q$ -ary对称信道($q$ -SC)上MP译码的高速率缩放定律。对于BEC,迭代解码的密度演化(DE)阈值尺度如$Θ(k^{-1})$,并且临界停止比尺度如$Θ(k^{-j/(j-2)})$。对于$q$,验证解码的DE阈值取决于解码器的细节,并且对于一个解码器,其比例类似于$Θ(k^{-1})$.利用有限大字母表编码与实数编码非常相似的事实,将验证解码的分析扩展到严格稀疏信号的压缩感知(CS)中。基于微分方程的方法被用来分析具有随机重构保证的CS系统。这导致了这样的结果,即可以使用恒定的过采样率以高概率有效地重构严格稀疏的信号(即,当测量的数量与信号的稀疏性成线性比例时)。基于停止集的方法也用于变得更强(例如,均匀概率)重建保证。
2012-01-31 cs.IT math.IT
Iterative $\ell_1$ minimization for non-convex compressed sensing
提出了一种基于凸函数差分算法(DCA)的最小化一类凹稀疏度量的压缩感知问题的算法框架。由此产生的算法迭代一系列的$\ell_1$最小化问题。建立了精确的稀疏恢复理论,证明了该方法始终在基追踪($\ell_1$ minimization)的基础上进行改进,并继承了基追踪的鲁棒性,同时通过数值算例进一步说明了,与文献中大多数非凸压缩感知求解器不同,无论测量矩阵多么病态,该方法始终优于基追踪.此外,迭代$\ell_1$(IL $_1$)算法导致了很大的利润率的最先进的算法$\ell_{1/2}$和拟最小化的强相干(高度病态)制度,尽管相同的目标函数。最后,在磁共振成像(MRI)的应用中,IL $_1$算法只需7条线投影就可以很容易地恢复体模图像。
2016-11-01 cs.IT math.IT math.OC
Iterative Hard Thresholding for Compressed Sensing
压缩感知是一种对低于奈奎斯特速率的可压缩信号进行采样的技术,同时仍然允许对信号进行接近最佳的重构。在本文中,我们提出了一个理论分析的迭代硬阈值算法时,适用于压缩感知恢复问题。我们表明,该算法具有以下性质(在本文的正文中更精确)-它提供了接近最优的误差保证。- 它对观测噪声具有鲁棒性。- 它以最小数量的观测值成功。- 它可以与任何采样算子一起使用,可以计算该算子及其伴随算子。- 内存需求与问题大小成线性关系。- 其每次迭代的计算复杂性与测量算子或其伴随算子的应用具有相同的数量级。- 它需要固定的迭代次数,仅取决于信号的信噪比的对数形式。- 它的性能保证是一致的,因为它们只依赖于采样算子和信号稀疏性的属性。
2008-05-05 cs.IT cs.NA math.IT
Lorentzian Iterative Hard Thresholding: Robust Compressed Sensing with Prior Information
压缩感知(CS)中常用的重构算法使用$L_2$范数作为残差的度量。然而,众所周知,基于最小二乘(LS)的估计器对测量向量中存在的离群值高度敏感,从而导致当噪声不再遵循高斯假设而是更好地由比高斯分布更好地表征时性能较差。本文提出了一种在脉冲噪声背景下重构稀疏信号的鲁棒迭代硬采样保持(IHT)算法。为了解决这个问题,我们使用一个洛伦兹成本函数,而不是$L_2$成本函数采用传统的IHT算法。我们还修改了算法,将先验信号信息的恢复过程。具体来说,我们研究的情况下,CS与部分已知的支持。该算法是一种快速的方法,计算量与基于LS的IHT相当,同时具有对重尾脉冲噪声鲁棒性的优点。稳定性的充分条件进行了研究,重建误差界的推导。我们还得到了稳定的稀疏信号恢复与部分已知的支持的充分条件。理论分析表明,包括先验支持信息放宽了成功重建的条件。仿真结果表明,基于Lorentzian的IHT算法在脉冲环境中的性能明显优于常用的稀疏重建技术,同时在要求较低的光尾环境中提供相当的性能。数值结果还表明,部分已知的支持包含提高了所提出的算法的性能,从而需要更少的样本产生一个近似的重建。
2013-07-17 cs.IT math.IT
EXIT Chart Analysis of Turbo Compressed Sensing Using Message Passing De-Quantization
我们提出了一种迭代解码方法,我们称之为涡轮CS,级联源信道编码的稀疏信号的接收通过AWGN信道传输。turbo-CS编码器应用1比特压缩感测作为与卷积信道编码器串联的源编码器。在Turbo CS译码器中,提出了一种迭代的信源信道联合译码方法来重构信号。我们分析,第一次,涡轮CS解码器的收敛性,通过确定一个退出图的组成解码器。我们修改译码器的软输出以改善Turbo CS译码器的信号重建性能。对于10 dB的固定信号重构性能RSNR,我们在6次迭代后实现了超过5 dB的信道SNR改善。或者,对于-1 dB的固定SNR,我们实现了RSNR的10 dB改善。
2015-05-03 cs.IT math.IT
Algorithms for the Iterative Estimation of Discrete-Valued Sparse Vectors
在压缩感知中,必须从欠定线性方程组中估计实值稀疏向量。然而,在许多应用中,稀疏向量的元素是从有限集合中提取的。对于这些离散值向量的估计,需要匹配的算法,考虑到离散性质的额外知识。在本文中,估计问题是从通信工程的角度来看。一个强大的新算法结合已知的数字通信和信息论的技术。为了比较,Turbo压缩感知适用于离散设置,并提出了一个简化和推广的符号。数值模拟的算法的性能。
2016-08-23 cs.IT math.IT
Compressed Sensing for Sparse Underwater Channel Estimation: Some Practical Considerations
我们研究使用结构化的阈值算法稀疏水下信道估计,利用压缩感知。该方法对稀疏信道估计的标准算法如匹配追踪、迭代检测和最小二乘等进行了改进。
2010-02-13 cs.IT math.IT stat.AP
Feedforward Phase Noise Compensation for Intersymbol Interference Channels
School of Computation, Information and Technology, Technical University of Munich(计算、信息与技术学院,慕尼黑工业大学)
本文提出一种非迭代的相位噪声补偿方法,基于求和-乘积算法,用于多符号干扰信道,通过与线性最小均方误差滤波器对比,证明其在复杂度相似的情况下能实现更高的信息速率。
2026-04-20 cs.IT eess.SP math.IT
Inexact Gradient Projection and Fast Data Driven Compressed Sensing
我们研究了迭代投影梯度(IPG)算法对任意(可能非凸)集的收敛性,以及当梯度和投影预言都近似计算时的收敛性。我们考虑不同的概念,我们表明,渐进式固定精度(PFP)和$(1+ε)$最佳的预言可以达到相同的准确性,为准确的IPG算法的近似。我们表明,前计划也能够保持(线性)的精确算法的收敛速度,在相同的嵌入假设。相比之下,$(1+ε)$近似oracle需要更强的嵌入条件,适度的压缩比,它通常会减慢收敛速度。我们应用我们的结果来加速解决一类数据驱动的压缩感知问题,在那里我们取代迭代穷举搜索大数据集的快速近似最近邻搜索策略的基础上覆盖树数据结构。对于低内在维度的数据集,我们提出的算法实现了复杂性对数的数据集人口,而不是暴力搜索的线性复杂性。通过运行几个数值实验,我们得出了与理论分析预测相似的结论。
2017-05-31 cs.IT math.IT
Distributed Quantization for Compressed Sensing
研究了基于矢量量化器的压缩感知测量数据的分布式编码。我们开发了一个分布式框架,实现优化量化器,使相关稀疏源的CS测量编码,然后在融合中心联合解码。通过最小化稀疏源和它们在融合中心处的重构向量之间的均方误差之和来解决VQ编码器-解码器对的最优性。我们推导出所研究的分布式系统的端到端性能的下限,并通过迭代算法提出了一个实用的编码器-解码器设计。
2014-04-30 cs.IT math.IT
Iterative Detection with Soft Decision in Spectrally Efficient FDM Systems
在频谱高效频分复用系统中,输入数据流被划分成若干相邻的子信道,其中子信道的距离小于正交频分复用(OFDM)系统的距离。由于子载波在SEFDM系统中不是正交的,所以它们在接收机侧导致干扰。本文提出了一种适用于SEFDM系统的干扰补偿的迭代法。在该方法中,软映射技术用于每个迭代块后,以提高其性能。所提出的方法的性能是相媲美的球体检测(SD),这是一个接近最佳的检测方法。
2013-04-15 cs.IT math.IT
A Compressed Sensing Framework for Magnetic Resonance Fingerprinting
受最近提出的磁共振指纹(MRF)技术的启发,我们开发了一个原则性的压缩传感定量MRI框架。这三个关键组成部分是:随机脉冲激励序列的MRF技术,随机EPI子采样策略和迭代投影算法,施加与布洛赫方程的一致性。我们表明,理论上,只要激发序列具有适当形式的持续激发,我们能够准确地恢复质子密度,T1,T2和非共振地图同时从有限数量的样品。这些结果进一步支持通过广泛的模拟使用的大脑幻影。
2014-06-06 cs.IT math.IT
Compressed CSI Feedback With Learned Measurement Matrix for mmWave Massive MIMO
实现压缩感知方法获取信道状态信息(CSI)的一个主要挑战在于设计性能良好的测量矩阵以降低稀疏信道向量的维数。广泛采用的随机测量矩阵来自高斯或伯努利分布不是最优的。为了解决这个问题,我们提出了一种完全数据驱动的方法来优化波束空间信道压缩的测量矩阵,这种方法训练一个数学上可解释的自动编码器,根据稀疏恢复的迭代解构造。所得到的测量矩阵可以用较少的测量实现接近完美的CSI恢复,从而可以大大减少反馈开销。
2020-07-11 cs.IT math.IT
Convex Feasibility Methods for Compressed Sensing
我们提出了一种计算效率高的方法,用于从一系列噪声观测中恢复稀疏信号,称为压缩感知(CS)问题。CS理论要求求解一个凸约束最小化问题。我们建议将这个优化问题转化为一个凸可行性问题(CFP),并使用次梯度投影方法,这是迭代的,快速的,鲁棒的和收敛的计划解决CFP解决它。相对于一些最近推出的CS算法,如贝叶斯CS和梯度投影稀疏重建,这成为低效的问题的维数和稀疏度的增加,新提出的方法表现出显着的鲁棒性,这些因素。这使得次梯度投影方法对于大规模可压缩场景是高度可行的。
2010-06-19 cs.IT math.IT
A new and improved quantitative recovery analysis for iterative hard thresholding algorithms in compressed sensing
Mathematical Institute, University of Oxford(牛津大学数学研究所);Department of Mathematics, Duke University(杜克大学数学系)
本文提出了一种新的IHT算法恢复分析,通过研究固定点条件,推导了收敛性和固定点存在的充分必要条件,并在确定性无噪和高斯测量矩阵有噪情况下,量化了稀疏信号恢复的稀疏性/欠采样权衡。
2014-11-07 cs.IT cs.NA math.IT
Verification-Based Interval-Passing Algorithm for Compressed Sensing
提出了一种基于验证的区间传递(IP)算法,以低密度奇偶检验(LDPC)码的奇偶检验矩阵为测量矩阵,迭代重构非负稀疏信号.该算法可以看作是一种改进的IP算法,进一步融入了验证算法的机制。证明了该算法的性能始终优于IP算法和验证算法。仿真结果也证明了所提出的算法的优越性能。
2013-07-01 cs.IT math.IT
Weighted algorithms for compressed sensing and matrix completion
本文研究了压缩感知和矩阵完备问题的迭代重加权基追踪算法。在第一部分中,我们给出了一个理论解释的事实,重新加权基追踪可以改善基追踪在压缩感知的准确恢复了很多。我们展示了一个条件,链接的RIP和不相干常数的权重的准确性,这确保了准确的恢复。在第二部分中,我们介绍了一个新的算法矩阵完成,基于迭代加权的思想。由于加权核“范数”通常是非凸的,因此它不能容易地用作目标函数。因此,我们定义了一个新的估计的基础上的不动点方程。我们给出了经验证据的事实,这种新的算法导致强大的改进核模最小化的模拟和真实的矩阵完成问题。
2011-07-08 cs.IT math.IT math.ST
Compressed Sensing Recovery via Nonconvex Shrinkage Penalties
压缩感知的$\ell^0$最小化通常被放松为$\ell^1$,这使用称为软阈值的收缩映射产生容易的计算,并且可以在某些假设下恢复原始解。最近的工作已经得出了一个一般类的收缩和相关的非凸惩罚,更好地近似原来的$\ell^0$惩罚和经验,可以从更少的测量恢复原来的解决方案。我们专门研究p收缩和公司阈值。在这项工作中,我们证明了,给定的数据和测量矩阵从一个广泛的一类矩阵,可以选择这些类的收缩参数,以保证精确恢复的稀疏的解决方案。我们进一步证明了算法迭代p收缩(IPS)解决这样一个放松的问题的收敛性。
2015-04-11 cs.IT math.IT
A Practical Study of Longitudinal Reference Based Compressed Sensing for MRI
压缩感知(CS)是一种新的信号采集模式,它能够从少量样本中重建信号和图像。CS的一个特别令人兴奋的应用是磁共振成像(MRI),其中CS通过比标准MRI技术需要少得多的测量来显著加快扫描时间。采样时间的这种减少导致更少的功耗、更少的患者镇静需求以及更准确的图像。这种准确性的提高在儿科MRI中尤其明显,因为患者在长时间扫描期间难以保持静止。虽然这样的收益已经是显着的,甚至可以通过利用过去的MRI扫描相同的病人作出进一步的改进。许多患者需要在一段时间内重复扫描以跟踪疾病,并且先前的扫描可以用作当前图像的参考。这允许基于先前扫描和当前测量两者自适应地获取样本。Weizman的工作表明,所谓的基于参考的自适应加权时间压缩感知MRI(LACS-MRI)需要比标准压缩感知(CS)少得多的样本来实现相同的重建信噪比(RSNR)。该方法使用基于参考和自适应采样的混合。在这项工作中,我们使用各种自适应传感方案,重建方法和图像类型来测试这种方法。我们创建了一个完整的重建行为和成功率的目录,从数学的角度来看很有趣,对从业者很有用。我们还解决了一个灰度补偿玩具问题,支持LACS-MRI对MRI采集参数变化的不敏感性,从而展示了LACS-MRI在可能的临床情况下的可靠性。
2016-08-16 cs.IT math.IT
Analysis and Design of Irregular Graphs for Node-Based Verification-Based Recovery Algorithms in Compressed Sensing
在本文中,我们提出了一个概率分析的迭代节点为基础的验证为基础的(NB-VB)恢复算法在不规则图的压缩感知的背景下。基于验证的算法由于其低复杂度(在信号维度$n$中是线性的)而特别令人感兴趣。该分析预测在每次迭代$\ell$处未验证的信号元素的平均分数,其中在输入信号和感测矩阵的集合上取平均值。该分析是渐近的($n \rightarrow \infty$),并且在性质上类似于通常用于分析迭代解码算法的众所周知的密度演化技术。与现有的NB-VB算法分析技术相比,该方法是基于数值求解一个大的耦合微分方程组,所提出的方法是更简单,更准确。这使我们能够为这种恢复算法设计不规则的感知图。所设计的不规则图的性能大大优于相应的规则图。例如,对于每次迭代相同的恢复复杂度,我们设计了不规则图,与规则图相比,它可以恢复多达40%的非零信号元素。仿真结果也表明,所提出的渐近分析相匹配的性能恢复算法的大,但有限值的$n$。
2012-04-23 cs.IT math.IT
Binary Iterative Hard Thresholding Converges with Optimal Number of Measurements for 1-Bit Compressed Sensing
University of California San Diego(加州大学圣地亚哥分校)
本文证明二进制迭代硬阈值算法在1位压缩感知中以最优测量数收敛,为非凸问题提供了有效解法。
2026-01-08 cs.DS cs.IT eess.SP
Message Passing Algorithms for Compressed Sensing: I. Motivation and Construction
在最近的一篇论文中,作者提出了一类新的低复杂度迭代阈值算法,用于从一小组线性测量值\cite{DMM}重建稀疏信号。这些新算法被广泛地称为AMP,用于近似消息传递。这是两篇会议论文中的第一篇,描述了这些算法的推导,与相关文献的连接,原始框架的扩展和新的经验证据。特别是,本文概述了AMP的推导标准和产品的信念传播,其扩展在几个方向。我们还讨论了基于统计力学方法的正式计算的关系。
2009-11-22 cs.IT math.IT
Optimally Tuned Iterative Reconstruction Algorithms for Compressed Sensing
Stanford University(斯坦福大学)
通过大规模计算实验,为求解欠定线性方程组稀疏解的迭代硬/软阈值算法及CoSaMP等算法优化参数,实现了无需用户调参的最优调参版本,并在相变意义上达到最高性能。
2009-09-03 cs.IT cs.MS cs.NA
Message Passing Algorithms for Compressed Sensing
压缩感知的目标是对某些高维信号进行欠采样,但通过利用信号特征来准确地重建它们。当要恢复的对象在已知的基础上足够稀疏时,精确的重建是可能的。目前,最著名的稀疏-欠采样折衷是在通过凸优化重建时实现的-这在重要的大规模应用中是昂贵的。快速迭代阈值算法已经被广泛研究,作为凸优化大规模问题的替代方案。不幸的是,已知的快速算法提供了比凸优化更差的稀疏欠采样折衷。我们引入了一个简单的无成本的修改迭代阈值的稀疏欠采样权衡的新算法相当于相应的凸优化程序。新的迭代阈值算法的灵感来自于图模型中的置信度传播。我们的经验测量的稀疏欠采样的权衡新算法同意与理论计算。我们表明,状态演化形式主义正确地推导出真正的稀疏欠采样的权衡。有一个令人惊讶的协议早期计算的基础上随机凸多面体和这个新的,显然非常不同的理论形式主义。
2009-07-21 cond-mat.dis-nn cs.IT math.IT
Message Passing Algorithms for Compressed Sensing: II. Analysis and Validation
在最近的一篇论文中,作者提出了一类新的低复杂度迭代阈值算法,用于从一小组线性测量值\cite{DMM}重建稀疏信号。这些新算法被广泛地称为AMP,用于近似消息传递。这是两篇会议论文中的第二篇,描述了这些算法的推导,与相关文献的联系,原始框架的扩展和新的经验证据。本文介绍了状态演化形式主义分析这些算法,和一些结论,可以从这种形式主义。我们进行了大量的数值模拟来证实这些预测。我们在这里提出了一些有代表性的结果。
2009-11-22 cs.IT math.IT
Successive Concave Sparsity Approximation for Compressed Sensing
本文基于$\ell_0$范数的逐次精度递增逼近,提出了一种从欠定测量中恢复稀疏向量的新算法。的近似实现了一定的凹函数,积极诱导稀疏性和他们的接近$\ell_0$规范可以控制。证明了当逼近精度从最差拟合变为最佳拟合时,逼近序列渐近符合$\ell_1$和$\ell_0$范数.当测量是无噪声的,提出了一个优化方案,导致一些加权$\ell_1$最小化程序,而在噪声的存在下,我们提出了两个迭代阈值的方法,计算上的吸引力。迭代阈值方法的收敛保证,并提供,对于一个特定的函数类的近似函数,我们推导出封闭形式的阈值算子。我们进一步提出了一些理论分析,通过限制等距,零空间,和球截面的性质。我们广泛的数值模拟表明,所提出的算法密切关注的Oracle估计的性能范围更广的稀疏性水平比那些国家的最先进的算法。
2016-04-26 cs.IT math.IT
Damping Noise-Folding and Enhanced Support Recovery in Compressed Sensing
Technische Universität München(慕尼黑工业大学)
本文提出两种新的解码方法,结合ℓ1最小化与正则化选择最p次幂或迭代硬阈值,有效减少原始噪声并提升支持识别性能。
2014-11-24 cs.IT cs.NA math.IT
Methods for Quantized Compressed Sensing
University of California, Los Angeles(加州大学洛杉矶分校);Claremont McKenna College(克莱蒙特麦肯纳学院)
本文比较了多种贪婪量化压缩感知算法的性能,提出两种新方法QCoSaMP和AOP-QIHT,并评估了不同比特深度、稀疏性和噪声水平下的算法表现。
2015-12-30 cs.IT cs.NA 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
Progressive Compressed Sensing and Reconstruction of Multidimensional Signals Using Hybrid Transform/Prediction Sparsity Model
压缩感知(CS)是一种创新的技术,允许通过少量的线性投影来表示信号。因此,CS可以被认为是用于获取多维信号的自然候选者,因为由常规传感器获取和处理的数据量可能在计算复杂性方面产生问题。在本文中,我们提出了一个框架的多维相关信号的采集和重建。该方法是通用的,可以应用于D维信号,即使我们提出的算法实际上实现这种架构适用于2-D和3-D信号。所提出的架构采用迭代局部信号重建的基础上的混合变换/预测相关模型,加上适当的初始化策略。
2013-10-04 cs.IT math.IT
Phase-Noise Compensation for OFDM Systems Exploiting Coherence Bandwidth: Modeling, Algorithms, and Analysis
相位噪声(PN)估计和补偿是毫米波(mmWave)通信系统中实现高可靠性的关键。然而,PN估计由于其基本特性(诸如频谱扩展和快速变化的波动)而遭受高计算复杂性。在本文中,我们提出了一个新的框架,在正交频分复用系统的低复杂度PN补偿。所提出的框架还包括一个试点分配策略,以尽量减少其开销。其关键思想是利用毫米波系统的相干带宽和近似的实际PN频谱与其主要成分,从而在一个非迭代的解决方案,通过使用线性最小均方误差估计。与现有方法相比,该方法的总复杂度降低了2.5倍以上。此外,我们推导出封闭形式的表达式归一化均方误差(NMSE)作为关键系统参数的函数,这有助于理解在低和高信噪比制度的NMSE行为。最后,我们研究了性能和导频开销之间的权衡,以提供对PN频谱的适当近似的洞察。
2021-09-27 cs.IT eess.SP math.IT
Discrete Optimization Methods for Group Model Selection in Compressed Sensing
本文研究群模型的信号恢复问题。更准确地说,对于给定的一组组,每个组包含一个小的索引子集,并且对于真实信号向量的给定线性草图(已知其支持包含在少量这些组的联合中)是组稀疏的,我们研究仅通过了解其线性草图就成功恢复真实信号的算法。我们推导出模型投影复杂性的结果和算法更一般的组模型比国家的最先进的。我们考虑两个版本的经典迭代硬存储算法(IHT)。经典版本迭代地计算向量到组模型上的精确投影,而近似版本(AM-IHT)迭代地使用头部和尾部近似。我们将这两种变体应用到组模型中,并分析了传感矩阵是高斯矩阵和模型扩展矩阵的两种情况。为了解决群模型上的精确投影问题,我们使用了基于动态规划和Benders分解的离散最优化方法。头部和尾部近似分别由经典的贪婪方法和LP舍入。
2020-02-27 cs.IT math.IT math.OC
Variational Free Energies for Compressed Sensing
我们考虑压缩感知的变分自由能方法。我们首先表明,朴素的平均场方法在与噪声学习过程相结合时表现得非常好。我们还注意到,它会导致与迭代阈值相同的方程。然后,我们讨论贝特自由能,以及它如何对应于近似消息传递算法的不动点。在这两种情况下,我们测试数值的自由能作为一个收敛的sparse-estimationalgorithm直接优化。
2014-02-06 cond-mat.stat-mech cs.IT math.IT
An efficient algorithm for compression-based compressed sensing
现代图像和视频压缩码采用存在于这种信号中的精细结构来将它们编码成少量比特。另一方面,压缩感知恢复算法使用这样的信号的结构来从很少的线性观测中恢复它们。尽管压缩感知领域取得了稳步进展,但通常用于信号恢复的结构仍然比最先进的压缩编码所采用的结构简单得多。本文的主要目标是弥合这一差距,通过回答以下问题:可以采用一个给定的压缩代码,建立一个有效的(多项式时间)压缩感知恢复算法?针对这一问题,提出了基于压缩的梯度下降(C-GD)算法。C-GD是一种低复杂度的迭代算法,能够采用通用压缩码进行压缩感知,因此将压缩感知中使用的结构的范围提升到压缩码所使用的范围。从理论上分析了C-GD算法的收敛性能和所需的测量次数对压缩码率失真性能的影响。同时也证明了C-GD算法对加性高斯白噪声的鲁棒性。最后,所提出的仿真结果表明,结合C-GD与商业图像压缩编码,如JPEG 2000产生国家的最先进的性能在成像应用。
2017-04-06 cs.IT math.IT
Channel-Aware Preemptive Scheduling for Semantic Communication with Truncated Diffusion and Path Compensation
School of Computer Science and Engineering, Macau University of Science and Technology(澳门科技大学计算机科学与工程学院)
本文提出CAPS-TDPC框架,通过通道驱动调度机制和接收端补偿机制,减少端到端延迟并保持高保真语义重建,在快速衰落信道中提升系统鲁棒性。
2026-04-13 cs.IT math.IT
Compressed Sensing with General Frames via Optimal-dual-based $\ell_1$-analysis
压缩感知与稀疏框架表示被认为有更大的实际应用范围比正交基。在这样的设置中,一种恢复信号的方法被称为$\ell_1$分析。在这篇文章中,我们扩大了这种方法的性能分析,提供了一个较弱的恢复条件比现有的文献中的结果。我们的分析也广泛地基于一般框架和替代的对偶框架(作为分析算子)。作为一个应用程序,这样一个一般的对偶为基础的方法和性能分析,提出了一个最佳的对偶为基础的技术,以证明使用替代的对偶框架作为分析运营商的有效性。一个迭代算法的最佳对偶为基础的$\ell_1$分析问题的解决概述。实验结果表明了该方法和算法的有效性。
2012-03-17 cs.IT math.IT
A Novel Progressive Image Scanning and Reconstruction Scheme based on Compressed Sensing and Linear Prediction
Politecnico di Torino(都灵理工大学)
压缩感知(CS)是一种创新的技术,允许通过少量的线性投影来表示信号。在本文中,我们解决了CS的应用程序的情况下,逐步收购的二维视觉信号逐行的方式。这是一个重要的设置,其中包括不同的系统,如平板扫描仪和遥感成像仪。在这种设置中使用CS引起了从它们的线性投影重建非常高数量的样本的问题,如包含在图像中的样本。传统的重建算法,其复杂性是立方的样本数,是计算上难以处理的。在本文中,我们开发了一种迭代重建算法,该算法通过迭代估计一行并通过线性预测将相邻行相关来重建图像。我们开发合适的预测和测试的背景下,平板扫描仪和遥感成像系统的算法。我们表明,这种方法可以显着提高单独重建的每行的结果,提供了非常好的重建质量与合理的复杂性。
2013-10-04 cs.CV cs.IT math.IT
Asymptotic Performance Prediction for ADMM-Based Compressed Sensing
在本文中,我们提出了一种方法来预测交替方向乘法器(ADMM)的压缩感知,其中我们重建一个未知的结构化信号,其欠定的线性测量的渐近性能。该方法的推导是基于最近发展的凸高斯最小-最大定理(CGMT),它可以应用于各种凸优化问题,以获得其渐近误差性能。我们的主要思想是迭代地分析ADMM更新中的凸子问题,并刻画每次迭代得到的试探估计的渐近分布。然而,由于原始CGMT不能直接用于迭代更新的分析,我们直观地假设CGMT的扩展版本中所提出的方法的推导。在此假设下,结果表明,ADMM中的更新方程可以解耦为一个具有大系统极限的渐近状态的标值随机过程。从渐近结果,我们可以预测误差的演变(例如,均方误差(MSE)和误符号率(SER))。仿真结果表明,ADMM在稀疏矢量重构和二值矢量重构中的经验性能和预测性能接近。
2022-10-26 cs.IT eess.SP math.IT
Compressed Sensing with Linear Correlation Between Signal and Measurement Noise
现有的基于凸松弛的压缩感知重构方法假设测量中的噪声与感兴趣的信号无关。我们认为噪声与信号线性相关的情况下,并介绍了一种简单的技术,用于改善压缩感知重建从这样的测量。该技术是基于加性噪声与信号的相关性的线性模型。基于该模型的重建算法的修改是非常简单的,并且与标准重建算法相比具有可忽略的额外计算成本,但是在现有文献中是未知的。所提出的技术大大减少了重建误差的情况下,线性相关的测量和噪声。数值实验证实了该技术的有效性。该技术被证明与应用到低速率量化的压缩测量,这是已知的引入相关的噪声,并改善重建误差相比,普通的基追踪去噪高达约7分贝观察1位/样本量化。此外,所提出的方法相比,它被证明优于重建误差的稀疏信号的非零系数的数量大于约1/10的压缩测量值的数量方面的二进制迭代硬采样保持。
2013-11-07 cs.IT math.IT
Snapshot compressed sensing: performance bounds and algorithms
快照压缩感测(CS)是指其中多个帧被映射到单个测量帧中的压缩成像系统。所获取的帧中的每个像素是组合在一起的帧中的对应像素的噪声线性映射。虽然这个问题可以被转换为CS问题,但由于传感矩阵的非常特殊的结构,标准CS理论不能用来研究这样的系统。在本文中,一个基于压缩的框架是用于快照CS系统的理论分析。结果表明,这个框架导致两个新的,计算效率和理论分析的压缩为基础的恢复算法。所提出的方法是迭代的,并采用压缩码来定义和施加所需信号的结构。理论上的收敛保证,这两种算法。在模拟中,它示出,在无噪声和噪声测量的情况下,结合所提出的算法与定制的视频压缩代码,旨在利用视频帧的非局部结构,显着提高了最先进的性能。
2019-04-29 cs.IT math.IT
Robust 1-bit Compressed Sensing with Iterative Hard Thresholding
University of California San Diego(加州大学圣地亚哥分校)
本文研究1比特压缩感知中的噪声鲁棒性,证明BIHT算法在对抗性符号翻转下,以相同测量数实现$\tilde{O}(\epsilon+\tau)$误差,保持通用性,确立了迭代硬阈值的稳定性。
2023-10-12 cs.DS cs.IT cs.LG
Orthogonal Matching Pursuit with Tikhonov and Landweber Regularization
正交匹配追踪(OMP)的压缩感知迭代方案的支持增强和信号估计。我们提出了两种新的匹配追踪算法与内在的正则化的信号估计步骤,不依赖于先验知识的信号的稀疏性。一个迭代的方法允许我们的算法的硬件高效的实现,并使压缩感知的现实世界中的应用。我们提供了一系列的数值例子,表现出良好的性能,特别是当测量的数量相对较小。
2019-02-20 cs.IT math.IT
Distributed Compressed Sensing For Static and Time-Varying Networks
我们考虑的问题,在网络中的压缩感知从分布式测量。每个代理具有信号$x$的一组测量,并且目标是代理仅使用与网络中的邻居的通信从它们的集体测量恢复$x$。我们的分布式解决这个问题的方法是基于集中式迭代硬存储算法(IHT)。首先,我们提出了一个分布式IHT算法的静态网络,利用标准的工具,从分布式计算,以最小的带宽消耗执行网络计算。接下来,我们解决分布式信号恢复网络随时间变化的拓扑结构。网络动态必然会给我们的网络内计算带来不准确性。为了适应这些不准确的,我们展示了如何集中IHT可以扩展到包括不精确的计算,同时仍然提供相同的恢复保证原始IHT算法。然后,我们利用这些新的理论结果,开发一个分布式版本的IHT随时间变化的网络。评估表明,我们的分布式算法的静态和时变网络优于以前提出的解决方案的时间和带宽的几个数量级。
2014-08-07 cs.IT math.IT
Density Evolution Analysis of Node-Based Verification-Based Algorithms in Compressed Sensing
在本文中,我们提出了一种新的方法来分析迭代节点为基础的验证为基础的(NB-VB)恢复算法的压缩感知的背景下。这些算法由于其低复杂度(在信号维度$n$中是线性的)而特别令人感兴趣。渐近分析预测在渐近状态中的每次迭代$\ell$处未验证的信号元素的分数,其中$n \rightarrow \infty$。该分析在本质上类似于通常用于分析迭代解码算法的众所周知的密度演化技术。为了执行分析,提供了NB-VB算法的消息传递解释。这种解释缺乏标准的信息传递算法,密度进化通常适用于外在的性质。这需要在分析中进行一些重要的修改。该分析跟踪恢复算法在输入信号和感测矩阵集合上的平均性能,作为$\ell$的函数。浓度结果的设计表明,恢复算法的性能适用于任何选择的输入信号超过任何实现的传感矩阵如下的确定性分析的结果密切。仿真结果也表明,所提出的渐近分析相匹配的性能恢复算法的大,但有限值的$n$。与现有的NB-VB算法分析技术相比,该方法是基于数值求解一个大的耦合微分方程组,所提出的方法是更简单,更准确。
2011-06-01 cs.IT math.IT
On Failing Sets of the Interval-Passing Algorithm for Compressed Sensing
在这项工作中,我们分析了压缩感知的间隔传递算法(IPA)的失败集。IPA是用于从少量线性测量y重建k稀疏非负n维实信号x的有效迭代算法。特别是,我们表明,IPA无法恢复x从y当且仅当它无法恢复相应的二进制向量的相同的支持,也只有位置的非零值的测量矩阵是重要的成功恢复。基于这一观察,我们引入termatiko集,并表明,IPA未能完全恢复x当且仅当支持x包含一个非空termatiko集,从而给出了一个完整的(图论)描述失败的IPA集。最后,我们提出了一个广泛的数值研究表明,在许多情况下,存在termatiko集的大小严格小于停止距离的二进制测量矩阵,甚至在某些情况下低至一半的停止距离。
2016-10-04 cs.IT math.IT